Можно ли на основе взаимодействия между покупателем и продавцом понять приближение к сделке?

Предсказание приближения к сделке на основе взаимодействия: Sales Conversion Signals

Это отличный вопрос о Sales Prediction и Deal Scoring. И ответ: да, абсолютно можно, и это делается компаниями каждый день. Разберу, как это работает и почему это мощный инструмент.

Основной принцип: Buyer Journey Signals

Покупатель идёт через предсказуемые этапы:

1. Awareness (осознание проблемы)
   ↓ Сигнал: первый визит, просмотр видео, чтение FAQ
2. Consideration (рассмотрение решений)
   ↓ Сигнал: сравнение цен, чтение отзывов, запрос демо
3. Decision (принятие решения)
   ↓ Сигнал: просмотр цены, добавление в корзину, запрос счёта
4. Purchase (покупка)
   ↓ Сигнал: добавление карты, оформление заказа
5. Done (завершено)
   ↓ Результат: платёж пройден, сделка закрыта

Ключевое понимание: Чем дальше в этом пути, тем выше вероятность сделки.

Сигналы приближения к сделке

Уровень 1: Очевидные сигналы

Высокий риск сделки (High intent):
✓ Пользователь добавил товар в корзину
✓ Пользователь открыл форму оформления заказа
✓ Пользователь выбрал способ доставки
✓ Пользователь выбрал способ оплаты
✓ Пользователь заполнил адрес доставки

На этой стадии конверсия может быть 40-60%

Уровень 2: Средние сигналы

Средний риск (Medium intent):
✓ Пользователь просмотрел страницу товара 3+ раза
✓ Пользователь прочитал все отзывы
✓ Пользователь сравнивает товары (открывает несколько вкладок)
✓ Пользователь ищет промокод (может быть, нужен скидка)
✓ Пользователь посетил страницу с доставкой/возвратом

На этой стадии конверсия может быть 10-20%

Уровень 3: Слабые сигналы

Низкий риск (Low intent):
✓ Пользователь просмотрел категорию
✓ Пользователь прочитал одну статью в блоге
✓ Пользователь просмотрел товар один раз
✓ Пользователь добавил в избранное (но это не обязательно покупка)
✓ Пользователь подписался на новости

На этой стадии конверсия может быть 1-3%

Практический пример: Scoring Model

Я создам простой scoring model для предсказания сделки:

def calculate_deal_probability(user_interaction_data):
    score = 0
    
    # Временные сигналы
    if user_data['days_since_first_visit'] <= 7:
        score += 15  # Недавно открыли интерес
    
    if user_data['time_since_last_action'] <= 1:  # В последний час
        score += 20  # Активно интересуются СЕЙЧАС
    
    # Поведенческие сигналы
    if user_data['page_views'] >= 10:
        score += 10
    
    if user_data['watched_demo'] or user_data['watched_video']:
        score += 15
    
    if user_data['viewed_pricing'] >= 2:
        score += 20  # Серьёзный сигнал
    
    if user_data['viewed_faq'] or user_data['contact_support']:
        score += 10  # Есть вопросы, значит интерес
    
    if user_data['added_to_cart']:
        score += 30  # Очень сильный сигнал
    
    if user_data['started_checkout']:
        score += 40  # Критический сигнал
    
    if user_data['viewed_order_total']:
        score += 15  # Видит цену, склоняется
    
    if user_data['searched_promo_code']:
        score += 5  # Ищет скидку, может быть, цена высока
    
    if user_data['opened_shipping_options']:
        score += 20  # Выбирает доставку
    
    # Мотивирующие сигналы
    if user_data['viewed_social_proof']:
        score += 10  # Смотрит отзывы
    
    if user_data['compared_with_competitor']:
        score += 8  # Сравнивает, но не ушёл
    
    # Риск сигналы (минус)
    if user_data['viewed_return_policy']:
        score -= 5  # Беспокоится о возвратах
    
    if user_data['opened_support_chat']:
        score += 15  # Есть вопрос, нужна помощь
    
    if user_data['abandoned_cart']:
        score -= 10  # Было в корзине, но ушёл
    
    # Масштабирование
    probability = min(score, 100) / 100  # 0-100%
    return probability

Пример расчёта:

Узер A:
- Открыл 15 страниц товара
- Был в течение 3 дней
- Добавил в корзину
- Открыл checkout
- Выбрал доставку
- Score = 10 + 15 + 30 + 40 + 20 = 115 → 100% (вероятность сделки: ОЧЕНЬ ВЫСОКАЯ)

Узер B:
- Открыл категорию один раз
- Был 10 дней назад
- Просмотрел одну статью
- Score = 1 + 0 + 0 = 1 → 1% (вероятность сделки: НИЗКАЯ)

Как я отслеживаю эти сигналы

SQL для анализа сигналов:

