Wyobraź sobie handlowca, który obsługuje 300 aktywnych klientów i ma do dyspozycji katalog 8 000 SKU. Matematyka jest bezlitosna: nie ma szans, żeby samodzielnie wiedział, kto z jego klientów właśnie przestaje zamawiać konkretną kategorię produktów – i co mu w zamian zaproponować. Nie dlatego, że jest słabym sprzedawcą. Dlatego, że to zadanie wykracza poza ludzkie możliwości przetwarzania danych.
Ten artykuł wyjaśnia, jak dwie koncepcje analityczne – Churn Risk i Next Best Product (NBP) – zmieniają reguły gry w sprzedaży B2B, gdy pracujesz z szerokim katalogiem i dużą bazą klientów.
—
Problem, który udaje, że go nie ma
W dystrybucji i imporcie B2B churn nie wygląda jak w modelu subskrypcyjnym. Klient nie odchodzi z dnia na dzień – on po prostu zaczyna zamawiać mniej. Najpierw jedna kategoria spada o 30%, potem kolejna. Po sześciu miesiącach handlowiec patrzy na raport i widzi, że klient, który generował 120 tys. zł rocznie, w tym roku zrobi może 40 tys. A przecież przez ostatni kwartał nikt go nie stracił z oczu – po prostu nikt nie wiedział, że się coś dzieje.
To jest **cichy churn** – i jest znacznie groźniejszy niż jawne zerwanie współpracy, bo nie wywołuje reakcji.
Skala problemu rośnie wprost proporcjonalnie do liczby klientów i szerokości katalogu. Przy 50 klientach i 200 SKU handlowiec jest jeszcze w stanie intuicyjnie czuć, co się dzieje. Przy 300 klientach i 5 000 SKU – już nie.
—
Czym jest Churn Risk w kontekście B2B
Churn Risk to nie wskaźnik, który mówi, czy klient odejdzie od firmy. W sprzedaży dystrybucyjnej to znacznie bardziej szczegółowy sygnał: który produkt lub kategoria jest na ścieżce wygaszenia zakupów u konkretnego klienta?
System buduje dla każdego aktywnego SKU w portfelu klienta profil częstotliwości zakupów, a następnie porównuje ostatnie okresy z wzorcem historycznym. Jeśli klient przez dwa lata zamawiał dany produkt co trzy tygodnie, a teraz mija siedem tygodni – to jest sygnał. Nie alarm, sygnał. Algorytm klasyfikuje go do jednej z czterech stref: Critical, High, Medium, Low.
Co ważne: ten monitoring obejmuje cały aktywny portfel klienta – od kilkudziesięciu do kilku tysięcy pozycji. Handlowiec nie musi sam przeglądać historii zakupów każdego SKU. System robi to za niego i podaje gotową klasyfikację.
Wynik: handlowiec wchodzi na rozmowę z klientem wiedząc, że kategoria środków czystości u tego odbiorcy jest w strefie Critical od czterech tygodni. To zmienia całą rozmowę – z reaktywnej w proaktywną.
—
NBP: skąd wiedzieć, co zaproponować
Sygnał churnu mówi „coś się dzieje”. NBP – Next Best Product – mówi „oto co powinieneś zaproponować”.
Mechanizm NBP opiera się na trzech warstwach:
Pierwsza warstwa: historia zakupów. Model analizuje, co klient kupował dotychczas, w jakich sekwencjach i z jakimi przerwami. Jeśli w tej kategorii zakupowej nastąpiła przerwa, system szuka produktów substytucyjnych lub komplementarnych, które mają wysokie prawdopodobieństwo przyjęcia.
Druga warstwa: peer group. To jest element, który najczęściej zaskakuje handlowców, gdy widzą go po raz pierwszy. System porównuje koszyk zakupowy danego klienta z koszykami podobnych firm – o zbliżonym profilu, segmencie, wielkości zamówień. Jeśli 80% firm z peer group kupuje produkt X razem z produktem Y, a Twój klient kupuje tylko X – to jest luka cross-sell, którą widać dopiero z poziomu danych, nie z poziomu intuicji.
Trzecia warstwa: logika biznesowa. Rekomendacje są filtrowane przez marżę, dostępność magazynową, priorytety handlowe. System nie podpowie produktu, którego nie ma w magazynie lub który jest poniżej progu rentowności.
Wynik: lista do 50 produktów-kandydatów per klient, uszeregowanych według prawdopodobieństwa konwersji. Nie 8 000 SKU do przejrzenia – 50 pozycji z uzasadnieniem.
—
Dlaczego szeroki katalog SKU to pułapka bez systemu
Firma, która rozszerza katalog z 500 do 5 000 SKU, zwykle robi to z dobrych powodów – chce zwiększyć wartość dla klienta, zbudować przewagę asortymentową, wydłużyć koszyk. W praktyce bez systemu rekomendacyjnego efekt jest odwrotny do zamierzonego.
Handlowiec, zamiast lepiej dopasowywać ofertę, zaczyna upraszczać. Sprzedaje to, co zna. Rotujące szybko produkty z pierwszej setki. Resztę katalogu – te 4 900 SKU – ignoruje, bo nie ma czasu ani narzędzi, żeby je aktywnie oferować.
