4 października 2021
Jak mierzyć wartość data science w biznesie?
Sprzedaż musi generować wartość dla klienta. Wartość w biznesie oznacza, coś bardzo namacalnego czym może być zwrot z inwestycji. Inwestycja w projekt analityczny powoduje zwiększenie sprzedaży lub ograniczenie kosztów. W rezultacie firma generuje wyższe zyski.
W ramach naszych projektów generujemy wartość na kilka sposobów:
Pozyskujemy więcej klientów
Projekty takie jak analiza lejka (funnel analytics), modelowanie zachowań klientów i priorytetyzacja leadów pomaga w pozyskiwaniu większej liczby klientów, powiększając tym samym sprzedaż.
Zwiększamy wartości klienta (Life Time Value)
Projekty takie jak segmentacja behawioralna, prognozowanie churn-u i silniki do rekomendacji podwyższają średnią kwotę, jaką klient wydaje na zakupy (na przykład na transakcję lub w danym okresie).
Redukujemy koszty
Projekty typu optymalizacja poziomu zapasów i logistyki, symulacje scenariuszowe mają na celu redukcję kosztów –na przykład poprzez poprawę przepustowości z magazynu do sieci dystrybucji.
Oszczędzamy czas
Text mining i wizualizacja danych skracają czas spędzany na wykonywaniu rutynowych zadań, takich jak obsługa zgłoszeń klientów, zestawianie KPI (kluczowych wskaźników oraz statystyk wydajności) z całej firmy.
Dokładne znaczenie każdej kategorii zależy od charakteru organizacji.
Projekty skupione na pozyskiwaniu klientów i wartości życiowej (LTV) zwiększają przychody. Analizy skupione na oszczędnościach czasu i kosztów zwiększają rentowność, bezpośrednio lub pośrednio, poprzez poprawę wydajności.
W ramach każdego z powyższych obszarów istnieją określone wskaźniki służące do mierzenia wartości generowanej przez projekt analityczny.
10 najpopularniejszych miar wartości projektów analitycznych
1. Analiza lejka (funnel analysis)
Analiza lejka polega na eksploracji danych dotyczących kliknięć na stronach internetowych w celu zidentyfikowania obszarów o wysokim współczynniku odrzuceń lub niskim zaangażowaniu klientów. Rozwiązaniem są testy A/B i wprowadzanie zmian w witrynie na tej podstawie.
2. Priorytetyzacja leadów
Modele mogą wskazywać leady, do których kierujemy działania sprzedażowe. W celu porównania realizujemy działania do leadów wskazanych przez model i do tej części, która nie została wskazana. Mierzymy wartość przez porównanie różnicy w konwersji między leadami wg wskazań modelu i bez.
3. Segmentacja behawioralna
Grupowanie klientów według informacji behawioralnych pozwala na spersonalizowane komunikaty, które zwiększają pozytywną reakcję klienta. Personalizujemy treści na podstawie danych behawioralnych. Dla mierzenia wartości pozostawiamy grupę kontrolną, do której są kierowane komunikaty bez personalizacji. Mierzymy wzrost zaangażowania na podstawie analizy behawioralnej i porównujemy z grupą kontrolną.
4. Prognozy churn
Korzystając z uczenia maszynowego, przewidujemy, którzy klienci najprawdopodobniej przestaną korzystać z produktu lub usługi. Wysyłamy oferty zachęcające do kontynuacji korzystania z usługi do klientów o wysokiej skłonności do churn. Porównujemy LTV grupy wskazanej przez model vs LTV grupy kontrolnej (co do której nie były prowadzone działania utrzymaniowe).
5. Silnik rekomendacji
Sprzedając produkty w różnych kombinacjach, analizujemy dane w celu znalezienia dobrze ze sobą skorelowanych pakietów. Wyświetlamy rekomendowane produkty za pośrednictwem strony internetowej. Mierzymy wzrost zaangażowania (uplift) na podstawie rekomendacji i porównujemy z wynikami grupy kontrolnej.
6. Optymalizacja zapasów
Prognozujemy popyt w celu utrzymania optymalnego poziomu zapasów. Prognozy zmniejszają koszty magazynowania, poprawiają wydajność procesów logistycznych. Testujemy nową strategię opartą o prognozy dla wybranej grupy produktów.
7. Optymalizacja logistyki
Algorytmy routingu mogą określać optymalne rozmieszczenie hubów wysyłkowych i przydzielać poszczególne przesyłki w najbardziej efektywny sposób. Testujemy na danych historycznych (back testing) zoptymalizowaną strategię w celu sprawdzenia nowej koncepcji. Mierzymy redukcję kosztów transportu.
8. Symulacje scenariuszowe
Budujemy cyfrowego bliźniaka działalności biznesowej. Dzięki temu możemy dokładnie symulować przyszłe scenariusze, aby zoptymalizować wydajność i strategię. Testujemy na danych historycznych (back testing). Mierzymy redukcję kosztów alternatywnych.
9. Text mining
Algorytmy text mining pozwalają automatycznie klasyfikować i odpowiadać na przychodzące wiadomości e-mail. Automatycznie klasyfikujemy i odpowiadamy na przychodzące e-maile wg wskazań algorytmu text mining . Mierzymy czas oraz dokładność klasyfikacji i porównujemy z grupą kontrolną.
10. Dashboardy
Wciągający, funkcjonalny zestaw interaktywnych pulpitów nawigacyjnych może znacznie skrócić czas poświęcany na tworzenie raportów ad hoc. W przypadku najczęstszych żądań tworzymy zestaw pulpitów nawigacyjnych, aby umożliwić użytkownikom samoobsługę. Mierzymy skrócenie czasu między zleceniem a wygenerowaniem żądanego raportu.
Wartość data science polega na wykorzystaniu danych i metod analitycznych, które prowadzą do zwiększenia sprzedaży lub redukcji kosztów. Raz wdrożone mogą być wykorzystywane wielokrotnie, generując stały zwrot na inwestycji.