رفع الأرباح عبر التعلم الآلي في مجال المبيعات والتسويق

الإفادات الأولية

عندما يتعلق الأمر بالأنشطة التجارية، فيتضح العداء كبير بين أقسام التسويق والمبيعات في معظم الشركات.

تعمل فرق التسويق بلا كلل لتحويل أكبر عدد ممكن من العملاء المحتملين من خلال العديد من حملات الدعاية والفعاليات والمشاركة الاجتماعية وتحسين محركات البحث والتسويق عبرها وأدوات أخرى كثيرة. ينتهي المطاف بامتلاك الفرق قاعدة بيانات للعملاء المحتملين الجدد الذين لديهم اهتمام بالمنتج والذين قد تكون لديهم بعض الرغبة في شرائه، ويُطلق عليهم عملاء محتملون.

يقوم مدراء التسويق في بعض الشركات أيضًا بالاهتمام بجذب عملاء محتملين من خلال التفاعل معهم بطرق مختلفة لزيادة رغبتهم لشراء كميات أكبر أو الشراء بشكل متكرر أكثر. عادةً ما تُسمى هذه العملية بتصفية العملاء المحتملين والممثلة بطريقة ملائمة في الشكل أدناه.

بمجرد استعداد العميل المحتمل للشراء، يبدأ مدراء المبيعات في الإسراع لإتمام عملية البيع المحتملة والتأكد من إتمامهم للمعاملة. كلما زاد حجم الأعمال وأصبح فريق التسويق أكثر براعة في تنفيذهم لمهامهم، كلما زاد عدد العملاء المحتملين المستعدين للشراء بشكل طبيعي؛ عند حدوث ذلك، بالتأكيد لن يستطيع موظفو المبيعات تفقد كل عميل دون أي من المساعدة، لذا يلجأ مدراء المبيعات إلى اختيار العملاء بشكل عشوائي أو الاعتماد على شبكة عملائهم بدلًا من العملاء المحتملين الذين يقوم فريق التسويق بإرسالهم.

وهنا يقع المحتوم، حيث تتصاعد الخلافات وبسرعة، فيدعي قسم المبيعات بأن فريق التسويق لا ينتج عملاء محتملين ذوي جودة عالية، أو لا يعرض مجموعة جذابة من المنتجات، وغالبًا ما تعتقد فرق التسويق بأن فرق المبيعات لا تقوم بدور فعال كما كانوا يظنون.

الحقيقة تكمن في ضياع العديد من الفرص التي لم يتم الاهتمام بها جيدًا، حيث تبعدك عن إتمام معاملة الشراء خطوة واحدة، تتمثل في إجراء مكالمة هاتفية أو إرسال إشعار أو بريد إلكتروني.

وهنا يأتي التأثير الحقيقي لتقييم العملاء، فيمكننا القول بأنه الأداة الأكثر فعالية فيما يتعلق بالتسويق والمبيعات وزيادة معدل التحويل لأي عمل. يُعطي تقييم العملاء قيمة نقطية لكل عميل محتمل في قاعدة بياناتك لتحديد استعداده ورغبته في شراء منتجك.

تقديم الأدلة

تتم عملية تقييم العملاء عادة بطريقة قديمة تتمثل في المسح وإعطاء النقاط، حيث يقوم خبير في هذا المجال بالبحث في أي قاعدة بيانات عن مشترين محتملين ويعطي الأولوية لأولئك القليلين الذين يظن بأنهم سيقومون على الأرجح بالشراء في هذا المجال بالتحديد.

تتعامل خوارزمية تقييم العملاء مع البيانات التاريخية للعملاء وتحدد أنماط التركيبة السكانية والسلوكيات والرسائل والقنوات والموسمية وغيرها من الأبعاد الأخرى، ثم تقوم تلقائيًا بإعطاء الأولوية لقاعدة البيانات من خلال درجة تُعطى لكل عميل محتمل على حده فيما يتعلق باستعداده ورغبته في الشراء. خلال هذه العملية، تقوم خوارزمية التعلم الآلي بتصنيف العملاء المحتملين/العملاء داخل قاعدة البيانات إلى شرائح سلوكية متعددة ليستطيع المدراء فهم الجمهور بشكل أفضل.

كما هو موضح بصورة المنصة أعلاه، تم تقسيم عملاء هذه الشركة إلى 10 شرائح أساسية تبعًا لسلوكهم فيما يتعلق بمجموعة المنتجات التي يرغب العميل في الاهتمام بها.

"الأبطال" هم بالطبع أولئك الراغبون والقادرون على شراء المنتج مباشرةً. أما شريحة "المعرضين للخطر"، فهم على وشك المغادرة للشراء من مورد آخر أو شركة أخرى ويحتاجون اهتمامًا فوريًا.

