В этой статье разобрано, когда предиктивный скоринг применим, как устроена модель из трёх осей, почему объяснимость экономит деньги, как собрать скоринг за вечер и где машинное обучение всё-таки уместно.
Почему один балл вероятности проваливается на планёрке
Предиктивный скоринг продают одинаково во всём мире. Алгоритм смотрит сотни признаков, учится на закрытых сделках и выдаёт балл вероятности покупки. Demandbase описывает это именно так, 6sense строит на этом целую платформу. Логика красивая.
Проблема начинается на планёрке. Продавец спрашивает, почему компания, с которой он общается третий месяц, получила 34 балла, а незнакомая контора из соседнего региона 81. Ответ «так решила модель» заканчивает разговор и убивает доверие к системе. Дальше менеджеры работают по своему списку, а скоринг живёт отдельной жизнью в отчётах.
Это не проблема качества алгоритма. Это проблема принятия. Модель, которой не пользуются, стоит ровно ноль независимо от точности.
Три условия применимости предиктивной модели
Она даёт результат, когда выполнены все три пункта одновременно.
Много закрытых сделок. Моделям нужны сотни выигранных и проигранных примеров, чтобы найти закономерность. В российском B2B со средним чеком от миллиона рублей компания закрывает десятки сделок в год, а не сотни.
Стабильный рынок. Модель учится на прошлом. Если за два года у вас поменялся продукт, ушли западные конкуренты и открылись новые ниши, прошлое плохо предсказывает будущее.
Внешние данные о намерениях. Bombora, G2 и TechTarget собирают, какие компании изучают вашу категорию. В России этот слой недоступен, и предиктивная модель остаётся без половины входных признаков.
| Условие | Западный enterprise | Российский средний B2B |
|---|---|---|
| Число закрытых сделок в год | Сотни и тысячи | Десятки |
| Стабильность рынка и продукта | Высокая | Изменения каждые год-полтора |
| Внешние данные о намерениях | Доступны за деньги | Недоступны |
| Итог | Предиктивная модель оправдана | Объяснимая модель точнее |
Если хотя бы один пункт не выполняется, объяснимый скоринг даёт результат ближе к реальности. И его можно защитить перед коммерческим директором.
Три оси вместо одного балла
Мы считаем не общий балл, а три независимых измерения. Каждое отвечает на свой вопрос.
Ось первая: RFM, деньги и история
Давность последней сделки, частота обращений, сумма. Классика розничной аналитики, которая в B2B работает не хуже при правильных порогах. Оценка по каждому параметру от одного до пяти, дальше компании складываются в понятные группы: постоянные, лояльные, перспективные, в зоне риска, спящие.
Главная ошибка при переносе из розницы это шаблонные пороги. Для цикла в три месяца давность до тридцати дней это пятёрка. Для цикла в год пятёркой будет полгода. Если взять розничные границы, здоровая часть базы уедет в группу риска.
Ось вторая: стадия жизненного цикла, движение
Компания пришла, тестирует, активна, начала уходить, ушла, вернулась постоянной. Переходы между шестью состояниями считаются по цепи Маркова, то есть по накопленной статистике переходов вашей же базы.
RFM показывает, кто ценен сейчас. Стадия показывает, куда компания движется. Клиент с высоким RFM, который третий месяц катится вниз, и клиент с тем же RFM на подъёме требуют разных действий.
Ось третья: вовлечённость, интерес прямо сейчас
Взвешенная сумма событий. Открытие письма даёт один балл, клик три, участие в вебинаре десять, запрос демонстрации двадцать, запрос консультации тридцать. Шкала открытая, у активных компаний она уходит за двести.
Два правила, без которых показатель врёт. Событие месячной давности весит меньше свежего, иначе в лидерах окажутся те, кто активничал год назад. И события всех сотрудников одной организации складываются, иначе вы не увидите, как собирается закупочный комитет.
Почему оси не сводятся в один показатель
Компания с высоким RFM и нулевой вовлечённостью и компания с нулевым RFM и высокой вовлечённостью получают разные сценарии работы. При едином балле они слились бы в одну строчку рейтинга и получили одинаковое письмо.
| Профиль компании | RFM | Стадия | Вовлечённость | Что делать |
|---|---|---|---|---|
| Крупный клиент замолчал | Высокий | Риск ухода | Низкая | Вернуть в диалог одним вопросом |
| Новый активно изучает | Низкий | Новый | Высокая | Ускорить, дать расчёт и демонстрацию |
| Стабильно покупает | Высокий | Активный | Средняя | Расширять на смежный продукт |
| Давно не появлялся | Низкий | Спящий | Нулевая | Одно полезное касание в квартал |
Почему объяснимость экономит деньги
Спор с продажами разрешается за минуту. Открываете карточку, показываете три числа и историю событий. Менеджер либо соглашается, либо приносит факт, которого нет в системе. Второе даже полезнее, потому что факт попадает в базу.
Веса настраиваются под ваш цикл сделки. Ручка настройки должна быть у вас, а не у поставщика модели.
Модель не рассыпается на малых данных. Триста компаний достаточно для осмысленных сегментов. Предиктивная модель на трёхстах примерах даст красивый балл и случайный результат.
Ошибку видно сразу. Если сегмент «постоянные» набился компаниями, которые год назад закрылись, вы увидите это в первой же выгрузке. В чёрном ящике та же ошибка проявится через квартал плохой конверсией.
Как собрать скоринг за один вечер
Порядок, который мы рекомендуем дизайн-партнёрам.
Первое. Выгрузите базу с полями: ИНН, название, отрасль, дата последней сделки, количество сделок, сумма сделок, контактное лицо, должность.
Второе. Проверьте дубли по ИНН. Самый частый источник кривых сегментов в amoCRM и Битрикс24.
Третье. Задайте границы RFM под свой цикл. Отправная точка это медианный интервал между покупками по вашей базе, а не среднее.
Четвёртое. Опишите профиль идеального клиента через признаки, которые есть в базе. Отрасль, выручка, регион, наличие профильного специалиста в штате, канал прихода. Ручной скоринг по атрибутам ICP делается до включения автоматики, а не вместо неё.
Пятое. Разложите сегменты по приоритету. Матрица с осями «привлекательность клиента» и «наша позиция», известная как матрица GE и McKinsey, подходит лучше линейного рейтинга, потому что показывает, где нужны разные действия, а не разная интенсивность одного действия.
Шестое. На каждый сегмент повесьте сценарий из трёх-четырёх касаний. Пять сегментов, пять сценариев. Больше на старте не нужно.
Как проверить, что модель настроена верно
Три проверки, которые занимают час.
Проверка на согласие продаж. Возьмите десять компаний, которые менеджеры считают лучшими. Посчитайте по ним три оси. Совпадение означает, что модель отражает реальность.
Проверка на распределение. Если в один сегмент попало больше сорока процентов базы, пороги заданы слишком широко.
Проверка на мёртвые записи. Выборочно откройте десять компаний из верхнего сегмента и проверьте, существуют ли они и работают ли с вами.
Где предиктивная модель уместна
Не хочу выглядеть противником машинного обучения. Оно выигрывает там, где признаков много, а человек их в голове не удержит: прогноз оттока по поведению в продукте, подсказка следующего действия, поиск похожих компаний по описанию деятельности. Мы используем градиентный бустинг именно на таких задачах.
Разница в роли. Предиктивная часть подсказывает, объяснимая решает. Когда наоборот, маркетинг перестаёт понимать собственную базу.