Лайфхаки продаж от «гения эффективности»

Данная статья написана на основе материалов программы «Без скидок с Алексеем Урванцевым» на МедиаМетрикс.тв, выпуск «Лайфхаки продаж от гения эффективности Олега Брагинского».

Гость — Олег Брагинский, основатель и руководитель «Школа траблшутеров»

Об использовании Big Data, и многих других секретах больших продаж.

[Алексей Урванцев]:

Сегодня у нас с вами в гостях Олег Брагинский – человек, которого называют «гением эффективности». Год назад, когда я услышал это, звание показалось мне несколько пафосным, натянутым, но мне стало интересно, почему людям молва присваивает такие звания.

Заинтересовался, сходил на мастер-класс, и, вы знаете, зацепило. Человек, который дал такие интересные инструменты, о которых я слышал, но не знал, что в бизнесе, в продажах можно это применять настолько легко, настолько просто.

И я, для начала, хотел бы попросить Олега немножко представиться – почему, с какой стати, кто-то одной из СМИ присвоило такое звание, почему вас приглашают сейчас на разного рода передачи в качестве интересного спикера, потому что человек действительно – от себя говорю – чрезвычайно интересный, и дальше мы перейдем уже к тематике продаж, Big Data в продажах и многое другое, в чем Олег специалист.

[Олег Брагинский]:

Алексей, спасибо большое. Ну, во-первых, рад быть у тебя в студии. Много общаемся в виртуальном мире, вот очередная встреча в реальном. Спасибо, конечно, что был на моем мастер-классе. Правда, давненько это было, можем чаще встречаться.

[Алексей Урванцев]:

Год назад, это я точно помню.

[Олег Брагинский]:

Год назад, да, было такое дело. Ну, по поводу «гения эффективности», я к этому отношусь, так, слегка иронично, потому что все-таки это такое – больше маркетинг. Знаете, иногда в заголовки выносится не самые лучшие фразы, а самые хлесткие. Да, была статья, в «Лайфхакер»’е, которую прочли больше чем 300 тысяч человек, как-то она разлетелась.

И после этого, когда меня приглашают на конференции, когда я выступаю где-то, не пытаются найти какие-то мои регалии, а говорят: «Ну, вот это красиво, это людей цепляет». То есть, говоря твоим языком, это такая, может быть, «продажная фишка».

То есть, я с ней, может быть, не целиком согласен, я-то понимаю, что можно быть эффективней, но как-то приклеилось, я сильно не сопротивляюсь. Если мы говорим про, как раз, продажи, то – да, действительно, есть ряд инструментов, которые я люблю, которые использую. Надеюсь, об этом мы сегодня и поговорим. Это, в первую очередь, большие данные – Big Data.

[Алексей Урванцев]:

Если не брать хлесткие маркетинговые звания, я могу сказать, что Олег много лет работал одним из топ-менеджеров «Альфа-Банка» в Украине, насколько я знаю, да?

[Олег Брагинский]:

И в Украине, и в России.

[Алексей Урванцев]:

И в Украине, и в России. И в продажах понимает. То есть проектов было много, человек из практики. Чуть-чуть эту сферу своей деятельности раскроешь?

[Олег Брагинский]:

Да, конечно. Много всего было, я был и IT-шником и безопасником, занимался рисками, юриспруденцией, ну и несколько раз, естественно, был в продажах. В первую очередь, это розничные продажи, когда в отделении банка продаются продукты: либо финансовые услуги, либо страховые услуги, либо с ними связанные. Это большое количество не очень крупных продаж.

Во вторую очередь, это инвестиционные продукты, когда люди, физические лица, хотят вложить деньги не на депозит, а на какие-то другие, более рисковые, но и потенциально более доходные инструменты. Это некое другое направление, некая другая такая плоскость продаж. Транзакционный бизнес – это когда крупные компании приходят в финансовую организацию для осуществления ежедневных каких-то операций.

Третье – это, естественно, продажа кредитов или других займов для, опять же, крупных компаний, корпоративных, это некая другая плоскость. Помимо этого, часто бывают партнеры, которые говорят что: «вот, давайте попробуем по технологии White Label» – когда вы в своих отделениях продаете наши продукты, допустим туристические или иже с ними. Ну, учитывая, что «Альфа» – это большая группа, в которую входят разноплановые компании, – приходилось прикасаться и к телекоммуникационным продажам, и к продажам других видов. Ну, поэтому, начиная от маленьких крошечных продаж и заканчивая крупными медленными, то есть везде понемножку был опыт.

[Алексей Урванцев]:

Прекрасно. Я основной темой сегодняшней передачи взял Big Data и ее использование, использование этого метода в продажах, ну что ж, давай тогда начнем? Что это такое, и с чем его едят? И чем Big Data может помочь нашим посконным российским продажам?

[Олег Брагинский]:

Прекрасно.

[Алексей Урванцев]:

Ну ладно, я шучу, конечно, насчет посконных, но, тем не менее – вот средний, малый, среднестатистический малый российский предприниматель – чем Big Data могут ему помочь?

[Олег Брагинский]:

Когда ты меня пригласил в передачу про продажи, ну, я не считаю себя великим экспертом, тем более по сравнению с тобой, поэтому я был, так, слегка напряжен. Но когда ты сказал, что это будет про Big Data, тут я расслабился. Big Data – это мой конек, я их люблю, ценю и обожаю. Моя встреча с Big Data началась еще давно, еще когда я учился в институте, работал на кафедре.

Мы обрабатывали большие объемы данных, и тогда это не называлось Big Data. Потом был всплеск интереса к этому направлению, а потом был упадок, было много переформулировок – «большие данные», «быстрые данные», «точные данные», «аккуратные данные», но это не меняет сути. К сожалению, последние, там, может быть, полтора года или год есть некий негатив, связанный с Big Data – это считается, что они себя не оправдали.

По этому поводу у меня есть любимая фраза – что виноваты не математические методы, а профанаторы, которые их неправильно применяют. Big Data – это то направление, которое дает чрезвычайно хорошие и точные результаты. Если говорить, допустим, про Россию – вот несколько последних проектов, которые были, – они были связаны с продажей одежды кэжуальной – это компания «Sela», это инжиниринговые системы и технические – компания, с которой еще проект не закончен, это интернет-магазины – их много, они разные, но методика примерно одинаковая. Каждая компания думает, что у неё скопилось достаточное количество данных для того чтобы делать предсказания, но это не так.

