CRM-системы оказались чрезвычайно полезными в обеспечении менеджеров показателями для оценки успеха инициатив и производительности сотрудников, но были менее успешными в других областях и, как правило, не оправдывали ожиданий. (3,4) Со временем эти программы превратились в дорогостоящие и сложные информационные панели продаж или системы очистки билетов и предлагают очень мало возможностей автономной аналитики или прогнозирования.
«Что CRM-системы не смогли сделать и продолжают делать, так это дать действенную информацию о будущем поведении потребителей, которую компании могут использовать для направления своих усилий и стратегий».
С начала 2000-х годов такие компании, как Siebel, Salesforce.com и Peoplesoft, интегрировали аналитические функции в свои системы CRM, чтобы помочь компаниям извлекать больше пользы из данных о клиентах.(8) С добавлением аналитических возможностей системы CRM начали продвигать границы того, для чего изначально были разработаны эти программы, в мир бизнес-аналитики (BI). Чего CRM-системы не смогли сделать и продолжают делать, так это дать действенную информацию о будущем поведении потребителей, которую компании могут использовать для управления своими усилиями и стратегиями.
«Самым последним технологическим достижением в системах CRM является использование машинного обучения, которое может изменить всю отрасль».
Несмотря на то, что в недавней истории в CRM-системах было несколько замечательных инноваций, основным барьером на пути к надежности аналитики продаж CRM является то, что сами системы предназначены для обслуживания интересов менеджеров и не добавляют никакой ценности агентам по продажам, ответственным за ввод информации. . У торговых агентов нет другого стимула, кроме оценки производительности, для того, чтобы по-настоящему использовать эту технологию, потому что она не помогает им лучше выполнять свою работу и не сообщает им ничего, чего они еще не знают. Кроме того, CRM-системы отображают информацию о клиентах и возможностях продаж с точки зрения бизнеса и с точки зрения бизнеса, но почти ничего не говорят о том, как клиенты на самом деле думают, чувствуют или принимают решения. Продажа и покупка — это две стороны одной медали, и не имеет смысла, чтобы эти системы всегда отображали только деловую сторону. (5)
Sheng and Guergachi (2011) разработали структуру, в которой применяется целостный подход к моделированию поведения при обмене с акцентом на процессы покупки потребителей. (1) Эта структура использует концепции из психологии и социологии, чтобы отразить взаимозависимый характер обмена и обеспечивает хорошую основу. для любой целостной системы аналитики продаж. Часть этой схемы описывает пять отдельных этапов процесса покупки (PPP), через которые проходят клиенты, принимая рациональные решения о покупке. Поскольку каждый из этих этапов требует немного отличающегося подхода к продажам, возможность вовлечь клиентов в этот процесс может оказаться ценной для агентов по продажам при определении того, как лучше всего общаться с клиентом и готовиться к взаимодействию. Фаза покупки по существу определяет характер взаимодействия, но, поскольку процесс не обязательно линейный или даже последовательный, фазы, вероятно, будет трудно идентифицировать и отслеживать, и именно поэтому важно установить идентификаторы для определения фазы клиента. на каждом этапе процесса. Хотя Guergachi и Sheng (2011) предложили, чтобы определение фазы основывалось на мнении торгового агента, существует технология, позволяющая определить объективность фазы клиента на основе характера взаимодействия при обмене. В связи с растущей потребностью предприятий электронной коммерции в том, чтобы лучше понимать своих клиентов, было много достижений в создании таких выводов на основе информации, которая ограничена информацией, полученной при покупках в Интернете. В некоторых из этих методов используются лингвистические подходы для определения потребительской валентности на основе отзывов клиентов (17), а в последнее время компании используют технологии машинного обучения для анализа данных общения с клиентами (18).
Агенты по продажам, похоже, по своей природе неохотно разглашают информацию о продажах, а их отсутствие участия в системах CRM подчеркивает важность того, чтобы компании могли объективно определять критерии, которые будут использоваться в прогнозной аналитике. Независимо от того, являются ли критерии фазами ППС или любыми другими элементами структуры X-Be, необходимо, чтобы данные были непротиворечивыми и надежными. Включив информацию о потребительских покупках, компании могут рассчитывать на улучшенные прогнозы, действенное понимание потребительских предпочтений и принятия решений, а также целый ряд новых показателей. Компании часто обсуждают преимущества бизнес-моделей, ориентированных на клиента, или целенаправленных маркетинговых кампаний, но полагаются на данные низкого качества, чтобы делать статистические выводы. Проблема в том, что если мы когда-либо будем использовать информацию только о средних значениях, мы получим только средние результаты. Нам нужны системы, способные делать выводы о поведении потребителей, используя информацию, специфичную для каждого человека, и передавать ее агентам по продажам в режиме реального времени.
1) Шэн П. и Гергачи А. (2011). «Биржевое поведение в продажах и управлении продажами». Рутледж.
