Skóring poptávek v automotive CRM

Lukáš Turišin

Diplomová práce

Lead scoring in automotive CRM

Anotace:

Automobilový průmysl čelí mnoha výzvám, mezi které patří i neefektivní prodejní proces, tedy konverze poptávek, tzv. leadů, na zákazníky. Prodejců vozidel je relativně méně než poptávek od zákazníků na nákup nového vozidla. Prodejce stihne ve stejný den reagovat pouze na část (cca. 50 %) příchozích leadů, kterým se věnuje náhodným výběrem, a proto dochází k neefektivitě v prodejním procesu. Ve vybrané společnosti neefektivita vede ke konverznímu poměru ve výši 27 %. To znamená, že 73 % obchodních příležitostí, potenciálních tržeb, je nevyužito. Primárním cílem projektu je zvýšit konverzní poměr o 5–10% (procentních bodů), což povede ke zvýšení tržeb o 15–37% (procentních bodů). Projekt dosahuje cíle pomocí aplikování strojové učení, tzv. machine learning, vedoucí k identifikaci poptávek s nejvyšší šáncí na konverzi. To umožní prodejcům věnovat svůj omezený čas reakcím na správné poptávky, tedy odstranit přístup náhodného výběru, a tím zvýšit svou efektivitu vedoucí ke zvýšení konverzního poměru.

Abstract:

he automotive industry faces numerous challenges, including an inefficient sales process, specifically the conversion of inquiries, known as leads, into customers. There are relatively fewer vehicle dealers compared to the number of customer inquiries about purchasing a new vehicle. A dealer can respond to only a portion (approximately 50%) of incoming leads on the same day, and this selection is made randomly, resulting in inefficiencies in the sales process. In the selected company, this inefficiency results in a conversion rate of 27%, meaning 73% of business opportunities and potential revenue remain unutilized. The primary goal of the project is to increase the conversion rate by 5–10 percentage points, which will lead to an increase in revenue by 15–37 percentage points. The project achieves this goal by applying machine learning to identify inquiries with the highest likelihood of conversion. This approach allows dealers to allocate their limited time to responding to the right leads, thus eliminating the random selection approach and enhancing their efficiency, which in turn increases the conversion rate.

Klíčová slova

Automotive, Machine learning, CRM

Keywords

Automotive, Machine learning, CRM

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 16. 12. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 28. 2. 2025
• Vedoucí: Pavel Zimmermann
• Oponent: Jan Fojtík

Vysoká škola ekonomická v Praze

Magisterský studijní program:
Data & Analytics for Business Management