Customer prioritization decisions in an industrial B2B company A comparison of qualitative and algorithmic methods

Abstract

Many companies still rely on their personnel's expertise in customer prioritization decisions. Yet academic literature proclaims the robustness and efficiency of algorithmic decision-making and questions the reliability of salespeople's perceptions of their customers. This study compares the two opposing approaches to select prioritized customers in a non-contractual B2B setting of a machinery company. It accomplishes that by developing predictive models for customers with a high order intake or churn risk and comparing the results to qualitative customer classifications assigned by the salespeople. The performance of the predictive models is modest: only around half of the predictions are correct. Even though the model that predicts customers with the highest order intake depends on a very simplistic threshold rule for the past year's orders, it performs slightly better than the regression model for the churn predictions. The predictions are predominantly not aligned with the qualitative classification, and a multinomial logistic regression analysis shows that their relation to the qualitative classes is effectively insignificant. The prioritized classes display evident correlations to many meaningful features in the dataset the salespeople are provided with to support their decisions, which indicates that—in addition to being more accessible—qualitative decision-making is a more reliable way to choose prioritized customers in this setting.

Monet yritykset luottavat edelleen henkilöstönsä asiantuntemukseen asiakkaiden luokittelusta päätettäessä, vaikka akateeminen kirjallisuus tuo esiin algoritmisen päätöksenteon tehokkuutta ja aukottomuutta, sekä toisaalta kyseenalaistaa voiko myyjien käsityksiin asiakkaista luottaa. Tämä tutkimus vertailee kahta erilaista lähestymistapaa asiakkaiden laittamiseen tärkeysjärjestykseen koneteknologiayrityksen sopimuksettomassa B2B toimintaympäristössä. Tutkimus toteutetaan kehittämällä ennustemallit tunnistamaan asiakkaat, joilta odotetaan eniten tilauksia tai joilla on kohonnut riski lopettaa asiakassuhde sekä vertailemalla näitä tuloksia myyntihenkilöstön asettamiin asiakasluokituksiin. Ennustemallien tulosten luotettavuus on välttävää ja vain noin puolet positiivista tuloksista pitävät paikkansa. Vaikka suurimpia tilausmääriä ennustavan mallin logiikka perustuu hyvin yksinkertaiseen menneen vuoden tilausten raja-arvoon, saavuttaa se hieman parempia tuloksia kuin asiakaspoistumaa ennustava regressiomalli. Ennusteet eivät suurelta osin mene yksiin henkilöstön asettaman laadullisen luokittelun kanssa ja multinomiaalinen logistinen regressioanalyysi osoittaa, että ennusteiden yhteys luokitteluun on tilastollisesti lähes täysin merkityksetön. Tärkeiksi luokiteltujen asiakkaiden ja henkilöstölle luokittelun tueksi toimitetuissa tiedoissa olevien keskeisten muuttujien väliltä löytyy selvä yhteys. Tämä viittaa siihen, että helpomman saatavuutensa lisäksi laadullinen päätöksenteko on luotettavampi tapa valita priorisoitavat asiakkaat tämän tutkimuksen olosuhteissa.