[Алексей Урванцев]:

Если сузить твой ответ, Big Data нужны для того-то и того-то, пункт номер один – для чего?

[Олег Брагинский]:

Big Data нужны для того, чтобы точнее предсказывать, что заказывать в качестве товара, на кого таргетировать рекламу, и как управлять продажами.

[Алексей Урванцев]:

Прекрасно, ты начал рассказывать. Я предупреждал тебя, что в нашей передаче должно быть много кейсов, какой-то реальной практики. То есть, я даже подумываю как-нибудь спикеров предупреждать, что, там – две минуты монолога, рассказа о методе – и обязательно кейс.

Какая-то такая специфика этой передачи, по простой причине – на примерах понимать метод проще. Ты начал рассказывать о каком-то кейсе. Можешь раскрыть или этот, или взять какой-то другой? На примере.

[Олег Брагинский]:

Ну вот, например, компания «Sela», которую я очень люблю, ценю – Борис Остроброд, владелец этой компании, – чрезвычайно подвижный человек, позволяет мне много экспериментировать, мы много сделали экспериментов. Ну, что такое Big Data? Big Data – это не те данные у компании, которые есть, но включая и упущенные возможности и окружающую среду.

Как мы обычно поступаем – мы выгружаем данные из «1с», анализируем и считаем, что продажи будут такими же. Это не Big Data. Big Data – это обычно еще, как минимум, два вида информации: первое – это продажи, которые не случились. То есть, мы сделали клиенту предложение, а он от него отказался. Мало какая из компании такие данные собирает.

Второе – это данные об окружающей среде. Например, в компании «Sela» собирается информация о температуре каждый день в каждом магазине, ну и так далее. Если, допустим, говорим про сеть АЗС «Трасса», где тоже мы делали проект, там, пару лет назад – это в Подмосковье полсотни заправок – там собирается еще больше информации. Есть проекты, в которых мы собираем уровень освещенности, уровень шума, ну и многое другое.

[Алексей Урванцев]:

То есть, влияние таких, гигиенических факторов по Герцбергу на потребительское поведение, на поведение покупателей, да?

[Олег Брагинский]:

Абсолютно верно. Получается, Big Data ни у одной компании по умолчанию нет. Потому что, я говорю, у нас есть только продажи, которые были, нет того что не состоялось, и второе – нет окружающей среды. А когда мы это добываем, получаются всякие невероятные вещи. Конечно, не получается погоду предсказывать, но вы понимаете, что как только падает температура, выпадает первый снег – все бегут покупать обувь теплую или, там, шапки, верхнюю одежду.

То же самое и, допустим, с кэжуальной одеждой – какая самая главная задача продаж? Чего боится ритейл? В первую очередь, он боится пустых полок. То есть, пустая полка – это кошмар ритейла. Вторая беда – это затарка, когда подсобка в магазине затарена вещами, их очень тяжело выносить в зал, или когда, не дай бог, на складе зависла прошлогодняя, так называемая, «замороженная» коллекция.

Поэтому лучшее, что можно сделать с помощью Big Data – это рассчитать в какой магазин сети какие товары доставать – это тон, размер, фасон, артикул – таким образом, чтобы контейнеры прямо из Китая шли, там, на какой-то маленький куст – 2-3 магазина, там полностью разбирались, а потом чтобы не было обратной логистики, чтобы товары опять не шли на центральный склад, чтобы не было уцененки и других всяких вещей, чтобы на следующий сезон ничего не оставалось, чтобы цена продавалась «а» – максимально быстро и «б» – чтобы она продавалась по максимальной стоимости.

Ведь если товар не продается, то к концу сезона его нужно сбрасывать. И все эти оправдания, что «я заказал зато больше, поэтому видится – дешевле, я немножко зарвал, а теперь сброшу» – это все для слабых. Сильные рассчитывают столько, сколько нужно, и продают тогда, когда хотят. И в этом как раз Big Data помогают.

[Алексей Урванцев]:

Прекрасно. Есть ли какие-то конкретные, оцифрованные результаты, то есть, мне интересно, если это кейс, то: «в итоге было снижено, сэкономили столько-то, заработали столько-то, на столько-то больше, столько-то клиентов чаще приобретают» и так далее.

[Олег Брагинский]:

Ну, понятно, что иногда цифры, которые позволяют сэкономить или заработать Big Data, – они колоссальные. Но правильнее, все-таки говорить не в объемах, а правильно говорить в процентах, потому что это все-таки характеристика владельцев, компаний – объем бизнеса. Поэтому, если говорить в объеме – это не очень много – это обычно от 4 до 12%. Но, с другой стороны, как правило, те, кто работают с Big Data – это уже лидеры, это первые, вторые, пятые.

[Алексей Урванцев]:

Сэкономленные деньги – это заработанные деньги. По сути-то своей – от 4 до 12% заработать больше в масштабах даже средней компании – это очень заметные деньги.

[Олег Брагинский]:

Да, но с другой стороны, это как бы, не волшебная пилюля, не серебряная пуля. Обычно, это зовут лидеры рынка, которые говорят: «У меня работают поляки, финны, корейцы, у меня уже все вылизано, у меня уже ничего сделать нельзя». И когда я им показываю – что тут полпроцента, тут – 0,3, тут – 0,8, тут – 1,1, там – 1,7 – они говорят «Вау! Вау! Вау!».

Почему возникает экономия? Первое – возникает экономия, потому что происходит очень точный заказ. В это трудно поверить, но мы рассчитываем каждый артикул для каждого магазина. То есть – отдельно верх, отдельно низ, когда доставить, когда убрать, когда повесить, когда вывесить. Ведь что происходит?

Приходят люди в магазин, и они говорят – вот, я бы хотел купить что-то. А им продавец привычно отвечает – приходите через 3 недели, вот, будет сезон. То есть сезонность настроена по календарю, а не по температуре – это первая ошибка.

Вторая ошибка: продавец не сильно пытается понять тип клиента. Что позволяют «большие данные» сделать? Они позволяют типизировать или кластеризировать отдельно товары, отдельно продавцов, отдельно магазины. И получается, что один и тот же продавец должен подходить, допустим, там, к парню в галстуке и с портфелем, а другой – не должен. Почему? Они по типам не совпадают.

[Алексей Урванцев]:

Ух ты! То есть вы, скажем так, конкретизировали технологию продаж даже до этого уровня? Каких-то продавцов вы сватаете какому-то конкретному типу клиентов.

