데이터 과학을 사용한 효과적인 영업 팀 구조 모델

많은 조직이 매출 성장 목표에 미치지 못할 때 영업 팀에 대한 인센티브 보상이나 할당량을 조정합니다. 이 실패는 성능을 저해하는 오래된 프로세스, 팀 구성 또는 의사 결정 문제로 인한 것일 수 있습니다.

그러나 데이터 과학은 영업 조직에 효과적인 솔루션을 제공하는 데 도움이 될 수 있습니다. 데이터 과학은 단순히 성능 저하에 대응하는 대신 영업 조직이 변경 사항에 적응하고 실패를 피할 수 있도록 합니다.

이해 관계자 입력이 증가하는 복잡한 거래로 팀 구조가 중요해짐

조직 내의 대부분의 영업 프로세스는 익숙한 패턴 을 따릅니다. 리드 생성에서 자격, 문제 정의 및 협상에 이르는 고전적인 단계는 일부 제품 지향 및 거래 판매 환경에서 계속 효과적으로 작동할 수 있습니다.

그러나 오늘날의 비즈니스 환경에서는 더 많은 이해 관계자가 구체적으로 다루어야 하는 고유한 관점에 기여하면서 많은 구매 결정이 보다 광범위해졌습니다. 클래식 단계는 원래 백오피스 팀의 지원을 최소화하면서 개인이 구현하도록 설계되었습니다. 오늘날의 새로운 판매 현실에서는 팀워크가 훨씬 더 중요합니다.

Challenger 에 따르면 잠재 고객은 38%의 시간 동안 결정을 내리지 않습니다. 아마도 훨씬 더 중요한 것은 이러한 결정이 없는 가장 일반적인 이유는 이해 관계자가 합의에 도달하지 못하기 때문입니다. 구매자 합의를 성공적으로 촉진하기 위해 영업 팀은 다양한 전문 분야와 잠재 고객과의 많은 접촉 지점이 필요합니다. 판매가 완료되면 구현, 계정 관리 및/또는 고객 성공 팀도 새 고객을 지원하기 위해 참여합니다.

복잡한 판매를 성사시키기 위해 대규모 팀을 배치할 때는 팀 구성과 효율성이 중요합니다. 이는 제품, 서비스 또는 회사에 대한 경험을 통해 고객을 안내하는 것을 의미합니다.

팀워크를 더욱 중요하게 만드는 동일한 요인으로 인해 영업 팀이 함께 수행하는 방식을 결정하는 기존 방식도 무용지물이 되고 있습니다. 기존 방식은 약간의 가벼운 정성적 검토와 함께 거의 전적으로 판매 결과에 의존합니다. 영업 리더는 잠재 고객 호출 및 프레젠테이션 회의에 참여하여 코칭을 제공한 다음 파이프라인 검토를 수행하고 전환율을 평가할 때 사용할 수 있었습니다. 오늘은 이것으로 충분하지 않을 수 있습니다.

영업 팀 성과를 평가하는 새로운 방법은 효과적인 영업 팀 구조를 분석하고 최적화하기 위해 데이터 관련 전략적 명령 을 사용하는 세 가지 강력한 기술과 기존 기술의 장점을 결합합니다.

데이터 과학 기술 #1: 영업 팀 역할 모델링

영업 팀 역할 모델링은 특정 행동을 분석하여 "훌륭한" 모습을 개발하고 강화합니다. 그런 다음 영업 팀 기능의 격차와 강점을 기반으로 팀 역할 프로필을 만듭니다.

필요한 데이터

이 전략적 이니셔티브를 수행하려면 팀 구성원에 대한 특정 데이터, 특히 교육 및 고용 생체 데이터 및 성격 특성이 필요합니다. 프로세스에 객관성과 추가 데이터를 추가하려면 팀 구성원에게 포괄적인 성격 테스트를 관리하고 수집된 정보를 통합하는 것이 유용할 수 있습니다.

분석에 대한 접근

다음 단계는 팀과 다른 팀의 구성을 분석하여 구성과 성과를 비교하는 것입니다. 대답해야 할 가장 중요한 질문은 다음과 같습니다.

• 대부분의 팀원들은 어떤 특성/경험을 가지고 있습니까?
• 고성과/저성과의 영업 팀은 어떤 특성/경험을 갖고/없나요?

수집한 데이터에 회귀 및 클러스터링이라는 두 가지 기본 데이터 분석 접근 방식을 적용할 수 있습니다.

회귀 는 연간 판매 수치와 같은 숫자를 예측하는 기계 학습 기능입니다. 회귀 작업은 목표 값이 알려진 데이터 세트로 시작합니다. 모델 빌드(교육) 프로세스에서 회귀 알고리즘은 빌드 데이터의 각 사례에 대한 예측 변수(성격 특성, 근속 기간 등)의 함수로 대상(판매 실적)의 값을 추정합니다. 예측 변수와 대상 간의 이러한 관계는 모델에 요약되어 있습니다. 이러한 모델은 팀 구성원과 팀 전체의 어떤 특성과 경험이 영업 성과를 가장 잘 예측하는지 식별하는 데 도움이 될 수 있습니다.

클러스터링 기술은 영업 팀 구성원의 특성과 경험을 사용하여 공통 범주를 식별하는 일종의 기계 학습입니다. 예를 들어 구성원의 교육 경험 수와 고객과의 상호 작용 시간을 비교하는 분석을 수행하기 위해 클러스터링은 두 그룹의 직원을 식별할 수 있습니다. 교육이 줄어들고 고객과 보내는 시간이 줄어듭니다. 그런 다음 이러한 프로필을 KPI(핵심 성과 지표)에 연결할 수 있습니다.

