Ускорение процесса обработки лидов для исходящего обзвона
Многие компании используют холодный исходящий обзвон как метод привлечения клиентов или партнеров в свой продукт. Часто это может быть связано с поиском поставщиков в B2B2C продукт или являться частью процесс поиска и привлечения инвесторов.
Подобные лиды обычно собираются из открытых источников, что зачастую сказывается на их качестве и количестве. Обработка сырого списка контактов может занимать большое количество времени сотрудников, а обилие откровенно мусорных контактов негативно сказывается на эффективности и конверсиях.
Введение
Я столкнулся с подобной ситуацией, в которой огромное количество работы сотрудников уходило на монотонный обзор и квалификацию контактов. В попытках найти способ сделать процесс квалификации контактов эффективнее, я нашел просто и достаточно эффективное решение, которое можно легко реализовать с помощью Google Таблиц.
Пример контактов
Приведу пример таблицы холодных контактов.
Обычно в эти контакты могут содержать информацию об источники контакта, типе источника. Еще информация о самом контакте – компания, локация и методы связи.
В вашем случае контакты могут отличаться, несмотря на это, подход, который я опишу, будет применим.
Как происходит квалификация
Обрабатывая эти контакты сотрудник ставит контакту статус – квалифицированный контакт или нет:
Чаще всего сотрудники обзванивают все контакты, квалифицируя контакт за контактом. Я же хочу предложить простой подход поиска закономерностей и автоматизации этого процесса еще до совершенного звонка.
Как автоматизировать этот процесс
Начнем по порядку, шаг за шагом создавая простой, но эффективный инструмент предварительной квалификации собираемых из открытых источников лидов.
- Создаем дополнительное поле в таблице – "маска лида". Это некого рода выделения паттерна каждого контакта по ключевым параметрам. Для этого нужно:
а. заменить ссылку, имейл и телефон (или любые уникальные переменные) на простое "да/нет". То есть, отразить факт наличия контакта, а не сам контакт;
б. склеить все поля в одну строку с разделителем.
- Берем уникальные маски (функция Unique). Устанавливаем соответствие маски статусу квалификации, и смотрим какой процент лидов с такой маской – некачественные. Это лучше сделать с помощью функции QUERY:
Если упростить то, что написано в формуле, то: мы считаем все строки с нужной нам маской и негативным статусом и делим на просто все строки с нужной маской. Получаем процент некачественных лидов по маске.
По итогу получаем вот это:
Остается проставлять признак Qualified каждой маске, которая, где процент "некачественности" не равен 90-100%. (Можно использовать ту же Query функцию)
По итогу мы получаем простой и банальный инструмент, который подручными средствами помогает нам снизить объем ручной работы и лишних обзвонов.
Какие результаты
Проставив нужный параметр автоматически, на основе нашего алгоритма, получаем следующую картину:
Проверка на реальных данных показала, что погрешность такого инструмента примерно равна 20-40%. Но, при этом, инструмент не теряет важные лиды, а просто, перестраховавшись, помечает ряд некачественных качественными.
Заключение
Несколько важных замечаний:
- Для упрощения понимания в статье приведены примеры данных. Проверка на реальных данных проведена, инструмент показал допустимый процент погрешности.
- Работа некоторых формул не описана подробно. Документацию и инструкции по формулам можно найти в интернете или использовать другие методы, сохранив тот же подход.
- Автор статьи не датасатанист, а менеджер продукта. Собраный инструмент собран на коленке и не претендует на 100% точность, но значительно сокращает ручную работу сейлз-команды при низком уровне погрешности :)