[Олег Брагинский]:

Да, в этом то и состоит фишка. Опять же, понятно, что это трудно – отточить такие технологии на малом бизнесе, поэтому, к сожалению, пришлось технологии заимствовать из большого бизнеса. Ну, представьте – когда мы занимаемся коллекшеном (это сбор просроченной задолженности) – это тысячи молодых людей, которые по телефону звонят людям, у которых просрочка – что они делают?

[Алексей Урванцев]:

Речь о банковском бизнесе, правильно?

[Олег Брагинский]:

Ну, например, о банковском бизнесе, да. Что они делают? Мы должны посчитать: какой оператор (пол, возраст), в какое время (дня, недели), должен какому клиенту позвонить (опять же – пол, возраст, с каким кредитом, сумма, валюта, размер просрочки), с такой вероятностью, чтобы клиент в течение трех дней с вероятностью 98% погасил 80% задолженности.

[Алексей Урванцев]:

А как вы об этом узнаете? Прогноз делается на основании предыдущей статистики – кто чаще, после чьего звонка чаще всего клиент рассчитывался в течение трех дней – как-то так, да? Или я упрощаю?

[Олег Брагинский]:

Ну, получается что, когда вы только начинаете работать… Ну, по сути – так, но чуть-чуть более математично. Понимаете, нельзя допускать метод полного перебора, потому что когда у вас тысячи клиентов, тысячи артикулов, тысячи операторов – вы не можете себе позволить.

Допустим, когда вы продаете, скажем, мобильные пакеты или спутниковые тарелки, или, допустим, пирожные – в реальной жизни – у вас все происходит слишком медленно. Один продавец и слишком мало клиентов.

И у него ошибочная картина – все его советы, они распространяются на локальную территорию, и получается – если я из приличного района, то для меня все люди, которые, допустим, немножко неряшливо одеты – они для меня ужасны. И наоборот – если я из какого-то рабочего района, то для меня все люди прекрасны.

Ну и понятно, что мировоззрение продавца сильно влияет. Когда мы имеем Big Data – мы замешиваем всех продавцов, все товары, все время, всех клиентов, все магазины, все территории в одну кучу и пытаемся смотреть – что же было успешно.

Мы ищем наиболее удачные кейсы, и мы понимаем, что в такое-то время к такому-то клиенту с таким-то товаром должен подойти какой-то оператор или такой-то человек, и такие-то вещи говорить.

[Алексей Урванцев]:

И что получилось, что в итоге?

[Олег Брагинский]:

Ну, вот например… У меня много примеров есть – с точки зрения интернета, с точки зрения телефонных продаж – они очень быстрые, поэтому моментально достигается эффект. Если говорить, допустим, про одежду, про магазин – эффект этот, полтора-два года требуется, чтобы проверить.

Как это работает? Каждый магазин, каждая территория, каждый регионал или дивизионал (человек, который отвечает за территорию), каждый продавец считает – он хорошо продает.

А ты ему говоришь – послушай, люди бывают шести типов, описываешь их. Он говорит – а, это понял, это понял, вот это понял, кажется, я умею этим продавать. Нет, друг, ты продаешь лучше этим, этим и этим.

Этим говоришь фразу такую, этим такую, этим такую. Человек говорит – нет, послушайте, я в продажах 20 лет, это чушь собачья. В конце концов, ты набираешь штрейкбрехеров, 5-10 человек, которые выключают мозги и действуют как роботы – делают то, что им говоришь. И вдруг оказывается, что у них все хорошо. То есть, если ты мозги выключаешь и действуешь на основе знаний, которые тебе подсказала математика.

[Алексей Урванцев]:

Мозги – ты подразумеваешь прекратить ненужную инициативу – делай по технологии, которой тебя обучили.

[Олег Брагинский]:

Конечно. Вот у меня же сейчас много тренингов – так получилось – в разных компаниях, и каждая компания говорит – мы в продажах лучшие. Приходишь, а у них, там: «понять клиента, работа с возражением, закрытие сделки» – у всех одинаковая технология.

Мы настолько механистичны, настолько все одинаково делаем, что нам одинаково продают Bentley и жевательную резинку. Я утрирую.

А когда мы начинаем подходить индивидуально, то есть, ведь что самое обидное в продажах? Вы приходите, допустим, а вам говорят – много вас таких шастает (то есть, ты – такой, как все), а вы обычно не берете – я к этому клиенту не подойду. И получается, мы, основываясь на истории общения, нашей персональной, с другими клиентами, считаем, что все клиенты – вот такие.

Но, подожди, сочетание «клиент-товар-ты и время» – это некая совокупность, которая влияет на то – будет продажа или нет. В зависимости от того, какой у тебя тип, какой ты выбрал товар, что ты говоришь – с тобой нужны разные линии поведения и это влияет на продажу. То есть, математика – это хорошо, это уравнение, но потом ее важно на простом языке – блондинкам – имплементировать в реальную жизнь.

[Алексей Урванцев]:

Прекрасно. Это очень интересно. Скажи, пожалуйста, разве, в принципе, потенциал аналитики еще не исчерпан? Ты вот говоришь об этой технологии, как о новой. Я наблюдаю достаточно давно, что крупные компании считают все вдоль и поперек, настолько подробно, такое количество параметров, что периодически кажется, что компания уже и грязнет в этих расчетах, и в этой аналитике.

Там, где нужно уже принимать решение и что-то менять в технологии работы – компания до сих пор считает. Потенциал аналитики еще не исчерпан? Что об этом говорят?

[Олег Брагинский]:

Алексей, спасибо, очень важный вопрос, очень концептуальный вопрос. То есть, сразу видно эксперта.

Тут есть несколько аспектов. Первый аспект, допустим, мы говорим про город Санкт-Петербург, шикарная гостиница, где примерно полтора года назад был некий проект – это сеть большая, американская, лакшери гостиница, то есть, казалось бы – все хорошо. У них подразделения по всему миру, используют дорогие системы, и, когда нас пригласили, у них было мало надежд на то, что мы им поможем.

Но, как события развивались? Дело в том, что когда работаешь много с одним и тем же – примерно понимаешь, где копать. То есть, ты приходишь в любой отдел продаж и ты понимаешь – примерно здесь, здесь, здесь, здесь – проблемы.

