Предиктивная аналитика в B2B-продажах: решения на основе данных

У каждого опытного продавца есть чутьё на то, какая сделка вот-вот сорвётся и какой клиент действительно хочет купить. Предиктивная аналитика в B2B-продажах пытается подкрепить это чутьё данными и сделать его доступным всей команде. В статье объясним, что дают такие прогнозы, какие данные для них нужны, как выглядит разумный тест и когда затраты не окупаются.

Что даёт предиктивная аналитика в B2B-продажах

Предиктивная аналитика — это вывод вероятностей на будущее из данных прошлого. В продажах речь идёт о трёх вопросах. Какой запрос с высокой вероятностью станет заказом? Какой текущей сделке грозит срыв? Какая выручка реалистична в ближайшие месяцы?

Звучит как гадание, но по сути это распознавание закономерностей. Модель смотрит, какими признаками обладали выигранные и проигранные заказы в прошлом, и сравнивает с ними новые случаи. То есть она говорит не «этот клиент купит», а «случаи, похожие на этот, у вас до сих пор чаще выигрывались». Это различие важно, потому что показывает пределы метода: если меняется ваш рынок, предложение или целевая аудитория, старые закономерности перестают подходить.

Три области применения

Оценка лидов

Оптовик промышленных товаров каждую неделю получает запросы через сайт, по телефону и на выставках. Не все они одинаково ценны. Прогнозная модель может ранжировать запросы по признакам вроде отрасли, размера компании, типа запроса, прошлых заказов и реакции на предложения. Тогда офисный отдел продаж сначала звонит туда, где шансы выше всего. Как это выстроить на практике, описано в статье Скоринг лидов с помощью ИИ.

Сигналы риска в воронке

Сделки редко срываются в одночасье. Часто есть предвестники: контактное лицо отвечает всё медленнее, встречу переносят второй раз, внезапно подключается отдел закупок или новую версию предложения больше не открывают. Модель может собрать такие сигналы вместе и предупредить ответственного продавца. Что он с этим сделает — позвонит, скорректирует предложение или поговорит с руководством клиента, — решает он сам.

Прогноз выручки

Классические прогнозы часто появляются так: каждый продавец проставляет своим сделкам вероятность «на глаз». Модель на основе данных дополняет эту оценку взглядом на историю: сколько обычно длятся сделки такого размера и сколько сделок с этого этапа в итоге были выиграны? Сопоставить обе картины часто полезнее, чем смотреть на каждую по отдельности. Подробнее — в статье Прогнозирование продаж с помощью ИИ.

Какие данные действительно нужны

Самое частое разочарование в предиктивной аналитике связано не с технологией, а с данными. Прежде чем выбирать инструмент, проверьте свою CRM по этому списку:

• Достаточно закрытых случаев: модель учится на выигранных и проигранных сделках. Если за год вы закрываете всего несколько крупных заказов, материала слишком мало.
• Проигранные сделки зафиксированы: многие команды ведут только успехи. Без проигрышей ни одна модель не увидит различий.
• Единые этапы: «предложение отправлено» должно значить одно и то же для всех продавцов.
• Действия записываются: звонки, письма, встречи и предложения есть в CRM, а не только в головах или личных почтовых ящиках.
• Достаточно длинная история: желательно больше года, чтобы стали видны сезонные закономерности.

Если нескольких пунктов не хватает, первым шагом становится наведение порядка в данных. Как это сделать, показывает статья Как подготовить данные о продажах для ИИ. Здесь особенно помогает автоматизация: когда цифровые сотрудники автоматически резюмируют входящие звонки, чаты и письма и записывают их в CRM — как это делают цифровые сотрудники Neurobots для HubSpot, Salesforce, Pipedrive или Microsoft Dynamics, — попутно появляется именно та база данных, которая позже понадобится для прогнозов.

Пилот за пять шагов

1. Выберите один вопрос: например, «Какими запросами заниматься в первую очередь?». Не все три области сразу.
2. Проверьте имеющиеся функции: во многих CRM-системах уже есть функции прогнозирования и оценки. Часто их нужно лишь включить и настроить.
3. Запустите параллельно: один-два месяца модель выставляет оценки, а команда работает как раньше. Никто не меняет поведение из-за прогноза.
4. Сравните результаты: распознала ли модель случаи, которые потом были выиграны, лучше, чем прежние оценки? Где она ошиблась и почему?
5. Только потом вводите в работу: с ясным правилом, как команда пользуется оценками, и фиксированной датой проверки.

Пример с допущениями

Допустим, ИТ-компания получает 80 запросов в месяц и успевает быстро и лично обработать 40 из них. Сейчас порядок определяется временем поступления. Со скорингом лидов первыми обрабатывались бы запросы, больше всего похожие на ранее выигранные заказы. Приведёт ли это к большему числу сделок, покажет только параллельная работа. Но уже сам анализ может быть поучительным, например если выяснится, что запросы из определённой отрасли почти никогда не превращаются в заказы. Тогда стоит спросить себя, в чём дело: в предложении, в подаче или просто в неподходящей аудитории. Такие выводы часто ценнее самой оценки, потому что касаются и маркетинга, и продаж.

Ограничения и риски

Прогнозы могут сбываться сами собой. Если команда всерьёз работает только с высоко оценёнными запросами, низко оценённые никогда не станут заказами, и модель увидит в этом подтверждение своей правоты. Поэтому регулярно проверяйте выборку низко оценённых случаев.

Даже в B2B вы обрабатываете персональные данные — данные ваших контактных лиц. Значит, действует GDPR (в Германии — DSGVO), и в политике конфиденциальности стоит прямо указать, что запросы оцениваются автоматически. Решения со значительными последствиями не должны опираться только на оценку модели. А модель, чьи оценки никто не может объяснить, команда всё равно быстро начнёт игнорировать. Проследите, чтобы инструмент показывал, какие признаки повлияли на оценку.

Когда предиктивная аналитика не окупается

При нескольких очень крупных заказах в год, при только что созданном отделе продаж без истории или на сильно колеблющихся рынках модель почти не даст надёжных закономерностей. Тогда ценнее хорошая, совместно ведущаяся воронка с честными оценками.

Частые вопросы

Нужен ли для этого специалист по данным?

Для старта обычно нет. Многие CRM-системы предлагают функции прогнозирования. Важнее человек, который отвечает за качество данных и критически проверяет результаты.

Насколько точны такие прогнозы?

Общего ответа нет. Точность зависит от объёма и качества данных и от стабильности вашего рынка. Измерьте её на своих случаях во время параллельной работы. Как шаг за шагом сделать прогноз выручки надёжнее, показывает статья о том, как точнее предсказывать выручку с ИИ.

Чем это отличается от балльной системы для лидов?

В классической балльной системе вы сами решаете, сколько баллов даёт каждый признак, например определённая отрасль или скачивание материала. Предиктивная модель выводит веса из ваших реальных сделок. Это может показать связи, о которых никто не подозревал, но требует заметно больше данных. Для небольших отделов продаж хорошо продуманная балльная система часто оказывается более разумным первым шагом.

Заменяет ли оценка суждение моих продавцов?

Нет. Это дополнительная подсказка. Хорошие команды используют её, чтобы находить слепые зоны, а не чтобы заменить опыт.

Вывод

Предиктивная аналитика в B2B-продажах помогает тратить время там, где шансы выше всего, и раньше замечать риски. Условия — чистые данные, честный параллельный запуск и команда, которая воспринимает оценки как подсказку. Как выглядит надёжный сбор запросов в консалтинге, показывает страница Цифровой ассистент для консалтинговых компаний.