SELECT 
  user_id,
  COUNT(DISTINCT session_id) as total_sessions,
  COUNT(DISTINCT CASE WHEN page_type = 'product' THEN session_id END) as product_views,
  COUNT(DISTINCT CASE WHEN page_type = 'pricing' THEN session_id END) as pricing_views,
  COUNT(DISTINCT CASE WHEN event_type = 'add_to_cart' THEN session_id END) as cart_events,
  COUNT(DISTINCT CASE WHEN event_type = 'checkout_start' THEN session_id END) as checkout_events,
  MAX(event_date) as last_activity,
  MIN(event_date) as first_activity,
  EXTRACT(day FROM MAX(event_date) - MIN(event_date)) as days_in_journey,
  CASE 
    WHEN COUNT(DISTINCT CASE WHEN event_type = 'checkout_start' THEN session_id END) > 0 
      THEN 'HIGH'
    WHEN COUNT(DISTINCT CASE WHEN page_type = 'pricing' THEN session_id END) > 0 
      THEN 'MEDIUM'
    WHEN COUNT(DISTINCT CASE WHEN page_type = 'product' THEN session_id END) > 0 
      THEN 'LOW'
    ELSE 'NONE'
  END as intent_level
FROM user_events
WHERE DATE(event_date) >= CURRENT_DATE - 30
GROUP BY user_id
HAVING COUNT(DISTINCT session_id) > 0
ORDER BY checkout_events DESC, pricing_views DESC;

Практическое использование: Sales Alerts

На основе сигналов я создаю alerts для sales команды:

HIGH INTENT USERS (срочно обратитесь!):
- Брайан добавил MacBook Pro в корзину 2 часа назад
- Нет платежа → может быть, нужна помощь
- Action: Sales call, chat, email с help

MEDIUM INTENT USERS (напомните об этом):
- Сара просмотрела pricing 3 раза за 2 дня
- Action: Email с "Special offer for next 24h"

ABANDONED CART:
- Джон добавил в корзину ($5000), но не купил
- Action: Email со скидкой или поговорить в chat

Когда это особенно эффективно

B2B SaaS (самое эффективное):

Потенциальный клиент:
1. Скачивает whitepaper (осознание)
2. Смотрит demo video (рассмотрение)
3. Запрашивает pricing (decision)
4. Запрашивает trial (очень близко)
5. Создаёт пробный аккаунт (очень очень близко)

Если я вижу user на шаге 4-5, я могу сказать PM: "Это горячий лид, обрати внимание"

E-commerce (менее точно, но работает):

Потенциальный покупатель:
1. Смотрит товар (интерес)
2. Смотрит отзывы (серьёзно)
3. Добавляет в корзину (горячий)
4. Открывает checkout (ОЧЕНЬ горячий)

Если user на шаге 4, вероятность покупки 40-60%

Marketplace (Uber, AirBnB):

Потенциальный клиент:
1. Ищет поездку (need)
2. Выбирает время и место (ready)
3. Выбирает тариф (solving)
4. Вводит адрес доставки (committed)
5. Вводит способ оплаты (ОЧЕНЬ committed)

Риски и ограничения

❌ Ошибка 1: Переоценка сигналов

"User посмотрел pricing → вероятность 80%"
Но может быть, просто любопытство
Решение: комбинируй сигналы, не один

❌ Ошибка 2: Проблема с интерпретацией

"User посмотрел Return Policy → неопределённость"
Может быть, беспокоится, может быть, смотрит "на всякий случай"
Решение: рассмотри в контексте других сигналов

❌ Ошибка 3: Игнорирование внешних факторов

"User был неактивен 10 дней, но сегодня вернулся"
Мог быть в отпуске, не потерял интерес
Решение: используй временные факторы

Мой совет Product Analyst

Если нужно предсказать близость сделки:

1. Составь свой scoring model

   • Какие события = сильный сигнал?
   • Какой порядок важен?
   • Какой временной фактор?

2. Валидируй на реальных данных

   • Посмотри на пользователей, которые купили
   • Какие сигналы они показали до покупки?
   • Построй модель на этом

3. Используй model для alerts

   • High intent users → sales team
   • Medium intent users → email campaign
   • Low intent users → nurturing

4. Постоянно улучшай

   • Какой сигнал предсказывает лучше всего?
   • Какой сигнал ложный?
   • Обновляй веса в модели

Вывод

Да, абсолютно можно предсказать приближение к сделке на основе взаимодействия. Эти сигналы:

• Очень предсказуемы (история показывает, что work)
• Легко отследить (все события в аналитике)
• Высоко actionable (можно вмешаться и улучшить конверсию)

Лучший Product Analyst — это тот, кто видит buyer journey и знает, на каком шаге находится каждый пользователь. Это даёт super power для продаж и маркетинга.