Успевать в два раза больше, избавившись от клиентов-нытиков с помощью корреляционного анализа

Метод для менеджеров проектов от агентства контекстной рекламы 1jam.ru.

В ежедневной рутине вы перестаёте видеть, что 70% времени тратите на клиентов или проекты, с которых ничего не зарабатываете. На своём примере покажем, как собрать и проанализировать данные с помощью корреляционного анализа.

Метод сложноват, потребуется вникнуть на минут 30. Материал будет полезен только менеджерам проектов, особенно в сфере интернет-маркетинга, поэтому если сейчас некогда, то отложите статью в сторону. Материал узконаправленный, но поделиться идеей хочется.

Создаёте таблицу, где по строкам проекты, а по столбикам проблемы или признаки проектов, так у нас получается матрица с проектами и проблемами.

У нас агентство контекстной рекламы 1jam.ru, мы проводили исследование на низкобюджетных проектах, где вопрос ресурсов особенно актуален.

Каждый проект оцениваем на предмет наличия проблемы (или признака), например, в одном проекте проблема в отсутствии отчётности по лидам, из-за этого мы не можем оценить эффективность контекстной рекламы, и это создаёт «узкое место» проекта — ставим единицу.

Каждая проблема в том или ином образе присутствует в каждом проекте, здесь два правила:

Помимо проблем, можно добавить сторонние признаки, чтобы далее понять, что с чем коррелирует.

Считаем наиболее распространённые проблемы, то есть сколько раз проблема встречалась в проектах.

Далее транспонируем («переворачиваем» строку в столбик) строки с названиями проблем и частотой на другой лист, сортируем их по сумме.

Видим, какие проблемы встречаются чаще, но пока ещё не начинаем рубить с плеча, а идём дальше. Дело в том, что мы видим «Итерация > 2 недель», но нужно понять первопричины, то есть «Итерация > 2 недель» — это следствие, а не причина.

Создаём новую вкладку и на ней подготавливаем данные для корреляционного анализа. Для этого нужно просто в пустые ячейки добавить нолики.

Сами расчёты можно провести стандартным Excel-инструментом Data Analysis (анализ данных).

Выделяем данные, ставим чекбоксы, как на скриншоте, и считаем.

В новой таблице мы получим матрицу, где каждая проблема сравнивается с другой, а в ячейке пересечения указано значение корреляции.

Корреляция может принимать значение от -1 до +1, об этом есть хороший разбор в интернете, повторяться не будем. Матрица показывает, как сильно одни проблемы провоцируют другие.

Например, в ячейке пересечения «Много ресурсов на переговоры» с «Клиент не пользуется системой управления задачами и мессенджером» значение равняется 0,8.

Следовательно, мы можем сделать утверждение, что часто клиенты, которые не пользуются системой управления задачами и мессенджером, требуют больше времени менеджера, что логично.

Если значение -0,8, то результат обратный: клиенты не требуют времени менеджера.

Используем условное форматирование и добавляем градиент значениям от 0,4 до 1, чтобы выделить только те пересечения, где есть корреляция.

Получаем

Добавляем столбик «Частота» к каждой проблеме, чтобы понимать вес проблемы в виде частоты её возникновения, который мы рассчитывали ранее, и тоже делаем градиент.

Даже при беглом просмотре видно, что одни проблемы чаще коррелируют с другими. То есть проблема «Много ресурсов на переговоры» обычно сопровождается комплексом других проблем, наша задача — выявить самые большие пучки проблем, как с первой по четвёртую проблемы на рисунке.

Если подумать над визуализацией, то можно провести линии по зелёным ячейкам, отражая их вниз от единицы, и посмотреть, где чаще пересекаются эти линии — пересечения выделены красными кружками на скриншоте.

В нашем случае это ярко выраженная корреляция между пунктами:

В данном случае бесполезно бороться с каждой причиной по отдельности, нужно принимать комплексное решение и бороться с первоисточником, например:

Простое ограничение времени на переговоры здесь бы не подошло, такое ограничение не лечит первопричину. После внедрения поинтов выше часть лидов стала отсеиваться, но эффективность команды возросла в разы.

Параллельно есть и другой класс решений, который направлен на образование клиентов, которые не прошли скоринг.

Была замечена ещё одна корреляция.

Она говорит о том, что мы зарабатываем, только если клиент тоже зарабатывает.

Не берусь говорить, что это эффективная методика, так как специалисту, скорее всего, будет лень самостоятельно применять её на практике, но имеет место.

Предполагаю, что модель можно использовать не только для исследования в плоскости проблем, но и в других случаях, например, можно добавить более детальную информацию:

Можно выявить закономерности, чтобы использовать данные в маркетинговых активностях и в оптимизации производства.

#инструменты #кейсы