To zjawisko ma swoją nazwę w analizie sprzedaży: koncentracja sprzedaży na „znanych” SKU przy systematycznym nie sprzedawaniu długiego ogona katalogu . Firma płaci za utrzymanie katalogu, magazynuje towar, negocjuje warunki z dostawcami – i nie sprzedaje.
NBP rozwiązuje ten problem, bo pracuje na pełnym katalogu, nie na tym, co handlowiec pamięta. System widzi, że klient z segmentu HoReCa, który regularnie kupuje środki do mycia naczyń, nigdy nie zamówił środków do dezynfekcji powierzchni, podczas gdy 90% podobnych klientów je kupuje. Handlowiec tego nie wie. System wie i podpowiada.
—
Jak to wygląda w praktyce: Peitho i Quantis
Opisane koncepcje nie są abstrakcją akademicką. W ekosystemie Quantis/Peitho, który rozwijam w Origami Effect, ten przepływ wygląda następująco:
Handlowiec otwiera profil klienta i w jednym widoku widzi: recency, sprzedaż 90-dniową, segment, responsywność oraz **porównanie koszyka klienta do peer group**. Już na tym etapie widzi, gdzie są luki.
Przechodzi do zakładki Churn/NBP i widzi pogrupowane produkty z klasyfikacją ryzyka. Filtruje po „Critical” – i natychmiast wie, gdzie jest pilny problem. Obok każdego sygnału churnu system pokazuje rekomendacje NBP: co zaproponować, żeby odbudować ten fragment portfela.
Dalej: generator oferty. Handlowiec ustawia ilości i rabaty per SKU, a system w czasie rzeczywistym pokazuje stan magazynu, velocity produktu, zasięg zapasu po planowanej sprzedaży. Zero sprawdzania w osobnym oknie ERP.
Na końcu: eksport w dwa kliknięcia – plik XLSX gotowy do importu do Comarch ERP oraz PDF-katalog dla klienta.
Czas od analizy klienta do gotowej oferty: kilka minut. Wcześniej: kilkadziesiąt minut lub całkowita rezygnacja z aktywnego podejścia.
—
Koncentracja na obecnym kliencie jako strategia wzrostu
W sprzedaży B2B istnieje pokusa, żeby wzrost mierzyć liczbą nowych klientów. To zrozumiałe – nowy klient to widoczny sukces. Tymczasem ekonomia sprzedaży mówi inaczej: koszt pozyskania nowego klienta w dystrybucji jest kilkakrotnie wyższy niż koszt rozwinięcia istniejącej relacji.
Klient, którego masz od trzech lat, zna Twój proces. Masz jego historię, preferencje, cykl zamówień. Jedyne, czego Ci brakowało do tej pory, to narzędzie, które przetworzy tę wiedzę i powie Ci: **”ten klient jest gotowy na tę kategorię produktów – i właśnie teraz jest dobry moment, żeby ją zaproponować”**.
Churn Risk i NBP razem tworzą właśnie ten mechanizm. Nie zastępują handlowca – dają mu informację, z którą może działać z sensem.
—
Metryki, które za tym stoją
Dla tych, którzy chcą zejść głębiej w metodologię:
Score NBP jest obliczany jako prawdopodobieństwo zakupu P(produkt | klient, kontekst) estymowane przez model XGBoost na podstawie historii transakcji, cech klienta i atrybutów produktu. Domyślnie system uwzględnia okno 52 tygodni historii (parametr `data_lookback_nbp`) i generuje listę top-k rekomendacji (domyślnie `top_k_recommendations = 5`, skalowalny do 50).
Churn score opiera się na gap ratio – stosunku rzeczywistej przerwy od ostatniego zakupu do oczekiwanej częstotliwości zakupów wyznaczonej z historii. Produkt przechodzi przez progi klasyfikacji do poziomów Critical/High/Medium/Low. System monitoruje to na poziomie każdej pary klient–SKU.
Affinity Basket (peer group cross-sell) korzysta z klasycznych metryk market basket analysis: support, confidence i lift. Lift(A,B) mierzący współwystępowanie produktów A i B powyżej losowego poziomu jest głównym kryterium rankingowania podpowiedzi cross-sell. Minimalne wsparcie `min_support = 0.001` przy domyślnym oknie 12 tygodni historii pozwala wychwycić nawet rzadkie, ale statystycznie istotne korelacje zakupowe.
—
Podsumowanie
Handlowiec z szerokim katalogiem i dużą bazą klientów nie przegrywa przez brak zaangażowania. Przegrywa, bo nie ma narzędzia, które przetworzy tysiące sygnałów transakcyjnych w listę konkretnych działań.
Churn Risk i NBP to odpowiedź na ten problem. Nie jako projekt analityczny dla działu BI, ale jako narzędzie operacyjne wbudowane w codzienny przepływ pracy handlowca – od identyfikacji ryzyka, przez rekomendację produktu, po eksport oferty do ERP.
Skupienie się na obecnym kliencie, uzbrojone w te koncepcje, przestaje być sloganem i staje się mierzalną przewagą.