يُمنح جميع العملاء المحتملين في كل شريحة درجة سلوكية تعتمد عليها الخوارزمية في تخصيص العميل المحتمل إلى الفئة المناسبة كما هو موضح ومحدد في صورة المنصة أدناه.

الصورة: من منصة كونان لتفعيل التعلم الآلي التابعة لسينابس انالاتكس

يمكن لمدخلات البيانات لهذا النموذج أن تكون كما يلي:

1. بيانات ديموغرافية (الوظيفة، العمر، النوع، محل الإقامة، المسمى الوظيفي، إلخ)

2. بيانات سلوكية (التفاعل مع البريد الإلكتروني، الاستمارات، خصائص الويب، الندوات الإلكترونية، إلخ)

3. بيانات التجزئة (جزء من جماعة معينة، عميل سابق، القناة التي تم الحصول على العميل منها ، إلخ)

ستنظر فرق المبيعات إلى القائمة المرتبة تلقائيًا للعملاء المحتملين الأكثر استعدادًا للشراء، على سبيل المثال، أولئك الذين تقييمهم < 0.7 (70%)، بينما سيستطيع المسوقين تحديد العملاء المحتملين الذين يحتاجون إلى اهتمام أكبر، وهم من يقعوا بين تقييم 0.3 و0.6، والبدء في التفاعل معهم لجعلهم أكثر استعدادًا للشراء عن طريق استراتيجيات وأفكار وصول مختلفة.

يضمن ذلك ألا تضيع فرق المبيعات وقتًا مع العملاء المحتملين الذين لن يقوموا بالشراء، بينما تستطيع فرق التسويق الاستمرار في التواصل مع أولئك الذين سيشترون في المستقبل حتى لا يخسروهم، وذلك من خلال العروض المستمرة والتواصل المنتظم.

بالإضافة إلى ذلك، يستطيع فريق التسويق لديك فهم القنوات الأفضل لاستهداف كل شريحة من أجل مجموعة منتجات أو عروض بعينها. سيتمكن الفريق أيضًا من التنبؤ بشكل أكبر بنتائج حملاته بناءً على قيام التعلم الآلي بنمذجة قاعدة عملائه والتنبؤ بمشاركتهم وتحويلهم. ناهيك عن استطاعة فريقك التجاري تخصيص ميزانياته بشكل أفضل لتقليل تكلفة الاستحواذ على العملاء المحتملين والاحتفاظ بالعملاء الحاليين بشكل أفضل، ويمكن رؤية ذلك بوضوح في الرسم التوضيحي للمنصة أدناه.

الصورة: من منصة كونان لتفعيل التعلم الآلي التابعة لسينابس انالاتكس

يستطيع علماء البيانات Data Scientists، بالإضافة إلى المسوقين ومدراء المبيعات، إنشاء خوارزميات التعلم الآلي لتقييم العملاء والتي يمكنها زيادة معدلات تحويل العملاء المحتملين إلى عملاء فعليين بشكل كبير، وذلك عن طريق تقديم تجربة أفضل لعملائك وتكثيف مبادرات وأنشطة التسويق الخاصة بك وضمان زيادة إنتاجية أنشطتك التجارية.

وفقًا لستو شميت، نائب رئيس قسم مبيعات الحلول بشركة سيسكو ويبيكس، أن زيادة جودة العملاء المحتملين بنسبة 10% فقط تؤدي لزيادة إنتاجية المبيعات بنسبة 40%.

تحليل التأثير

نظرًا لبحث الشركات دائمًا عن مبادرات يدفعها مبدأ التأثير، فلنستعرض أحد السيناريوهات لرؤية تأثير تقييم العملاء القائم على التعلم الآلي.

لنفترض أن شركتك، تُدعى A & Co.تضم 10 ممثلي مبيعات. ولأننا نهتم بحالة تستخدم علوم البيانات في مصر، فلنفترض أن متوسط الراتب لكل منهم هو 240,000 جنيهًا مصريًا (15,000 دولار أمريكي) سنويًا.

يمكننا أن نفترض قيام فريق التسويق لديك بتحويل 1,000 عميل محتمل شهريًا. نحن نعلم بوجود متوسط 60-70% من العملاء المحتملين السلبيين في أي قائمة للعملاء المحتملين، لذا قد يصعب قليلًا حساب تكلفة الفرصة لمثل هذه الإحصائية، ولكن يمكننا تقدير تكلفة العملاء المحتملين السلبيين عن طريق ضرب 240,000 جم * 10 * 70% = 1,680,000 جنيهًا مصريًا سنويًا. هذه هي تكلفة العملاء المحتملين السلبيين الذين لم يتحولوا أبدًا إلى عملاء يقومون بالشراء.