Даже глубоко не ныряя. Так и я. Я говорю – господа, ну, конечно же у вас крутые системы, я понимаю, какие это названия и что вы делаете. Давайте для начала копнем в сырые данные.

И вот оказывается, что на вход поступают данные, где ошибочный пол. То есть, проверяем сочетание «-вич» и «-вна» в отчестве – и оно не совпадает с полом. То есть, у ряда ваших клиентов неправильный пол. Значит, ваша аналитика не очень точна? Дальше идем. У вас есть соотношение – страна прибытия, паспорт прибытия и язык, на котором говорит человек – я показываю, что есть чушь, то есть – есть ошибки. Почему – кто-нибудь в выпадающем списке что-нибудь не так сделал.

И глобально получается, что где-то в 5% строк – а строки большие по клиентам – есть ошибки. Допустим, клиент в одно и то же время на разных этажах гостиницы почему-то потреблял услуги.

Я понимаю, почему это происходит – потому что человек заплатил за что-то, где-то, там, забыл оператор и потом он судорожно пишет: клиент заказал 2 часа СПА, и тут же заказал ресторан, и тут же чего-то в номер. На самом деле, просто получается, что мы задним числом в систему что-то внесли. И эти данные – «а» – важно корректировать, а «б» – ложные события выбросить.

И вдруг – точнейшая аналитика, примененная к «от фонарным» данным дает, ну понятно, не очень точный результат.

Например, много там всего было в этой гостинице, но один из примеров – это то, что они решили, что им очень важно иметь сайт на арабском языке. А я им показал, что, господа – ну, французы и арабы говорят на французском, и получается, что сообщество французов+арабов гораздо больше, чем арабов. Поэтому гораздо важнее иметь сайт на французском – это из легкого.

Другое, например – соотношение цены.

Вот у нас есть прайс, и там есть какие-то коктейли, напитки, и вот очень часто – по разным причинам – то ли ошибся технолог, то ли калькулятор, то ли при типографии, когда печатали – возникают ошибки в цене. И мало кто это видит – гостинице много лет, печатный материал существует давно, но, вдруг – это не я, я не могу прочесть большие такие документы, и даже не пытаюсь – математика показывает: вот раздел английский, вот раздел русский.

Математика не понимает сути, но она говорит – это идентичные ингредиенты, допустим – я утрирую – водка-мартини-оливка, но тут цена 500 рублей, а тут – 450.

Я им говорю – господа, мало того, что это неправильно технически, это же дискриминация получается – вы иностранцам продаете дороже. А вы же компания американская. То есть, мало того, что у вас глупость, мало того, что вы не заметили – так гляньте, это нашли роботы, это нашли Big Data – по комплектующим, по составу.

Третий пример, трипэдвайзер Booking.com – там есть всякие замечания, люди жалуются, там, в гостинице одно не так, второе не так. Люди говорят – ну естественно, мы читаем, у нас есть целое подразделение в Европе, которое этим занимается.

И вот давайте сравним – мы берем текст, с помощью Big Data превращаем его в очень такие понятные вещи – персонал, шум, ресторан, одежда, сервис, чистота – очень все быстро оцифровываем. И оказывается, что наши выводы кардинальным образом отличаются от того, что есть.

[Алексей Урванцев]:

От тех выводов, которые делает их аналитическая компания?

[Олег Брагинский]:

Да, например, та команда говорит – ну, ребят, у вас проблемы с локацией – вы находитесь в исторической части города, поэтому есть нюансы, из-за которых у вашей гостиницы есть проблемы: нет парковки, чуть-чуть шумновато, ну еще какие-то вещи. А математика показывает – да у вас Wi-Fi нет, люди на вайфай жалуются.

Мало того – кто покупает Wi-Fi, говорит, что медленный интернет и окно входа неправильное. Мы входим – и действительно: на белом фоне сиреневый текст – он некрасивый, жуткий. Они говорят: «Вау, как это вообще возможно? Должны быть картинки, должно быть сексуально все!». А это не так. Это нашел не я – это нашли Big Data.

И получается, что крупная компания, любая, какую ни копнешь – и начинаются оправдания: «понимаете, это длительная история нашего богатого прошлого», «это вот так-то потому-то», «мы забыли, мы забыли». И получается, мы везде по чуть-чуть забыли, а потом получается, что чуть хуже и поэтому, чем дольше компания, чем больше она является лидером, там, допустим, второй, третьей отрасли, тем таких больше фишек.

По поводу аналитики – действительно, как правило, аналитики говорят: «Да мы-то все выкопали!» – это правда. Но, чем отличается аналитик, который получает 150 или чуть больше тысяч рублей, от профессионала, который получает гораздо больше в час? Он отличается цепкостью.

Этот человек сидит на работе каждый день, и ему даже не выгодно выкапывать яму полностью – ну, надо же покопать и завтра, и послезавтра, и послепослезавтра – ему нужно работу растягивать. А чем занимаются такие ребята, как мы с тобой? Мы приходим – вгрызлись, съели булочку, там, за час и ушли, поэтому мы быстро заходим, быстро все находим.

[Алексей Урванцев]:

Вспоминается старая байка, про Уильяма Тейлора… А, нет – про старого инженера, которого пригласили исследовать, что в огромном моторе корабля сбоит, что не работает. Человек, который 30 лет работал, походил там часик, постучал молоточком, и вдруг сказал – вот, ремонтировать нужно здесь.

Огромный двигатель. Те сказали – да без проблем. Отремонтировали, нашли – действительно, путем простукивания тот выяснил, что проблема именно здесь.

Отремонтировали – все заработало. – Дайте, пожалуйста, чек на гонорар 100000 долларов. – Как – за час работы вы хотите получить 100000 долларов? Представьте смету! 1 доллар – за удар исследования, а 999, сколько там, тысяч долларов – за знание, туда – куда ударить. А, или, вернее, не так – он даже ударил молотком и двигатель заработал! Прекрасно, да. Мне очень приятны твои сравнения, да!

[Олег Брагинский]:

То есть, получается, ну вот представь – ты сегодня поработал с компанией, которая занимается пирожками, завтра – которая вареньем, потом – джинсы где-нибудь продает, потом – футболки, потом – верхнюю одежду, потом – самокаты, потом – какие-то гаджеты, и получается, твой совокупный опыт – вот эта вот большая часть чека – она у тебя из-за того, что ты знаешь разные индустрии, разные подходы.

