06.04.2017

Louhia DataLab: Tarjouksen läpimenon optimointi

Myyntigongin kolinaa ja avautuvien kuohuviinipullojen generoimaa pauketta.

On tullut vuosien mittaan tehtyä myyntiä ja kauppaakin on syntynyt. Joskus enemmän ja joskus vähemmän.

Jotta syntyy kauppaa, niin täytyy tehdä tarjouksia asiakkaille. Riippuen toimialasta ja tarjottavasta ratkaisusta, yhtä kauppaa kohden pitää tehdä 5-15 tarjousta.

Tarjouksien, varsinkin hyvälaatuisten, tekeminen on investointi ja mikään ei inhota myyntimiestä tai -naista enemmän kuin se, että omasta mielestä hyvälaatuinen ja asiakastarpeesta lähtevä tarjous ei voitakkaan. Silloin herää kysymys, että mitkä tekijät tai osa-alueet tarjouksessa kaatoivat kaupan mahdollisuuden tai  mitä osa-alueita olisi pitänyt säätää ja miten paljon, jotta kaupat olisivat tulleet kotiin? Tämä voi olla oikeastikin sellainen tuhannen taalan kysymys.

Voiko analytiikkaa hyödyntää tämän tyyppisen ongelman ratkaisussa? Kyllä voi.

Otetaan tarkastelun kohteeksi täysin kuvitteellinen teollista tukkukauppaa harrastava yritys. Yritys ei myy muttereita, vaan hieman laajempia kokonaisuuksia. Tuotekokonaisuus on konfiguroitavissa, joka johtaa siihen, että erilaisia tuoteyhdistelmiä on useita. Yrityksellä on myös palveluliiketoimintaa ja varaosamyyntiä. Toimintaa on kaikissa Pohjoismaissa ja sitä kautta myös varastoja.  Pääomaa on varastoissa kiinni reilusti, liikaa.

Yrityksellä on paljon ja ostohistorialtaan ja luokittelultaan (avainasiakkaita, hyviä ja kehitettäviä) eritasoisia asiakkaita, jotka sijaitsevat ympäri Pohjoismaita.

Yrityksellä on käytettävissään pitkältä ajalta tarjoushistoriaa: mitä tarjottu (laajuus), kenelle, milloin, mistä toimitus, paljonko maksaa, syntyikö kaupat yms. Koska kaikki tarjoukset eivät päädy kauppaan, niin yrityksessä herää tarve selvittää mitkä muuttujat vaikuttavat/selittävät kaupan syntymiseen. Asiakkaalla on myös hypoteesi: kuinka varastointi-, toimitusvarmuus ja hinta vaikuttavat tarjouksen läpimenoon?

Dataa on ja myös kykeneviä datatieteilijöitä eli ryhdytään töihin.

Kuten yleensäkin datan määrä ja laatukaan eivät pelkästään riitä analysoinnin aloittamiseksi eli ensin data laitetaan mallinnuksen vaatimaan asentoon ja viritetään työkalut toimimaan, tässä tapauksessa käytetään R- kieltä.

Dataa ajetaan erilaisten tilastollisten mallien läpi ja havaitaan, että parhaiten dataa selittää logistinen regressiomalli.

Logistinen regressio (engl. logistic regression) on tilastollinen malli, joka on erityistyyppi tavanomaisesta regressiomallista. Logistisessa regressiomallissa selitettävä muuttuja on dikotominen eli kaksiluokkainen muuttuja. Selitettävä muuttuja saa arvon 0 tai 1 siten, että se muuttujan luokka, jota halutaan ennustaa, saa arvon 1.

Logistisella regressioanalyysillä mallinnetaan vastemuuttujan ja selittävien muuttujien suhdetta. Toisin kuin tavanomaisessa regressiomallissa, vasteen odotusarvo on riski. Riski on todennäköisyys, että jokin tapahtuma tapahtuu suhteessa siihen, että se ei tapahdu.

Tässä tapauksessa dataa tutkailemalla tunnistetaan selittäviksi muuttujiksi  mm. tarjouksen laajuus, tuotteiden saatavuus varastossa, hinta, historiallinen hintasensitiivisyys, asiakkaan erilaiset ominaispiirteet ja joitakin muita.

Koska tätä blogia lukee meidän kilpailijoiden lisäksi myös liiketoimintaihmisiä, niin laitetaan pikakelaus päälle…

Iteratiivisen tekemisen ja yrityksen liiketoimintaihmisten kanssa käytyjen keskustelujen jälkeen datatieteilijöiden päällysmiehen päästä nousee valkoista savua ja hän saa kutsun tulla esittelemään tuloksia yrityksen johtoryhmälle.

Päällysmiehen esitys alkaa seuraavalla kalvolla:

Blogi_taulukko

Johtoportaan jäsenten Facebook- päivitykset ja Tinder- pyyhkäisyt vaihtuvat lasittuneisiin katseisiin, hallitsemattomiin nyökkäilyihin ja ymmärrystä imitoiviin ääntelyihin.

Onneksi päällysmies on ollut kaukaa viisas ja on kutsunut Louhian liiketoimintakonsultin paikalle muuttamaan kalvolla olevat numerot yrityksen liiketoimintaa koskeviksi havainnoiksi. Lasittunut katse kirkastuu ja mieli avautuu.
Dataa tutkimalla on löydetty yrityksen avainasiakkaiden osalta hintasensitiivisyyspisteitä (hinnan ylitys pudottaa kaupan todennäköisyyden merkittävästi), on tunnistettu tarjouksen laajuuteen liittyviä vaikutuksia, on tunnistettu tuotteiden toimitusaikojen ja saatavuuden yhteys tarjouksen läpimenoon ja on tunnistettu asiakkaiden ominaisuuksien yhteys kaupan todennäköisyyteen.

Yritys tekee saman tien muutoksia omaan hinnoittelustrategiaansa ja tunnistaa uusia analytiikan hyödyntämisalueita.

Tuhannen taalan kysymykseen tuli miljoonan dollarin vastaus.

 

 

 

 

Share
Contact Person

Blog writer

Juha Kostamo

Bilot Alumnus

Vincit Bilot

Bilot & Vincit have joined forces!

See where the story continues 

You have Successfully Subscribed!

Vincit Bilot

Bilot & Vincit have joined forces!

See where the story continues 

You have Successfully Subscribed!