من ناحية أخرى، لنفترض أن معدل تحويل العملاء المحتملين إلى مشترين هو 3%، وأن القيمة المتوسطة للمبيعات تبلغ حوالي 200,000 جنيهًا مصريًا (1,270 دولارًا أمريكيًا تقريبًا). إذا أتم فريق المبيعات 30 عملية شراء شهريًا، سوف يُدر الفريق دخلًا بقيمة 6,000,000 جنيهًا مصريًا شهريًا (382,160 دولارًا أمريكيًا تقريبًا)، وهذا من شأنه أن يُدر عائد قدره 468,000,000 جنيهًا مصريًا (29,808,000 دولارًا أمريكيًا تقريبًا).

لتبسيط الأمر، لنفترض بأن معدل التحويل 30% ثابت شهريًا لمدة 12 شهرًا.

تقرر الشركة بعد ذلك الاستعانة بأفضل علماء البيانات في مصر لمساعدة فرق التسويق والمبيعات على بناء نموذج مبدئي لتقييم العملاء بناءً على التعلم الآلي لزيادة معدل التحويل. نظرًا لأنك في المراحل الأولى من اعتماد النموذج، فيمكننا التنبؤ بأن النموذج المبدئي سيزيد معدل التحويل الحالي بنسبة 5%.

سوف يزيد هذا معدل التحويل البالغ 3% إلى 3.15%، حيث ستتم 31.5 عملية بيع شهريًا مما يزيد الإيرادات الشهرية من 6,000,000 إلى 6,300,000جنيهًا مصريًا.

إحدى المعلومات الأساسية عن نماذج التعلم الآلي هي أنها تعمل بشكل أفضل كلما زاد استخدامها في العمليات وزاد تعاملها مع بيانات أفضل. إن استخدام منصات تفعيل التعلم الآلي MLOPS مثل منصة كونان سوف يضمن أن نماذج الإنتاج الخاصة بك تتحسن وتزداد دقتها مع الاستخدام اليومي.

بناءً على ذلك، فلنقل أن نموذج التعلم الآلي الخاص بك لتقييم العملاء يتحسن بنسبة 0.25% كل شهر.

عند إلقاء نظرة سنوية، سينتج نموذج التعلم الآلي الخاص بك معدل تحويل قدره 3.85 ٪ بعد 12 شهرًا، وهو ما سينتج عنه إيرادات إضافية بقيمة 92,000,000 جنيهًا مصريًا في السنة الأولى، وينتج عن ذلك إجمالي إيرادات سنوية بقيمة 559,489,052 جنيهًا مصريًا (35,636,245 دولارًا أمريكيًا تقريبًا).

ملخص التأثير

لنحاول تلخيص الحالة أدناه

رابط آلة حساب التأثير

أفكار ختامية

إذًا، مع نموذج تعلم آلي أولي لتقييم العملاء، حققت شركة A & Co. حوالي 1.5 عملية بيع إضافية شهريًا، وهو ما ينعكس مباشرةً على سمعتك. بالإضافة إلى ذلك، بينما يتحسن أداء النموذج، يزداد تعلم الآلة ودقتها، حتى تصل إلى معدل تحويل 3.85% بنهاية العام، مما يزيد إجمالي المبيعات بنسبة 20%

وكما هو موضح، يمكن أن يكون تقييم العملاء استثمارًا يُحدث تحولًا فائقًا لأي عمل يتطلع إلى النمو وتحقيق عمليات تجارية أكثر فاعلية، مع ضمان التفاعل مع العملاء المناسبين والاحتفاظ بالعملاء الحاليين.

إذا كنت تبحث عن الأدوات والتقنيات والكفاءات لبدء مبادراتك لتقييم العملاء مع شركتك، تضم سينابس انالاتكس فريق خبير من علماء البيانات ومهندسي التعلم الآلي ومهندسي البرامج الذين يعملون على ابتكار منصة الذكاء الاصطناعي الخاصة بنا كونان التي يمكنها تنظيم عملك ورفع مستواه بشكل كلي. لا تتردد في الاتصال بنا في أي وقت للمزيد من المعلومات عن كيفية بدء وتشغيل تطبيق كونان في عملك.

*كونان: كونان هي منصة تفعيل التعلم الآلي تساعد عملائنا على تفعيل نماذج التعلم الآلي الخاصة بهم لتعجيل تأثير التعلم الآلي إلى جانب سد الفجوة القائمة بين علماء البيانات ومدراء التطبيقات/تكنولوجيا المعلومات والمستخدمين.