Вестник цифровой трансформации

«Работа.ру»: автоматизация подготовки коммерческих предложений
«Работа.ру»: автоматизация подготовки коммерческих предложений

Елена Артемьева: «Нам было необходимо разработать инструмент, который дает команде продаж репрезентативные данные, потому что именно на их основании менеджеры составляют предложения клиентам. Исходя из этих же расчетов, клиенты далее формируют ожидания по эффективности нашего продукта»


22:49 27.03.2024  |  Николай Смирнов | 809 просмотров



Елена Артемьева, директор по аналитике, Data Science и исследованиям сервиса «Работа.ру», – об использовании аналитических данных для подготовки коммерческих предложений для клиентов, что позволило ускорить процесс и увеличить выручку компании.

Специалисты «Работа.ру» разработали аналитический продукт для автоматизации подготовки коммерческих предложений для клиентов. В ходе проекта был создан интерфейс, который в режиме реального времени показывает сотрудникам из департамента продаж аналитические данные по конкретным профессиям, отраслям, регионам и типам тарифов, позволяющие быстро сформировать коммерческое предложение. В результате время подготовки предложений сократилось в среднем с четырех часов до 10 минут, конверсия в продажу увеличилась на 11%, средний чек — на 8%, а выручка компании выросла на 16% за счет увеличения продаж более дорогих и эффективных тарифов. О реализации проекта рассказывает Елена Артемьева, директор по аналитике, Data Science и исследованиям сервиса «Работа.ру» и номинант на премию Data Award.

- В чем заключается процесс подготовки коммерческих предложений в «Работа.ру»? Как он выглядел до реализации проекта?

Первым шагом для команды продаж является взаимодействие с клиентом, чтобы понять, какую вакансию он планирует разместить и в каком регионе. После этого менеджеры приступают к подготовке коммерческого предложения, содержащего информацию о наиболее подходящем тарифе для конкретного клиента с учетом особенностей его вакансии и ситуации на рынке труда по данной вакансии. На заключительном этапе сотрудники отправляют клиенту коммерческое предложение с рекомендациями относительно использования определенного тарифа.

До запуска проекта по автоматизации подготовки коммерческого предложения менеджеры ориентировались на примерные и максимально простые расчеты. Также им не всегда была доступна готовая статистика эффективности размещения различных вакансий по регионам, профессиям и типам тарифов, что, в свою очередь, постоянно требовало обращения к аналитикам для получения дополнительных данных.

В некоторых регионах и профессиях наблюдается более высокая конкуренция за кадры, чем в остальных, вакансии требуют дополнительных инструментов для продвижения, а, следовательно, выбора более дорогого тарифа. Чтобы оперативно ориентироваться в ситуации на рынке и ситуации клиентов, необходимо было организовать для команды продаж быстрый доступ к аналитическим данным. Это помогает менеджерам вести более предметный диалог с работодателями, прогнозировать наиболее вероятную эффективность коммерческого предложения и сокращать зависимость от аналитиков.

- В чем заключалась проблема, почему это важно для компании?

Проблема заключалась в том, что процесс подготовки коммерческих предложений был трудоемким, занимал значительное количество времени и задействовал ресурсы как команды продаж, так и команды аналитиков. Это могло приводить к задержкам в обслуживании существующих клиентов и проблемам в привлечении новых. В результате это ограничивает возможности компании в увеличении выручки. Также недостатки ручных расчетов вели к тому, что клиент не всегда сразу понимал, что с таким тарифом на конкретную вакансию шансы на поиск сотрудников будут минимальны, и нужно сразу покупать более дорогие пакеты. Это влияло на уровень удовлетворенности клиентов нашим сервисом из-за несовпадения ожиданий и реальности.

Разработанный продукт по автоматизации подготовки коммерческого предложения стал ключевым решением данной проблемы.

- Какой подход решения проблемы был выбран?

Было решено создать интерфейс, который в режиме реального времени показывает сотрудникам из отдела продаж прогноз эффективности размещения определенной вакансии по конкретным регионам и тарифам. Взаимодействие с интерфейсом максимально простое и не требует никакой специальной подготовки и навыков.

- Какие требования требовалось выполнить? Какие принципы пытались соблюсти?

Основное требование, которое необходимо было выполнить, – повысить скорость предоставления информации, ее достоверность, релевантность и полноту для подготовки коммерческих предложений. Также важно было учесть, что пользователи – команда продаж – не являются аналитиками, поэтому интерфейс должен был быть максимально прост и понятен в работе.