[Алексей Урванцев]:

Ну, вот шутки шутками, байки байками, действительно – чем больше проектов было у консультанта, тем сильнее и глубже он видит. Это я присоединяюсь. Скажи, пожалуйста, Олег, а все ли виды продаж – B2B, HoReCa, – ну, собственно, ты об этом уже немножко сказал, B2C – возможно оптимизировать через метод Big Data? К чему, какие отрасли расположены больше?

[Олег Брагинский]:

Когда я только начинал применять Big Data в продажах – понятно, что они пришли из безопасности, из компьютерной безопасности, где каких-то там достигли вещей, из анализа текстов, из семантики, из распознавания сигналов, из военных технологий – ну, в какой-то момент меня попросили попробовать помочь, сначала розничным продажам – и это оказалось легко.

Почему – когда у вас есть сотни тысяч экспериментов, у вас уже база достаточная. Потом я занимался массовым бизнесом – это, там, замороженная рыба где-нибудь на базаре, это какие-то, там, жалюзи, это какие-то, там, небольшие газонокосилки – там уже было сложнее, потому что много субъектов, которые занимаются продажами, слишком много артикулов, и слишком маленькие продажи на единицу – это было сложно.

Гораздо сложнее оказались B2B-продажи – когда уже крупная компания крупное продает. И вот самое сложное, что было в моей практике – это работа с так называемыми Центрами принятия решений. Допустим, есть некое предприятие – выпускает большие машины. У этого предприятия есть предприятие, которое другое – дочернее, которое их продает, ремонтирует, куча дилеров, торговый дом, и получается большой конгломерат.

И вот вы продаете не самой важной компания, которая всем политику диктует финансовую, экономическую, стратегическую, а продаете какой-то другой компании. И вот это уже сложно – то есть, угадать, как будет действовать подчиненное предприятие – сложно.

Самое сложное, что в моей жизни было, – это как раз даже не продажи, продажи – это легко просчитывается – у вас проходит момент и есть сделка. Гораздо сложнее отток – как угадать, что клиент от вас уйдет. И вот я помню, я недели три ходил такой весь расстроенный, огорченный – не мог придумать…

[Алексей Урванцев]:

Как предсказать отток, причем в B2B? Часто это зависит совсем не от качества товара…

[Олег Брагинский]:

И причем, говорю, это же считается задачей нерешаемой – не предупредили: задача нерешаема. И вот, я долго думал. Понимаете, Big Data – это не только математика. Первое – это нужно задачу формализовать. Второе – построить модель. Вот как понять, что компания, допустим, из банка уходит?

Она ведь не сразу уходит – сначала мельчает денежный поток, а потом долго висит счет. Компания может даже не закрывать счет. А потом мы приходим в компанию и говорим – а почему вы с нами не работаете? А она говорит – мы подписали договор на счет в другом банке – уже сделать ничего не можем. И ты год или полтора сидишь и куришь бамбук. То есть ситуация такая – нерешаемая.

Я очень долго думал над моделью, а потом, когда построил модель – то есть я придумал 9 состояний, в которых компания находится – математика сложилась очень быстро. То есть, я перебрал все like-to-like, то есть: месяц к месяцу через месяц, месяц к месяцу через два, получается три параметра: первый срок, второй срок, между ними интервал и глубина финансового падения. И когда я посчитал это все – я сделал все возможные варианты – полный перебор. Ну, поэтому задача считается сложной.

Оказалось, что если четыре месяца к четырем в интервале 4 месяца – ну, так случилось, что все эти периоды совпали – падение финансовой выручки около 32%, то, с вероятностью почти 89% с копейками, компания организацию покидает. Как это работает – мы берем все множество событий, которое было, берем случайным образом 70%, на них модель строим, а потом проверяем на последних 30.

И если модель срабатывает – показывает хорошую силу предсказателя, то мы говорим: если это срабатывало в обратную сторону, то есть на прошлые периоды – сработает и в будущие. Стали проверять, и вдруг – заработало. Повторюсь: продажи – это простая штука. Гораздо сложнее предсказать, что человек не купит у вас обед, не купит у вас следующую футболку, не купит у вас кроссовки – вот это круто.

[Алексей Урванцев]:

Работать с клиентом, который стал клиентом – проще, да?

[Олег Брагинский]:

Да, да, да.

[Алексей Урванцев]:

Слушай, какие интересные вещи ты рассказываешь! Чрезвычайно! А товары, клиенты, продавцы, магазины – это все, все эти факторы подлежат расчету, или есть какие-то ограничения, есть вещи, за которые ты не возьмешься? Есть пределы Big Data и применению твоих математических навыков?

[Олег Брагинский]:

Знаете, когда с компанией начинаешь работать – компания входит во вкус. Допустим, с той же «Sela» мы кое-что сделали с интернет-магазином, кое-что сделали со складом, у них стали меньше площади, быстрее оборачиваемость, лучше заработал интернет-магазин, это такой, как бы, такой концепт.

Иногда бывает, что заказчик говорит: а вот у меня еще ломаются кассовые аппараты – тебе же все равно, что считать, ты математик – посчитай.

Считаем кассовые аппараты и начинаем предсказывать – ребята, вот, если вот такие события – вот такое-то происходит – меняйте кассовый аппарат, или меняйте компонент, и все время технари или компания обслуживающая возмущаются – послушайте, вы нашей гарантией злоупотребляйте – он еще не сломался.

Я говорю, хорошо – давайте, пробуем: вот если вы не замените – через 11 дней будет поломка. Проходит 11 дней – поломки нет, они такие – ну что?

Проходит 20 дней – поломка. И получается что, там, плюс-минус 15-20 дней – аппарат начал из строя выходить. Они говорят – но это же невозможно! Мы японцы, мы, там, считаем, такого нет, вы сами это делаете – вы сами их ломаете. То есть много есть вещей, которые можно посчитать.

[Алексей Урванцев]:

Не ломаете?

[Олег Брагинский]:

Нет, конечно! Мало того, еще есть интересная штука. Вот мы говорили уже про магазины, про клиентов, про менеджеров, про товары, мы еще забыли поговорить про территории. Вот часто бывает, что какой-то менеджер отвечает, допустим, за какой-то регион. И там, допустим, рядышком три города какие-нибудь. И получается, что один человек отвечает за три города.

Как компания рассуждает? Мы же находимся, вот здесь, рядышком, поэтому менеджер из какого-то региона, там, допустим, из Новосибирска, или из Москвы летит и накрывает три города.