예: 스포팅 패턴이 개선 방향을 제시합니다.

데이터 과학 기반 기술을 사용하여 한 기술 회사는 성과가 낮은 영업 팀의 몇 가지 공통적인 특성을 발견할 수 있었습니다. 그들은 지리적으로 더 분산되어 있고 더 많은 판매 대상 목록을 가지고 있으며 높은 성과를 내는 팀보다 역할과 덜 일치하는 판매 역량을 가지고 있었습니다. 그렇지 않으면 인식하기 어려운 패턴에 대한 지식이 있으면 수준 이하의 성능을 성공적으로 교정할 수 있습니다.

데이터 과학 기술 #2: 영업 팀 의사 결정

의사 결정 분석은 판매 KPI를 최대화하기 위해 특정 조치를 취해야 하는 고객 구매(및 고객 성공) 타임라인 중 특정 시간을 정확히 찾아낼 수 있습니다.

필요한 데이터

이 기술에 필요한 두 가지 유형의 데이터는 다음과 같습니다.

• 고객 대면 시간 모션 데이터(판매 전, 판매 및 판매 후 활동)
• 통신 데이터(이메일, 일정 약속, 전문 네트워킹 플랫폼에서의 교환)

분석에 대한 접근

이 분석은 특히 고객 구매 여정 전반에 걸쳐 영업 팀의 행동, 의사 결정 및 커뮤니케이션의 궤적을 조사하여 영업 팀 구성원이 특정 고객 대면 활동에 참여하기에 가장 좋은 시간을 찾습니다. 그런 다음 영업 팀의 성과에 타이밍을 연결하여 영업 프로세스에 매핑됩니다.

마지막 섹션에서 설명한 회귀 기술도 여기에서 사용할 수 있습니다. 이 경우 먼저 데이터에 "코드"를 만들어 특정 작업, 의사 결정 및 커뮤니케이션이 발생할 때 영업 팀 타임라인의 포인트를 나타낼 수 있습니다. 그런 다음 이 코드를 모델에서 판매 실적의 예측 변수로 사용할 수 있습니다.

예: 가장 잘 가르쳐야 할 것 발견하기

법률 회사는 회사의 다른 비즈니스 개발자를 위한 효과적인 교육에 대한 통찰력을 추출할 수 있도록 최고 강우량의 행동을 이해하려고 했습니다. 이 목적을 달성하기 위해서는 시간 및 움직임 조사와 커뮤니케이션 패턴 분석이 매우 중요했습니다.

데이터 과학 기술 #3: 영업 팀 협업

영업 팀 협업을 분석하면 영업 팀 구성원이 얼마나 효과적으로 협력하고 고객과 소통하고 이러한 팀 상호 작용이 판매를 주도하는지 판단하는 데 도움이 될 수 있습니다.

필요한 데이터

다음을 포함하여 팀 협업을 실제 수익과 이익으로 전환하는 데 도움이 되는 데이터가 필요합니다.

• 커뮤니케이션(이메일, 일정 약속, 전문 네트워킹 플랫폼에서의 교환)
• 보상 및 성과, CRM 및 고객 송장 데이터

분석에 대한 접근

이 데이터는 영업 팀이 누구와 통신하는지, 얼마나 자주, 어떤 통신 패턴이 높은 영업 성과와 관련이 있는지를 밝히는 데 사용할 수 있습니다.

ONA(Organizational Network Analysis)는 회사 내에서 커뮤니케이션 및 사회적 중심 네트워크를 연구하는 방법입니다. 이 기술은 영업 팀의 커뮤니케이션 패턴을 완전히 이해하는 데 도움이 되는 그래픽 및 통계 모델을 생성합니다.

ONA에서 생성하는 세 가지 일반적인 네트워킹 메트릭은 다음과 같습니다.

• 밀도 — 팀 구성원이 서로 직접 의사 소통하는 정도.
• 중심성 — 커뮤니케이션에서 가장 영향력 있는 영업 팀 구성원.
• 상호성 — 영업 팀 구성원이 상호 간에 정보를 교환하는 정도.

이러한 메트릭은 일단 개발되면 영업 팀 KPI의 예측 모델링에 사용할 수 있습니다.

예: 성공으로 이끄는 행동 강조하기

현장에 기반을 둔 소비자 조직은 영업 관리자가 성장과 이익에 기여한 방식에 대한 심층적이고 데이터 중심적인 이해를 모색했습니다. 그들은 예측 분석, ONA 및 모델링을 통해 고성과 영업 관리자의 성공에 기여하는 작업 접근 방식과 중요한 행동을 식별할 수 있었습니다. 성격 데이터, 네트워크 서명 및 영업 관리자 행동은 전년 대비 매출 변동의 18%를 예측했습니다.

할당량과 보상이 판매 성공의 유일한 결정 요인이라고 가정하는 실수를 하지 마십시오. 프로세스가 중요합니다. 영업 운영 팀이 프로세스 및 성능을 최적화하고 이를 최대한 활용하는 데 필요한 지식을 최적화할 수 있는 데이터 과학 기반 도구를 보유하고 있는지 확인하십시오. 최신 가이드 " 영업 성과 관리 마스터: 디지털 영업 혁신 가이드 "에서 영업 효율성을 개선하는 방법에 대해 자세히 알아보십시오.

이것은 Axiom Consulting Partners의 Tom Hill과 Tatem Burns의 게스트 게시물입니다. 여기에서 Axiom에 대해 자세히 알아보세요.