- Что собой представляет собой созданное решение? Какие компоненты включает?

Созданное решение представляет собой отчет с фильтрами, в котором выводятся результаты расчетов прогнозируемой эффективности размещения в зависимости от региона, профессии и тарифа. Менеджер видит результаты и может их выгрузить в формате CSV для дальнейшего использования. Таким образом, созданное решение – это визуализированная модель прогноза эффективности. При реализации проекта были использованы Clickhouse, PostgreSQL как средства хранения данных и Superset в качестве системы визуализации.

- Что в ходе проекта было наиболее сложным?

Мы делали несколько итераций проекта ввиду того, что у нас сложная система тарифов и было необходимо учесть все особенности. Например, тариф может быть применен не сразу при размещении вакансии, а спустя какое-то время, или к одной вакансии последовательно применяются разные тарифы и дополнительные опции для продвижения. Кроме того, разные вакансии размещаются на разные сроки, что также влияет на общее количество откликов, звонков, показов и других параметров, которые важны для демонстрации клиенту и формирования коммерческого предложения. Для этого мы нормировали расчеты, чтобы их можно было применять к любому периоду размещения.

Одним из самых сложных моментов было создание группового справочника профессий, так как клиенты могут называть вакансии как угодно, но самом деле они могут значить одно и то же (например, «специалист контакт-центра», «оператор колл-центра» и т.п.), поэтому нам было важно учитывать в статистике синонимы. Вторая сложная задача – корректное разделение статистики эффективности по регионам, так как ряд вакансий с вахтовым и удаленным режимом работы размещаются сразу по всей России. Соответственно, нужно было разделить эффективность по конкретным территориям, где происходили отклики, что не всегда просто – например, для звонка не обязательна регистрация, чтобы можно было легко определить регион совершения полезного для работодателя действия.

Нам было необходимо разработать инструмент, который дает команде продаж репрезентативные данные, потому что именно на их основании менеджеры составляют предложения клиентам. Исходя из этих же расчетов, клиенты далее формируют ожидания по эффективности нашего продукта. Поэтому было важно учесть качество и точность прогноза при расчетах, чтобы, с одной стороны, повысить скорость общения с клиентами, а с другой – не давать клиентам неверного представления о том, что будет, если они выберут тот или иной тариф.

- Чем гордитесь, что удалось наиболее удачно?

Проект демонстрирует высокую эффективность в рамках операционной деятельности, внося значительный вклад в повышение результативности и, как следствие, – увеличение общей выручки компании. Благодаря автоматизации подготовки коммерческого предложения клиенты получают более оперативные и актуальные рекомендации о конкуренции в их регионе и в специфической профессиональной сфере, что, в свою очередь, стимулирует их решение приобрести более премиальный тариф, позволяя им таким образом быстрее закрывать открытые вакансии.

Также мы гордимся сроками, в которые был выполнен проект: его реализация заняла всего один месяц от момента составления технического задания до запуска. Отдельно отмечу, что в разработке проекта принимали активное участие всего два человека – аналитик и представитель команды дата-инженеров.

- Какие результаты были достигнуты?

До внедрения этого решения на подготовку коммерческого предложения уходило до четырех часов работы сотрудников. Теперь этот процесс значительно ускорен и занимает около 10 минут.

Результаты проведенных A/B-тестов показывают, что конверсия в продажу по тем, кто использовал новый интерфейс, увеличилась на 11%, а средний чек их клиентов – на 8%. Данные результаты, несомненно, отразились и на финансовом положении «Работа.ру». С момента внедрения инструмента инкрементальный рост выручки составил 16%, что является хорошим достижением.

Автоматизация подготовки коммерческого предложения стала важным шагом для «Работа.ру». Проект позволил повысить уровень обслуживания клиентов и репутацию компании в их глазах. Также удалось увеличить количество новых клиентов и поднять выручку, что является одним из ключевых факторов успеха и развития компании.

- Что дальше? В каком направлении планируется развивать проект?

Мы намерены усовершенствовать наш продукт, делая его более сложным, фокусируясь на повышении качества прогнозирования. Цель – расширить перечень профессий и охватить все сферы, предоставляя более гибкие настройки. Также наш план включает увеличение детализации данных и повышение точности прогнозов. Например, учитывать не просто профессию «водитель», а «водитель категории А», «водитель категории В» и т.д. Дополнительно рассматриваем возможность добавления новых фильтров по территории размещения вакансий – сейчас они работают только по регионам, но мы хотим расширить функционал до конкретных городов.

 

Теги: Data Award