Modèle de structure d'équipe de vente efficace à l'aide de la science des données

Publié: 2022-11-13

De nombreuses organisations modifient la rémunération incitative ou les quotas de leur équipe de vente lorsqu'elles ne parviennent pas à atteindre leurs objectifs de croissance des revenus. Cet échec peut être attribué à des processus obsolètes, à la configuration de l'équipe ou à des problèmes de prise de décision qui freinent les performances.

Cependant, la science des données peut aider à fournir des solutions efficaces pour l'organisation des ventes. Au lieu de simplement réagir à de mauvaises performances, la science des données peut permettre à l'organisation commerciale de s'adapter aux changements et d'éviter les échecs.

Guide

Qu'est-ce que la gestion de la performance des ventes et comment peut-elle transformer mon entreprise ?

Obtenir le guide

Les accords complexes avec une participation accrue des parties prenantes rendent la structure d'équipe essentielle

La plupart des processus de vente au sein des organisations suivent un modèle familier . Les étapes classiques de la génération de leads à la qualification, en passant par la définition du problème et la négociation peuvent continuer à fonctionner efficacement dans certains environnements de vente orientés produit et transactionnels.

Cependant, dans l'environnement commercial actuel, de nombreuses décisions d'achat sont devenues plus larges, avec plus de parties prenantes apportant des points de vue uniques qui doivent être spécifiquement pris en compte. Les étapes classiques ont été conçues à l'origine pour être mises en œuvre par des individus avec un minimum de soutien des équipes de back-office. Dans la nouvelle réalité commerciale d'aujourd'hui, le travail d'équipe est beaucoup plus important.

Selon Challenger , le prospect ne prend aucune décision 38 % du temps. Peut-être plus important encore, la raison la plus courante de ce manque de décision est l'incapacité des parties prenantes à parvenir à un accord. Pour réussir à promouvoir le consensus des acheteurs, votre équipe de vente a besoin de plusieurs domaines d'expertise et de nombreux points de contact avec un prospect. Si la vente se concrétise, les équipes de mise en œuvre, de gestion de compte et/ou de réussite client s'impliquent également pour soutenir le nouveau client.

La configuration et l'efficacité de l'équipe sont essentielles lorsque vous engagez de grandes équipes pour conclure des ventes complexes. Cela signifie guider le client tout au long de son expérience avec votre produit, service ou entreprise.

Les mêmes facteurs qui rendent le travail d'équipe plus critique rendent également obsolète l'ancienne méthode de détermination de la performance des équipes de vente. L'ancienne méthode repose presque uniquement sur les résultats des ventes avec un examen qualitatif léger. Les chefs des ventes avaient l'habitude de se joindre aux appels de prospects et aux réunions de présentation pour fournir un coaching, qui pouvait ensuite être utilisé en aval lorsqu'ils effectuaient des examens du pipeline et évaluaient les taux de conversion. Aujourd'hui, cela risque de ne pas suffire.

La nouvelle façon d'évaluer les performances de l'équipe de vente combine le meilleur de l'ancienne avec trois techniques puissantes utilisant des impératifs stratégiques liés aux données pour analyser et optimiser la structure efficace de l'équipe de vente.

Technique de science des données n° 1 : Modélisation des rôles de l'équipe de vente

La modélisation des rôles de l'équipe de vente analyse des comportements spécifiques pour développer et renforcer ce à quoi ressemble le « génial » ; crée ensuite des profils de rôle d'équipe en fonction des lacunes et des points forts des capacités de votre équipe de vente.

Données requises

Pour mener à bien cette initiative stratégique, vous aurez besoin de certaines données sur les membres de votre équipe, notamment des données biographiques sur les études et l'emploi et des caractéristiques de personnalité. Pour ajouter de l'objectivité et des données supplémentaires au processus, il peut être utile d'administrer un test de personnalité complet aux membres de l'équipe et d'incorporer les informations recueillies.

Approche de l'analyse

L'étape suivante consiste à analyser la composition de votre équipe et des autres équipes pour comparer la composition à la performance. Les questions les plus importantes auxquelles répondre sont :

  • Quelles sont les caractéristiques/expériences de la plupart des membres de l'équipe ?
  • Quelles caractéristiques/expériences les équipes de vente très/peu performantes ont-elles/n'ont-elles pas ?

Deux approches d'analyse de données de base peuvent être appliquées aux données que vous avez recueillies : la régression et le regroupement.

La régression est une fonction d'apprentissage automatique qui prédit un nombre, tel qu'un chiffre d'affaires annuel. La tâche de régression commence par un ensemble de données dans lequel la valeur cible est connue. Dans le processus de construction du modèle (formation), un algorithme de régression estime la valeur de la cible (performance des ventes) en fonction des prédicteurs (traits de personnalité, ancienneté, etc.) pour chaque cas dans les données de construction. Ces relations entre les prédicteurs et les cibles sont résumées dans des modèles. Ces modèles peuvent aider à identifier les caractéristiques et les expériences des membres de l'équipe et de l'équipe dans son ensemble qui prédisent le mieux les performances de vente.

Les techniques de clustering sont un type d'apprentissage automatique qui utilise les caractéristiques et les expériences des membres de votre équipe de vente pour identifier des catégories communes. Par exemple, pour effectuer une analyse qui compare le nombre d'expériences de formation des membres avec leur temps d'interaction avec un client, le regroupement peut identifier deux groupes d'employés : un groupe qui a plus de formation et plus de temps avec le client, et l'autre groupe qui a moins de formation et passe moins de temps avec le client. Ces profils peuvent ensuite être liés à des KPI (indicateurs clés de performance).

