플러그를 뽑을 때를 아는 것: 판매 보상 시스템을 변경할 때라는 5가지 신호

보상은 수익 목표 달성에 중요한 역할을 합니다. 인센티브는 영업 담당자에게 동기를 부여해야 하지만 목표 달성을 위해 성장과 수익성을 이끌어내야 합니다. 그러나 이는 올바른 판매 보상 시스템 없이 효과적이고 일관되게 수행하기 어렵습니다. 또한 팀이 성장함에 따라 판매 인센티브를 관리하는 데 사용하는 프로세스와 도구도 변경되어야 합니다.

그렇다면 현재 프로세스가 작동 중인지 또는 작업 중인 프로세스를 재평가하고 교체해야 할 때인지 어떻게 알 수 있습니까? 간단합니다. 판매 보상 시스템과 프로세스를 지속적으로 모니터링하여 최적화 및 개선 방법을 찾아야 합니다.

이를 돕기 위해 보상 시스템의 플러그를 뽑을 때가 되었다는 5가지 위험 신호와 자동화된 ICM(Incentive Compensation Management) 솔루션으로 전환하는 것이 어떻게 도움이 되는지 알려드립니다.

1. 높은 수준의 위원회 분쟁 및 오류

문제: 오류는 보상 팀에만 영향을 미치지 않습니다.

2019년 영업 보상 관리 모범 사례 설문 조사 에 따르면 스프레드시트의 80%에 오류가 포함되어 있습니다. 많은 보상 계산, 크레딧 및 지불금을 관리하는 회사의 경우 오류가 발생할 여지가 많으며 그 영향은 보상 팀을 훨씬 능가합니다. 그들은 궁극적으로 분쟁과 불일치를 수정하는 데 시간을 할애할 것이지만 영업과 재무 모두 추가적인 결과를 겪습니다.

커미션 지불이 정확하지 않으면 영업 담당자는 인센티브 지불에 대한 신뢰를 빠르게 잃게 되고 결과적으로 생산성이 저하됩니다. 담당자는 올바르게 보상을 받고 있는지 확인하기 위해 추가 시간을 섀도우 어카운팅합니다.

이것은 엄청난 문제이자 자원 판매의 낭비입니다. Salesforce State of Sales에 따르면 평균적인 담당자가 이미 비판매 작업에 시간의 68%를 보내고 있음을 고려하면. 주당 평균 40시간 근무하면 판매하지 않는 데 27시간이 소요됩니다. 그림자 회계에 소요된 시간과 판매에만 소요된 시간을 추가하면 계속 감소합니다.

재무 리더는 예측 및 수익 예측을 위해 정확한 데이터에 의존합니다. 가장 작은 계산 착오와 지불 오류도 데이터를 엄청나게 낭비할 수 있습니다. 단 하나의 추가 0(즉, $8,000 커미션을 $80,000으로 전환)은 수익 예측을 망칠 수 있으며 최악의 시나리오에서는 담당자가 떠나고 회사가 초과 지불을 회수할 수 없는 경우 막대한 재정적 손실을 초래할 수 있습니다.

자동화가 도움이 되는 방식: 자동화된 ICM은 지불 오류를 제거합니다.

Xactly 데이터에 따르면 자동화된 보상 시스템은 지불 오류를 99% 이상 제거합니다. 이를 통해 분쟁과 수수료 불일치가 감소합니다. 자동화는 궁극적으로 갈등을 완화하고 조직 전체에서 신뢰를 구축합니다.

보상 팀의 스트레스가 줄어들고 인센티브 계획을 분석하고 최적화하여 더 높은 성과를 거두는 데 집중할 수 있습니다. 보상이 자동으로 계산되기 때문에 담당자는 커미션 지불이 정확하고 판매에 집중할 수 있다고 신뢰합니다. 중앙 집중식 데이터는 정확성을 보장하고 수동 오류로 인해 발생할 수 있는 재정적 위험을 줄이는 데 도움이 됩니다.

2. 인센티브 계산 및 지불은 시간 소모적인 프로세스입니다.

문제: 수동 프로세스로 귀중한 전략적 자원을 낭비하고 있습니다.

2019년 영업 보상 관리 모범 사례 보고서에 따르면 평균적인 회사는 인센티브 지급을 수동으로 계산하고 완료하는 데 6주 이상을 소비합니다. 여기에는 지불 분쟁을 해결하고 오류를 수정하는 데 소요된 시간이 포함되지 않아 보상 지급 시간이 더 길어질 뿐입니다.

수동 보상 시스템으로 운영하는 것은 궁극적으로 인센티브 효과를 저해합니다. 보상 계획을 관리하는 전문가는 대부분의 시간을 관리 계산에 사용하며 영업 사원에게 보다 효과적으로 동기를 부여하기 위해 인센티브를 분석하고 최적화할 수 없습니다.

자동화 지원 방법: ICM은 계산 및 지불 시간을 간소화합니다.