О чем мы думаем – что мы экономим на билете, то есть мы минимизируем перемещения человека. Но как только мы кластеризацию сделаем территории, оказывается, что города – разные. В одном городе – продажи стабильные и там нужны такие, упертые ребята, которые будут продвигать.

В другом – малая конкуренция, должны быть такие, которые будут все взрывать. И когда мы даем одному человеку пять городов, где – я утрирую – все пять разных стратегии нужны – он действует некоей средней стратегией.

Ну, представим: мы берем некий магазин большой в каком-то крупном городе, там находится 1000 человек и мы всем приносим обувь 42 размера – она же в среднем нормальная. Так вот, средняя обувь в средней тысяче людей подойдет только 7 или 9 процентам. Всем остальным она будет или мала или велика. То же самое в продажах.

[Алексей Урванцев]:

Есть знаменитое исследование – не бывает «среднего» человека, да?

[Олег Брагинский]:

Конечно! Нет «среднего» человека. Почему, вот, много всяких есть в машине регулировок, или даже в видеокамерах куча всяких кронштейнов – то же самое и здесь. И получается, что если мы пытаемся действовать средними – мы не угождаем никому.

А когда мы говорим – нет, вот эти города находятся далеко, но у них одинаковая стратегия, и в этом хорош именно Вася – Вася начинает тратить гораздо больше на перелеты, но это несравнимо с вашим бизнесом, несравнимо. То есть, что получается – очень часто продажи не столь сильны, потому что вторичные люди имеют большую силу. Финансовая служба продавливает.

[Алексей Урванцев]:

Вторичные – в каком смысле?

[Олег Брагинский]:

Ну, то есть мидл-офис, не фронт-офис. То есть – сильные юристы в компании, или сильные ИТ-шники, или сильные какие-нибудь там, не знаю, аудиторы. И, в конце концов, оказывается, что продавцы имеют меньше воли, меньше прав, меньше авторитета.

[Алексей Урванцев]:

Меньше авторитета, статуса, возможностей, это знакомая проблема, да.

[Олег Брагинский]:

То есть, если они тратят слишком много усилия, они мать родную продадут – тоже плохо. Или там, скидками забросают рынок. Поэтому должен быть здоровый приоритет. Ну вот, кластеризация территории, городов, кустов – она тоже очень эффективна.

[Алексей Урванцев]:

Прекрасно, спасибо. Сколько времени актуальны модели Big Data, достаточно ли однократно провести расчеты, чтобы пользоваться ими бесконечно долго?

[Олег Брагинский]:

Тоже очень глубокий вопрос – я с ним сталкиваюсь постоянно. У меня несколько раз были серьезные проколы. Это было в середине двухтысячных годов – я в 5-ом, 6-ом, 7-ом году построил много прорывных моделей для крупнейших интернет-магазинов, для крупнейших компаний ресторанного бизнеса, для компаний, которые занимаются High End продуктами, для компаний, которые занимаются массовыми вещами, такими как легкая промышленность.

И вдруг, когда началось резкое изменение курса валют, когда началась резкая безработица – эти модели перестали работать. И все настолько были уверены, что модель работает хорошо, что это заметили поздно – через 3-4, 5-6 месяцев и были серьезные убытки. И понятно, что, там, на общем промежутке времени это, конечно же, было несущественно, но для конкретного финансового периода или финансового года убытки были существенные.

[Алексей Урванцев]:

Ну, то есть все зависит, собственно, от лабильности рынка, от того, насколько он быстро меняется?

[Олег Брагинский]:

В первую очередь – да. Ну, я потом – знаете – наученный, к сожалению, на своих ошибках, стал к этому более серьезно относиться. Я какую даю рекомендацию – если мы построили модель, то модель лучше перестраивать, когда проходит примерно год-полтора, 18 месяцев – это когда у вас уже было два сезона – первый критерий. Второй критерий – когда у вас клиентов стало процентов на 10 больше – ну, то есть уже стало их, там, количество покупателей, потребителей…

[Алексей Урванцев]:

Ну, то есть, с другой массой клиентов приходится работать, да?

[Олег Брагинский]:

Да, правильно – масса, объем клиентов. И третье – когда у вас стало событий процентов на 10 больше, то есть даже те же клиенты стали больше покупать. Вот, лучше пересчитывать.

[Алексей Урванцев]:

Больше или меньше, наверное – то есть когда меняются характеристики какие-то цифровые?

[Олег Брагинский]:

Ну, в любую сторону, да. Опять же – вот, если мы говорим про изменения продаж, я опять же приведу кейс, ссылаясь на твою просьбу. Недавно был проект с крупной компанией, второй в своей индустрии, которая занимается инженерными системами – это обогрева, вентиляции.

Они очень радовались тому, что у них есть растущие сегменты рынка, и вот когда я посчитал – у них было много неприятных открытий.

Один из них состоял в том, что «ребята, да, у вас в этом месте клиенты растут, но вы заблуждаетесь – это не новые клиенты, это – оптимизируя бизнес – многие ваши клиенты открывают другие организации».

Они говорят – это невозможно. Я говорю – я тоже проверить не могу, потому что это другие директора, другие названия компаний, сейчас другие регионы – но характеристики покупок настолько точны, настолько индивидуальны.

[Алексей Урванцев]:

Аналогичны, да, тому, что уже были сделаны?

[Олег Брагинский]:

Да. Представьте – у вас там был человек, который был такой-то рост, такой-то вес, такая-то полнота и он любил, допустим, покупать серые костюмы в полосочку и галстуки в горошек, и другой Вася в другом регионе, но очень близко, делает то же самое – идентичный паттерн поведения. И когда мы разобрались – они были просто в шоке.

Они говорят – получается, мы этим людям, этим компаниям, даем зря преференции. Они не новые – они не растущие. Возможно, даже, этой компанией пользовались клиенты, зная, что есть система лояльности.

[Алексей Урванцев]:

Для новых клиентов?

[Олег Брагинский]:

Да. Вы сами понимаете, что если вы, допустим, сменили телефон, то в «Яндекс.Такси» вы можете воспользоваться новым купоном на первую поездку, и так до бесконечности.

[Алексей Урванцев]:

Прекрасно! Воспользуемся. Насколько Big Data и искусственный интеллект близки или далеки? В чем между ними связь, расскажешь?