Exemple : les modèles de repérage indiquent une voie vers l'amélioration

En utilisant des techniques basées sur la science des données, une entreprise technologique a pu découvrir certaines caractéristiques communes de ses équipes de vente peu performantes. Ils étaient plus dispersés géographiquement, avaient des listes de ciblage des ventes plus diffuses et avaient des compétences commerciales moins alignées sur leurs rôles que les équipes très performantes. Connaître des modèles autrement difficiles à percevoir peut conduire à une correction réussie des performances inférieures à la moyenne.

Technique de science des données #2 : prise de décision par l'équipe de vente

L'analyse de la prise de décision peut identifier des moments spécifiques au cours de la chronologie d'achat (et de réussite du client) lorsque certaines actions doivent être prises afin de maximiser les KPI de vente.

Données requises

Les deux types de données nécessaires à cette technique sont :

  • Données de mouvement temporel en contact avec le client (activités avant-vente, vente et après-vente)
  • Données de communication (email, rendez-vous d'agenda, échanges sur les plateformes de réseautage professionnel)

Approche de l'analyse

Cette analyse trouve spécifiquement les meilleurs moments pour les membres de l'équipe de vente pour s'engager dans certaines activités en contact avec le client en examinant la trajectoire des actions, des décisions et des communications de l'équipe de vente tout au long du parcours d'achat du client. Ceci est ensuite mis en correspondance avec votre processus de vente en liant le timing à la performance de l'équipe de vente.

Les techniques de régression , telles que décrites dans la dernière section, peuvent également être utilisées ici. Dans ce cas, vous pouvez d'abord créer des « codes » dans vos données pour représenter les points de la chronologie de l'équipe de vente lorsque certaines actions, décisions et communications se produisent. Ces codes peuvent ensuite être utilisés comme prédicteurs de la performance des ventes dans vos modèles.

Exemple : Découvrir ce que les meilleurs ont à enseigner

Un cabinet d'avocats essayait de comprendre les comportements de ses principaux faiseurs de pluie afin de pouvoir distiller les idées en une formation efficace pour les autres développeurs d'affaires du cabinet. Une enquête de temps et de mouvement ainsi qu'une analyse des modèles de communication ont été essentielles pour atteindre cet objectif.

Technique de science des données n° 3 : collaboration avec l'équipe de vente

L'analyse de la collaboration de l'équipe de vente peut vous aider à déterminer l'efficacité avec laquelle les membres de votre équipe de vente travaillent ensemble, interagissent avec le client et comment ces interactions d'équipe stimulent les ventes.

Données requises

Vous aurez besoin de données qui aident à traduire la collaboration d'équipe en revenus et bénéfices réels, notamment :

  • Communications (courriels, calendrier de rendez-vous, échanges sur les plateformes de réseautage professionnel)
  • Rémunération et performance, CRM et données de facturation client

Approche de l'analyse

Ces données peuvent être utilisées pour déterminer avec qui les équipes de vente communiquent, à quelle fréquence et quels modèles de communication sont associés à des performances de vente élevées.

L'analyse organisationnelle des réseaux (ONA) est une méthode d'étude des réseaux de communication et sociaux au sein d'une entreprise. Cette technique crée des modèles graphiques et statistiques qui peuvent vous aider à bien comprendre les modèles de communication de votre équipe de vente.

Les trois mesures de réseautage courantes produites par l'ONA sont :

  • Densité - le degré auquel les membres de l'équipe communiquent directement les uns avec les autres.
  • Centralité - quels membres de l'équipe de vente sont les plus influents dans leurs communications.
  • Réciprocité - le degré auquel les membres de l'équipe de vente échangent mutuellement des informations.

Ces métriques, une fois développées, peuvent être utilisées dans la modélisation prédictive des KPI des équipes commerciales.

Guide

Le guide du chef d'entreprise pour réussir dans la nouvelle ère des revenus

Obtenir le guide

Exemple : Mettre en évidence les comportements qui mènent au succès

Une organisation de consommateurs basée sur le terrain cherchait une compréhension plus approfondie, basée sur les données, de la manière dont ses responsables commerciaux contribuaient à la croissance et aux bénéfices. Grâce à l'analyse prédictive, à l'ONA et à la modélisation, ils ont pu identifier les approches de tâches et les comportements cruciaux qui contribuent au succès des directeurs des ventes très performants. Les données de personnalité, les signatures de réseau et les comportements des directeurs des ventes ont prédit 18 % de la variance des ventes d'une année sur l'autre.

Ne commettez pas l'erreur de supposer que les quotas et la rémunération sont les seuls déterminants du succès des ventes. Le processus est critique. Assurez-vous que votre équipe des opérations commerciales dispose d'outils basés sur la science des données pour optimiser les processus et les performances, ainsi que des connaissances dont ils ont besoin pour en tirer le meilleur parti. Apprenez-en plus sur la façon d'améliorer votre efficacité commerciale dans notre récent guide, « Maîtriser la gestion de la performance des ventes : un guide pour la transformation numérique des ventes ».

Ceci est un article invité de Tom Hill et Tatem Burns d'Axiom Consulting Partners. En savoir plus sur Axiom ici.