자동화된 보상 시스템을 사용하는 회사는 평균적으로 인센티브 지급을 완료하는 데 3주 미만을 소비합니다. 이는 조직에서 수동 프로세스를 사용하는 데 소요되는 시간의 절반 이상입니다.

그리고 절약된 시간은 중요한 이점을 제공합니다. 예를 들어, 선도적인 자동차 기업인 Cox Automotive는 ICM으로 프로세스를 자동화하여 월별 보상 관리 시간을 142시간 절약했습니다. ( 여기 에서 그들의 이야기를 더 읽어보세요.)

보상 관리의 가장 지루한 부분을 자동화하면 단순한 관리 계산보다 인센티브의 효과 측정과 같은 전략적 이니셔티브에 리소스를 집중할 수 있는 여지가 생깁니다. 많은 ICM 솔루션은 또한 보상 계획을 개선하고 판매 인센티브의 ROI를 높이는 데 사용할 수 있는 전략적 통찰력을 얻기 위해 심층 대시보드를 제공합니다.

3. 담당자가 할당량에 도달했지만 조직으로서는 수익 목표를 놓치고 있습니다.

문제: 귀하의 인센티브가 잘못된 행동을 유도하고 있으며 회사 목표와 일치하지 않습니다.

기업이 직면하는 가장 큰 문제 중 하나는 보상이 조직의 목표와 일치하지 않을 때입니다. 이 상황에서는 수익 목표에 대한 목표를 완전히 놓치면서 엄청난 양의 인센티브를 지불할 위험이 있습니다. 그러나 왜 이런 일이 발생합니까? 인센티브가 잘못된 판매 행동을 유도하기 때문입니다.

예를 들어 신제품(제품 X)을 출시하고 관련 매출 목표가 1억 달러라고 가정해 보겠습니다. 판매 인센티브 계획 은 담당자가 거래의 우선 순위를 지정하고 해당 목표를 달성하기 위해 더 많은 제품 X를 판매하도록 권장해야 합니다.

그러나 귀하의 현재 보상 플랜이 귀하가 제공하는 세 가지 제품(제품 X, 제품 Y 및 제품 Z)에 대해 다음 인센티브를 제공한다고 가정해 보겠습니다.

• 판매된 모든 제품 Z에 대해 수익의 6%
• 판매된 모든 제품 Y에 대해 수익의 5%
• 판매된 모든 제품 X에 대해 수익의 4%

당신이 이 수수료율을 보고 있는 판매원이라고 상상해 보십시오. 가장 많은 돈을 벌기 위해 판매에 집중할 가능성이 더 큰 제품은 무엇입니까? 당신이 능숙하고 성공적인 담당자라면 더 많은 돈을 벌 수 있기 때문에 Product Z를 가장 높은 판매 우선순위로 둘 것입니다.

이제 이 상황을 전체 영업 인력에 적용하십시오. 담당자는 기업 목표 달성에 도움이 되지 않는 거래에 집중할 것입니다. 할당량에 도달하면 인센티브를 지급하지만 여전히 목표를 놓치게 됩니다.

자동화가 도움이 되는 방법: 인센티브의 효과 모델링 및 분석

본질적으로 잘못 정렬된 판매 인센티브는 계획 문제입니다. 계획을 시작할 때부터 완전한 시장 출시(GTM) 계획과 수익 목표를 고려하고 이러한 목표를 지원하는 보상을 설계하는 것을 목표로 해야 합니다.

자동화를 통해 기존 계획 데이터를 보다 효과적으로 사용할 수 있습니다. 지능형 ICM 또는 AI 지원 보상 시스템은 인센티브 계획을 취하고 과거 데이터를 기반으로 잠재적인 성과를 모델링할 수 있습니다.

이미 시행 중인 계획의 경우 AI를 통해 인센티브의 효과를 지속적으로 측정하고 목표를 향한 진척도를 확인할 수 있습니다. 목표를 달성하기 위한 속도에 있다면 보상 시스템을 사용하여 잠재적인 가속기를 측정하여 수익을 늘리고 이상적으로는 목표를 초과할 수 있습니다. 궤도에서 벗어난 경우 조기에 문제를 식별하고 잠재적 솔루션을 모델링하고 계획을 조정하여 더 높은 성과를 낼 수 있습니다.

4. 팀 전체에 성능 격차가 있습니다.

문제: 다양한 성능의 근본 원인을 식별할 수 없습니다.

본질적으로 모든 영업 담당자가 동일한 성과를 내는 것은 아니므로 다양한 이유로 성과 격차가 발생할 수 있습니다. 가장 큰 문제는 원인을 파악하는 것입니다. 그러나 성과 격차가 일반적인 상위, 중간, 하위 성과 분류 이상으로 확대되면 수익 성과를 진정으로 저해할 수 있습니다.

