Контекст:
Doctolib предоставляет программные решения медицинским специалистам по подписке €129 в месяц. Продажами занимаются внутренние команды, которые связываются с потенциальными клиентами (врачами и другими специалистами).
В рамках этого кейса предполагается, что в конце 2016 года команда продаж получила базу из 300 000 потенциальных клиентов. Эта база не обновлялась и не пополнялась новыми контактами в течение следующего года.
Команда аналитиков Doctolib разработала скоринговую модель, которая присваивает каждому потенциальному клиенту баллы от 0 (наименьшая вероятность стать клиентом) до 100 (наибольшая вероятность). Баллы рассчитываются на основе характеристик клиентов и бизнес-правил, определённых коммерческой командой. Каждое значение и критерий имеет назначенное количество баллов. Модель не обновлялась с момента запуска.
Команда продаж видит как список клиентов, так и присвоенные им баллы. Эта информация используется для приоритизации и увеличения количества новых клиентов
Основные определения:
Prospect (потенциальный клиент): Лицо, с которым может связаться команда продаж.Client (клиент): Потенциальный клиент, с которым подписан договор (есть дата подписи).Bucket (группа): Интервальный диапазон значений скоринга (например, 0–10, 10–20 и т.д.)Meeting Rate (MR): Кол-во встреч / кол-во потенциальных клиентов.Transformation Rate (TR): Кол-во клиентов / кол-во встреч.Signature delay: Разница в днях между датой встречи и датой подписания контракта.
Данные представлены в виде CSV-файлов и включают следующие таблицы:
business_dev: сотрудники команды продажprospects: список потенциальных клиентовscores: скоринговые баллы для каждого клиентаmeetings: встречи между продавцами и потенциальными клиентами (дата встречи)contract_signature_dates: даты подписания контрактов с клиентами
Задание:
В январе 2018 года руководитель отдела продаж обращается к вам, как к аналитику данных Doctolib, чтобы понять, как продвигается эта инициатива.
Ваша задача — провести глубокий анализ данных и ответить на следующие вопросы:
1. Работает ли модель скоринга?
Оцените эффективность модели в прогнозировании вероятности, что потенциальный клиент станет клиентом.Проанализируйте корректность распределения баллов по отдельным признакам: медицинская специальность, возраст, география.
2. Используется ли модель скоринга командой продаж?
По данным о том, кто был контактирован, оцените, использовалась ли модель скоринга.Меняется ли использование скоринга со временем?
3. Есть ли связь между эффективностью продавцов и использованием скоринга?
Можно ли сопоставить показатели конкретных продавцов с уровнем использования скоринга
4. Дополнительные инсайты по данным.
Есть ли что-то важное, что вы можете заметить при работе с данными?
5. Потенциальный эффект от более активного использования скоринга:
Какую методологию вы бы предложили для оценки влияния повышения использования скоринга на число клиентов и выручку?Примените эту методологию и дайте предварительную оценку.
6. Презентация для руководства (1 слайд):
Кратко сформулируйте доводы, которые помогут убедить команду продаж активнее использовать скоринг.
Ожидаемые результаты:
Презентация (на английском, но можно на французском), рассчитанная на 20 минут (10–15 слайдов максимум). Презентация должна быть подготовлена до встречи с руководителем отдела продаж, он ознакомится с ней заранее.Код, SQL-запросы и визуализации, которые использовались для анализа.