[Олег Брагинский]:

Да, конечно, спасибо. Вот, я рискую, когда рассказываю – я слишком упрощаю математику, наверное, мои коллеги – математики, аналитики – они, наверное, думают «ну что ж ты так, не мог чуть точнее сказать?».

Но я скажу так: Big Data – это когда вы обрабатываете данные сверх необходимого, очень быстро, и совершаете максимально разумное количество попыток, гипотезу сгенерировали – проверили, сгенерировали – проверили. Мало быть умным – мы все умные, а, вот, важно пробовать, важно делать – это про Big Data.

Искусственный интеллект – это чуть-чуть другое. Искусственный интеллект – это когда вы не можете заранее предсказать тот совет, который вам даст машина. То есть, и там, и там я использую колоссальные объемы данных, сверхбольшие данные, гигантские темпы роста, потому что я работаю с лидерами рынка.

Но Big Data – это все-таки про эксперименты, а искусственный интеллект – это как взять, и вобрать в себя опыт людей. Вот, есть, допустим, человек, который в каком-то регионе блестящий продажник. Он курирует три магазина, и вот мы приходим, и у него учимся – ты делаешь что так, что не так, почему?

И он говорит очень странные вещи – вы понимаете, вот я знаю, что если женщина купила лосины тигровые – то она, там, через время придет куртку купит. Я не понимаю, как это работает, но в моей голове есть четкая связь одного товара с другим – они связаны. Они из разных коллекций, из разных концов.

[Алексей Урванцев]:

Важнее, скорей, не в твоей голове, а в анализе математическом, да? То есть, показывает доказательно, что после лосин покупают куртку.

[Олег Брагинский]:

Да. И потом получается, мы делаем расчет, что с вероятностью такой-то, от одного товара к такому-то приходят через столько-то дней. И потом мы приходим к людям этим, и говорим – к старичкам-продажникам – ребят, почему так?

Они говорят – ну что вы, нас за дураков держите – это все очень просто, очевидно. И они рассказывают суть – они говорят – люди, которые любят V-neck, допустим, В-образный вырез – они покупают, допустим, такие-то рукава. Почему – не понятно.

Мы это программируем, и, получается, пообщавшись с двумя, с тремястами сотнями продавцов, мы вдруг говорим – знаете что? А, вот, нужно поставить вот эти футболки и, допустим, там, вот эти курточки рядышком. А нам все говорят – послушайте, они не подходит по цвету, по сезону, по ткани, по массе параметров. Мы говорим – а попробуйте. И вдруг оказывается, что эти товары разгребают.

[Алексей Урванцев]:

То есть это реальная история, это так и было, да?

[Олег Брагинский]:

Абсолютно реальная история, да. Или другой пример – это не мой пример, это пример моего коллеги, который тоже занимается этим – он говорит, вот, в одном из крутых магазинов, в одной сети премиальных продуктов продовольственных, мы начали оборачивать сыр в красную упаковку.

Вот мы посчитали, что красная упаковка должна влиять на молочные продукты. Ну, где – красный цвет, а где – сыр? Ничего общего! И вдруг – определенная, четко просчитанная категория людей, стала этот сыр грести. Почему это происходит – не понятно. Как работает искусственный интеллект?

[Алексей Урванцев]:

Ну почему… Как правило, красный цвет в рознице – я предполагаю – там включается распродажная цена. Во многих сетях, просто, красный цвет связан с распродажей – «это дешевле». Это версия.

[Олег Брагинский]:

Может быть. Но, видишь ли – ты специалист, ты очень глубоко в продажах. Для меня продажи – это одна из частей. Я не могу себе позволить иметь гипотезы. Я имею слишком ограниченный набор знаний. То есть – да, конечно, у меня было, допустим, в продажах, триста проектов…

[Алексей Урванцев]:

Ничего себе! Скромничаете чуть-чуть. Кокетничаете.

[Олег Брагинский]:

Кокетничаю. Но, я поступаю иначе. Есть два типа людей: первые – такие, как ты – люди, которые глубоко знают, они приходят и говорят: вот, я знаю, имею опыт – оно будет вот так-то. Я каждый раз надеюсь, что – а вдруг я что-нибудь новенькое найду, то есть – я же математик.

[Алексей Урванцев]:

То есть, гипотеза должна проверяться.

[Олег Брагинский]:

Да, мне очень важно получить еще одну десятую, еще одну сотую, то есть я соревнуюсь сам с собой. И получается, что можно эксплуатировать знание рынка, вот как делаешь ты. Ты говоришь «я знаю, как будет» – и ты это внедряешь.

Я действую иначе – я просто наблюдаю за популяцией, я делаю вид, что я не знаю, что происходит, то есть я марсианин – я не знаю вашего товара, не знаю вашего магазина, не знаю ничего. Часто мне говорят – как ты делаешь анализ? Ты не знаешь нашего бизнеса, не знаешь, чем ты занимаешься.

[Алексей Урванцев]:

«Вы не понимаете нашей специфики.»

[Олег Брагинский]:

Конечно! Специфики региона, города, конкуренции. Ну, ты меня понимаешь. И поэтому, как раз вот, и есть разница: Big Data – это ты рассчитываешь потенциал, где можно срезать по чуть-чуть, а искусственный интеллект – это ты загружаешь максимально много данных в систему, они варятся, и система тебе выдает множественные альтернативы. Она говорит – попробуйте это, это, это, это, это.

Теоретически, если ты сделал все правильно и данных внес много, идей разных людей, если они не врали, если они не имитировали бурную деятельность, ты получаешь много полезных гипотез. И, скорее всего, почти все они внедряются.

Но очень важно, чтобы в них верили люди. То есть, уравнение математическое или совет какой-нибудь абстрактный – в него люди не верят, поэтому часто мы внедряем не самые лучшие советы искусственного интеллекта или формулы Big Data, но те, в которые люди верят. Потому что, если люди верят – они очень стараются.

В чем проблема и искусственного интеллекта и Big Data – я ведь не лучший математик – у меня получается хорошо внедрять только потому, что я нашел язык, с помощью которого я говорю с людьми.

Такой кейс: как-то мне нужно было придумать продажи состоятельным клиентам. Ну, вот есть некий клуб, и в этом клубе должны быть только состоятельные клиенты. И получается, ну вот, любой человек в хорошем костюме, на дорогой машине, со значком депутата, приходили и говорили «я клиент то что нужно» и начинали этим клубом пользоваться.

