استفاده از اطلاعات سی ار ام برای پیش بینی نرخ تبدیل مشتریان بالقوه (خواهان) به مشتریان بالفعل (مشتری واقعی)

در مقاله زیر، عبارت “مشتری” گاه بعنوان مشتری واقعی و گاه بعنوان “خواهان” استفاده شده است و قطعا خواننده مطالب این مطلب را با توجه جملات موجود درک خواهد کرد.همچنین منظور از نرخ تبدیل مشتری همان نرخ تبدیل مشتری بالقوه(خواهان) به بالفعل می باشد.

یک ضرب المثل قدیمی می گوید”حدودا نصف هزینه بازاریابی به هدر می رود” مشکل اینست که هیچ کس نگفته کدام نصفه آن
همه دپارتمانهای بازاریابی و فروش سعی در ساده و بهینه سازی امور داخلی خود هستند.

همه مدیر فروشها تلاش می کنند حداکثر فروش را با کمترین هزینه داشته باشند و یا حداقل در هر فروشی بصورت موردی کمترین هزینه را انجام دهند که در نهایت بیشترین سود را عاید شرکت کنند.

متدها و برنامه های فروش و بازاریابی زیادی هست که بصورت روزمره از ان استفاده می شود، خیلی از آنها در کتب و مجلات مختلف نوشته شده و مدیران و کارمندان فروش بر اساس آنها حداکثر سعی خود را برای بازاریابی و فروش محصول یا سرویس خود انجام می دهند.

ولی نکته مهم اینست که تمامی این متدها و روشهای فروش درصورتیکه از طریق سیستم سی ار ام انجام شوند قطعا نتایج بهتری را در درازمدت و کوتاه مدت خواهند داشت.

بعبارتی تمامی متدهای فروش و بازاریابی باید در سیستم سی ار ام پیاده سازی شده و از طریق سی ار ام اجرایی گردند.

این عمل یک سرمایه گذاری بزرگ در زمان، منابع و هیجانات کاری است.

مسلما مدیران فروش قدیمی کمی از تحلیلهای پیشبینی واهمه دارند، چراکه اگر نتایج این تحلیلها در مثلا دو خط یا با یک دیاگرام ساده قابل بیان نباشد فهم این تحلیلیها و این که چگونه این تحلیلها می تواند فروش آنها را بالا ببرد کمی سخت خواهد بود.

بهترین پاسخ به این مدیران ساده سازی فرآیندهای فروش برای تمرکز بر مواردی است که بیشترین پتانسیل برای تبدیل شدن به یک مشتری ارزشمند را دارد. یا بعبارتی دانستن اینکه چه مواردی (سرنخ) دارای پتاسیل بالایی برای تبدیل شدن به مشتری دارد و چه مواردی را نباید برای آنها زمان صرف کرد.

دیتابیس سی ار ام کلید این مشکل است

اولین مرحله، نگاهی عمیقتر به دیتابیس سی ار ام می باشد. با امید به اینکه اطلاعات سی ار ام در زمان خود و درست وارد شده باشد. سیستم سی ار ام مشخص می کند مشتری از کجا آمده است (نوع سرنخ)، تعداد تماسهایی که توسط این مشتری انجام شده و زمان اولین تماس و سایر تماسها برای مشخص کردن اینکه چقدر مشتری در این خرید جدی می باشد.

موارد فوق فیلدهای پایه ای است که باید در ابتدا بررسی شود. با این اطلاعات یک مدل تحلیلی پیشبینی قابل طراحی است و این مدل بهترین سرنخها برای تبدیل خواهان به مشتری را مشخص خواهد کرد.

همچنین بعد زمان هم قسمتی از این مدل خواهد بود. به این معنی که ممکن است یک مورد نرخ تبدیل بالاتری (تبدیل از خواهان به مشتری واقعی) نسبت به سایر موارد داشته باشد ولی زمان بیشتری بگیرد.

گسترش مدل فوق جهت بهبود نرخ تبدیل

اگرچه که دانستن اینکه چه کسی سریعتر خرید می کند خیلی کاربردی است ولی اضافه کردن برخی فیلدهای دیگر مدل تحلیلی پیشبینی ما را جالبتر خواهد کرد.

حداقل اضافه کردن فیلدهای ساده به فرایند مدلینگ ما خیلی کمک خواهد کرد. مثلا اینکه نگاهی به منطقه جغرافیایی بیندازیم یا شاید دانستن اندازه سازمان یا شرکتی که خواهان محصول ماست خیلی در پیشبینی های ما موثر باشد.

یا حتی نوع صنعتی که علاقمند محصول ماست. بعضی مواقع مکان یا سایر فیلدهای ذکر شده فوق تفاوتهای زیادی در نرخ تبدیل ایجاد خواهند کرد.

فیلدهای فوق معمولا در تمامی سی ار ام هایی که درست طراحی و تولید شده اند بعنوان فیلدهای اولیه ورودی در نظر گرفته شده است. در برخی از سی ار ام ها علاوه بر این موارد امکان تعریف فیلدهای اختصاصی بسته به نوع شرکت/سازمان وجود دارد. برای نمونه سی ارام فارسیکام (روش)

بهینه سازی فرایند

پس از اضافه کردن منطقه جغرافیایی به مدل فوق، مرحله بعدی بهبود این مدل با توجه به نوع صنعت، محصول و یا سرویسی است که ارائه می دهید.

واضح است که شرکتها می توانند نرخ تبدیل را بر اساس محصولات خریداری شده در این نمودار (یا همان مدل) مشاهده کنند. شاید یک سری موضوعات عمیقتر هم در کارا بودن این مدل کمک کند. مثلا نوع تماس، فرمت پروپوزال و زمان خرید محصول یا سرویس

انتخابهای متفاوت

الگوریتمهای متفاوت و کاربردی زیادی برای مدلینگ فرایند نرخ تبدیل وجود دارد. برخی از آنها مثل آنالیز بیزی (Bayesian analysis) واقعا قدرت خوبی برای بیان دلایل دارند.

برخی دیگر هم مثل شبکه های عصبی (neural networks) برای بیان عبارات و اصطلاحات تجاری خیلی سخت و پیچیده هستند حتی برای متخصصین آمار. به هر حال انتخاب الگوریتم بستگی به نوع داده و نوع خواسته شما دارد.

اگرچه که مدیران و پرسنل فروش نباید درگیر جزئیات تحلیلهای تکنیکی شوند، ولی باید خروجی حاصل از فرآیندهای مدلینگ را درک کنند. مدیریت فروش باید قادر به ایجاد فرآیندهای فروش و پایش روند اعمال آن بر مدل پیشبینی برای ایجاد فرصتهای جدید باشد.

واضح است که با گذشت زمان نوع مشتریان، علاقمندیهای آنان و … ممکن است تغییر کند، بنابراین اینگونه مدلها باید بطور مداوم بازنگری و بروز شوند.