Есть много возможных причин, почему эти системы неэффективны4, одна из которых заключается в том, что они не могут в полной мере использовать потенциал технологии для предиктивной аналитики. обращаясь к другим программам, предназначенным для использования данных о потребителях таким образом, чтобы помочь компаниям достичь конкретных стратегических целей. Среди них есть программы, предназначенные для повышения удовлетворенности клиентов или оптимизации ресурсов компании путем предоставления в режиме реального времени информации о прибыльности потребительского сегмента или путем агрегирования информации от других функциональных подразделений. (10) Хотя многие программы или комбинации программ могут предоставлять аналитические инструменты, помогающие в принятии решений. их создание часто требует значительного времени и усилий, а компаниям требуется информация быстрее для поддержки взаимодействия с клиентами.7 CRM-аналитика в реальном времени стала важной функцией CRM-систем и находится в центре внимания Microsoft Dynamics CRM Analytics Foundation. Эта программа позволяет пользователям системы создавать метрики, отчеты и прогнозную аналитику намного быстрее и практически без усилий путем реструктуризации хранилищ данных в кубы аналитической обработки. (11) Хотя был достигнут значительный прогресс в повышении скорости и эффективности этих систем, CRM-системы сегодня обычно интегрируются с другими системами, такими как ERP, для предоставления более надежной информации и различных типов показателей. Было разработано несколько платформ аналитики продаж, которые предлагают методы агрегирования данных из нескольких функциональных подразделений (6), но этот тип агрегирования данных может быть громоздким и создавать проблемы, если он выполняется без надежной стратегии интеграции и управления данными или четкого представления о том, как Компания намеревается встроить свою бизнес-логику в систему. (12) Однако интеграция этих систем имеет свои преимущества, и если делать это постепенно и правильно, это может быть чрезвычайно полезным. (13,14) Самым последним технологическим достижением в системах CRM является использование машинное обучение, которое может изменить всю отрасль. В сентябре 2016 года крупнейший в мире поставщик CRM, Salesforce.com, объявил, что он внедрил в свою платформу расширенные возможности искусственного интеллекта, способные использовать все данные Salesforce для обучения моделей прогнозирования. ИИ Salesforce, Einstein, основан на передовом машинном обучении, глубоком обучении, прогнозной аналитике, обработке естественного языка и интеллектуальном обнаружении данных и даст пользователям возможность создавать свои собственные приложения на основе ИИ без помощи специалиста по данным. (15) Несмотря на то, что выпуск все еще является относительно новым, такие компании, как SalesChoice, которые используют механизм искусственного интеллекта для прогнозной аналитики, чтобы использовать технологию когнитивной науки, реагируют, подчеркивая совместимость своих систем с возможностями Salesforce Wave Analytic. (16)
2) Чжан Х., Чжоу Р., Ван Дж. и Чен С. (2016). «Подход FMCDM к принятию решений о покупке на основе облачной модели и теории перспектив в электронной коммерции». Международный журнал вычислительных интеллектуальных систем, ISSN: 1875–6891.
3) Фосс Б., Стоун М. и Экинджи Ю. (2008). «Что делает систему CRM успешной или неудачной?». Маркетинг баз данных и управление стратегией работы с клиентами, Vol. 15, 2, 68–78
4) «https://medium.com/@michael.mihalicz/how-can-companies-extract-value-from-crm-software-a4142df12af2#.tjklgq7l1»
6) Стакенас П., Десисто Р. и Сенгар П. (2012). Примените направленную аналитику продаж для достижения успеха: бизнес-аналитика для CRM и лидеров продаж. Gartner Опубликовано: 30 августа 2012 г.
7) Вудс, Э. «Почему аналитика CRM в реальном времени популярна. (Мнение)." Computer Weekly, 24 января 2002 г., с. 18. Академический OneFile, go.galegroup.com/ps/i.do?
8) Криль П. (2001). «Аналитика перерисовывает строчки CRM». Инфомир; 3 декабря 2001 г.; 23, 49; Проквест стр. 17
9) Смит Л. (2016). «5 причин, по которым предиктивная аналитика делает или разрушает CRM-систему». Database and Network Journal, 46.1 (февраль 2016 г.): стр. 17.
10) Ламонт Дж. (2010). «CRM-аналитика — множество вариантов». Мир КМ. апрель 2010 г.
11) Фергюсон Г. (2007). «Microsoft выпускает Dynamics CRM Analytics Foundation». eWeek (13 февраля 2007 г.)
12) Холл М. (2002). «CRM-аналитика: проблема интеграции». Computerworld, 18 февраля 2002 г.; 36, 8
13) Маклан С., Нокс С. и Пеппард Дж. (2011). «Почему CRM терпит неудачу и как это исправить». Обзор менеджмента MIT Sloan, лето 2011 г., том. 52, №4
14) Стивенс Л. (2001). «CRM Analytics — CRM BY SLICE — Запуск аналитики стоит дорого, поэтому компании сосредотачиваются на областях с клиентами». InternetWeek, выпуск: 856
15) Продажи (2016). «Salesforce представляет Salesforce Einstein — искусственный интеллект для всех». Ассоциация PR Newswire LLC
16) «http://www.saleschoice.com/the-predictive-generation-blog-series-448-deep-learning-the-rise-of-cognitive-science-technology/»
17) Крайбич И., Лу Д., Камерер К. и Рангель А. (2012). Модель рассеяния внимания распространяется на простые решения о покупке. Границы психологии, июнь 2012 г., том 3, статья 193.
18) Вертикальные новости (2015). "Машинное обучение; Datahug Sales Closer превращает CRM-системы в инструмент прогнозирования для продавцов». Журнал робототехники и машинного обучения
Аналитика продаж встречается с аналитикой поведения покупателей — целостный подход