Ну, а ты же понимаешь, что в каждом клубе есть чем злоупотребить – бесплатное спиртное, переговорные, сигары, обслуживание, уборка, большие переговорные – и, получается, через время вдруг деятельность оказалась не такой прибыльной. Ко мне обратились и говорят – в чем дело?

Я говорю – ну, понимаете, вот у вас сейчас, к примеру, столько-то клиентов (их там было, по-моему, около 300), вам 280 с чем-то нужно убрать – и показываю пофамильно. Они говорят – а это акционер наш, а это такой депутат, это такой-то сенатор, а этот, там, мэр, а это – губернатор. Я говорю – вам красота или бизнес? Те говорят – ну ладно, давайте бизнес.

[Алексей Урванцев]:

Но ведь, если убрать, если я правильно понимаю, то в чем смысл тогда этого клуба? Останется 10 человек!

[Олег Брагинский]:

Расскажу. И получается, что, как только мы имеем клуб или бизнес, который нам нравится, который нам греет, в котором мы даем скидки – как мы хотим, то есть мы, как бы, эмоционально делаем.

Бизнес становится теплым, он становится домашним, как загородный клуб. Я сделал математику и показал, что есть некая модель – люди, которых нам нужно привлечь. И вот, если я сейчас скажу тебе, ты скажешь – это же было так очевидно. Но сейчас-то вот ни у тебя, ни у слушателей нет такой идеи.

[Алексей Урванцев]:

Я скажу, я скажу.

[Олег Брагинский]:

Ну, ты меня-то уже знаешь – ты был на моих мастер-классах, спасибо тебе. Я сделал математику – есть некая цикличность, то есть – есть люди, рожденные в определенный год, плюс еще пару параметров, которые влияют на и состоятельность.

И вот оказалось, что люди, рожденные в год стихии металл – склонны к накоплению капиталов. Это кажется очевидным – металл, золото, люди копят деньги. Но до меня этого же не было? И понятно, что было сложное уравнение, и когда я сказал эту глупость: «люди, рожденные в год металла, имеют склонность к накоплению капитала» – это не очень красиво, но оказалось, что более 70% людей попадают под это простое уравнение.

[Алексей Урванцев]:

Из той выборки 280 человек?

[Олег Брагинский]:

Ну, там чуть больше было, да. И получается, что как только блондинкам с красивыми глазами, но не очень высоким IQ я это объяснил – их задачей стало, вот, в ходе разговора с людьми примерно выяснить – а это же не сложно, заполняешь анкетку: имя, фамилия, год рождения. И где-нибудь в уголочке висит маленькая подсказочка – года, которые интересует – и все.

И теперь – любой человек в прокатном Бриони на прокатном Майбахе – он, я утрирую, он не попадает под категорию крутого клиента. И получается, что вот эта профанация, вот такое очень вольное трактование математики – оно более полезно, чем точный расчет. Часто мне говорят – послушай, ну, как-то ты слишком натягиваешь. Я говорю – да, точность уравнения не так важна, как реальная жизнь.

Допустим, другой пример – продажи б/у автомобилей. Есть люди, которые занимаются оценкой – это оценщики, которые такие яйцеголовые, сидят, вечно думают. Но, если посчитать, сколько они стоят и сколько стоит ошибка оценки одного автомобиля – то выгоднее математикой ошибиться на 3-4%, чем идеально посчитать.

Ну вот такой простой пример. И получается, что математика в среднем дает гораздо более высокую точность, чем то, что у нас есть – оценка с точки зрения людей.

[Алексей Урванцев]:

Прекрасно. То есть, мы говорим о том, что расчет в продажах должен быть объективным, оцифрованным. Кстати, кроме продаж – на что еще можно обратить Big Data? И, кроме этой сферы, где еще можно получить пользу?

[Олег Брагинский]:

Ну вот, если мы говорим как раз про HoReCa, то очень легко вычислять ворующих официантов или поваров, которые не соблюдают технологию. Чаевые – это конечная, финальная благодарность клиента. И всегда можно понять – какой официант какие блюда каких поваров носил.

Можно очень высчитать быстро корреляцию. То есть корреляция «официант – чаевые», она очевидна – я, там, в копилочку бросаю денежки, а вот корреляция «кто на кухне плох – кто хорош», через чаевые не всегда очевидна – первый пример.

Второй пример – когда у вас много магазинов, много товаров, вы работаете напряженно – у вас начинается текучка персонала. Вот текучесть персонала можно рассчитать, можно сделать так, что у вас будет job profile для продавцов такой, который будет к вам приводить людей, проработающих дольше, и они будут продавать лучше. То есть много таких есть вещей, которые Big Data вполне по силам.

[Алексей Урванцев]:

Прекрасно. Ну, насколько я знаю, да – Big Data интенсивно внедряются уже в подборе персонала, автоматизируются все процессы, и – по слухам – уже через несколько лет в профессии рекрутера потребность снизится, причем очень серьезно.

[Олег Брагинский]:

С большой вероятностью.

[Алексей Урванцев]:

С огромной вероятностью, да. Ну что ж, Олег, огромное тебе спасибо. Не знаю, как моим слушателям, но я уверен, также как и мне, было интересно. Это дает совершенно новые перспективы.

Признаюсь, я пригласил тебя не только для слушателей, но и для себя, потому что некоторые методы я еще не применял, в каких-то -не компетентен. Это очень здорово. Ну что ж, несколько последних слов в… Простите, «последнее слово» – неправильно выразился, да? Завершающая фраза – пара советов предпринимателям, как использовать современные методики в повышении продаж? Вот – первое, что приходит в голову, Олег?

[Олег Брагинский]:

Ну, первое – это тщательно собирайте данные и их крайне берегите. Данные имеют смысл, пока они свежие, то есть, пользоваться данными о продажах давними – это глупо, но еще собирайте данные о продажах, которые не состоялись, собирайте больше данных от персонала, и связывайте между собой клиента, товар и продукт. Вот, пожалуй, такой, если… «моментальная вспышка» – это про это.

[Алексей Урванцев]:

Прекрасно. Друзья, у нас в гостях был Олег Брагинский, «гений эффективности» – так называют этого человека – руководитель московской «Школы траблшутеров», в свое время – топ-менеджер «Альфа-Банка» в России и в Украине.

Огромное спасибо, Олег. Я жду вас через неделю, в четверг, в 9:00 по московскому времени, на передаче об умных продажах «Без скидок».

Всего доброго, до свидания!