불행히도 수동 보상 시스템은 유용한 통찰력이나 답변을 많이 남기지 않습니다. 수동으로 작동하면 가정과 직감 본능을 기반으로 분석을 수행하게 됩니다. 그리고 무엇보다 어떤 수단을 동원해야 할지 모른 채 목표 없이 성능 격차를 좁히려다가 결국 좌절하고 막히게 될 가능성이 큽니다.

자동화가 도움이 되는 방식: 다양한 팀에 대한 인센티브 효과에 대한 세부적인 보기를 얻을 수 있습니다.

성능 격차는 여러 가지 이유로 발생할 수 있으므로 다양한 방법으로 데이터를 검사할 수 있어야 합니다. 자동화된 보상 시스템을 사용하면 인센티브 데이터를 비교하고 세분화된 수준에서 검토하여 판매 보상 계획의 효과를 이해할 수 있습니다.

예를 들어, 전통적으로 팀 전체에 대해 표준 판매 인센티브 계획을 사용하여 모든 영업 사원에게 동일한 목표와 보상 모델을 제공했을 수 있습니다. 그러나 성과를 보면 조직 전체에 걸쳐 격차가 있음을 알 수 있습니다.

AI 지원 보상 시스템을 사용하면 해당 성과 데이터를 세분화하여 여러 팀, 개별 담당자 및 조직 전체의 성과를 살펴봄으로써 격차의 원인을 식별할 수 있습니다. 이 시나리오에서는 영업 역할에 따라 성과가 다르다는 것을 알 수 있습니다. 원인? 만능 보상 플랜.

다시 말하지만, 이것은 계획에서 시작됩니다. 팀에는 다양한 역할이 있기 때문에 인센티브는 고유한 책임과 판매 거래에 대한 영향력에 초점을 맞춰야 합니다. 영업 엔지니어와 영업 개발 담당자를 생각해 보십시오. 이들은 매우 다른 두 가지 역할이며 각각은 판매 주기의 다른 부분에서 거래에 영향을 미칩니다. 그들의 보상은 그것을 반영해야 합니다.

자동화된 보상 시스템을 사용하면 각 역할에 대한 인센티브를 맞춤화 하고 지속적으로 최적화하여 전체 팀에서 최고의 성과를 낼 수 있습니다.

5. 영업 사원 이탈이 증가하고 있습니다.

문제: 인센티브 보상이 충분히 경쟁력이 없습니다.

Xactly State of Global Enterprise Sales Performance 보고서에 따르면 판데믹이 시작된 이후 영업 사원이 직장을 떠날 가능성이 더 높고 대체 비용이 상승하고 있습니다. 그리고 HubSpot에 따르면 담당자가 직장을 떠나는 가장 큰 이유 중 하나는 더 높은 급여를 받을 수 있는 기회 때문입니다. 그리고 그것은 놀라운 일이 아닙니다. 판매는 돈 게임입니다. 기술이 있다면 거의 모든 회사와 산업에서 이를 적용하고 성공할 수 있습니다. 경쟁력 있는 인센티브를 개발하면 최고의 인재를 유치하고 최고의 성과를 내는 직원을 유지하는 데 도움이 됩니다.

다시 말하지만, 수동 프로세스는 이것을 매우 어렵게 만듭니다. 사용할 데이터만 있다면 인센티브가 경쟁력이 있는지 어떻게 알 수 있습니까? 수동으로 작동할 때 진정으로 알 수 있는 유일한 방법은 담당자가 자신이 받은 제안과 일치하도록 요청했는지 또는 수락한 새로운 역할이 지불할 금액을 기꺼이 공유할 의향이 있는지 여부입니다. 당신은 그 정보를 얻을 만큼 운이 좋지 않을 것입니다.

자동화가 도움이 되는 방법: 산업 보상 데이터에 대한 벤치마킹.

자동 보상 시스템의 가장 큰 이점 중 하나는 중앙 집중식 데이터입니다. 모든 것이 한 곳에서 제공되므로 데이터를 쉽게 분석할 수 있지만 데이터를 내보내고 Xactly Benchmarking 과 같은 지능형 시스템을 사용하여 업계 통찰력과 비교할 수도 있습니다.

예를 들어, Xactly Benchmarking에는 16년 이상의 총 급여 및 성과 데이터가 있으므로 판매 인센티브 구조 , 기본 보상 비율 및 전체 계획을 업계 평균과 비교할 수 있습니다. 자동화된 보상 시스템의 지속적인 분석 및 최적화와 함께 이를 통해 보상 계획을 보다 경쟁력 있는 방식으로 구성하여 최고의 인재를 유지하고 매출 회전율을 줄일 수 있습니다.

자동 인센티브 보상 시스템으로 판매 성공 촉진

이러한 보상 위험 신호를 제거하는 것은 판매 인센티브 프로세스를 자동화해야 하는 큰 이유입니다. 그러나 실제로는 단순히 자동화하고 주요 함정을 피하는 것 이상입니다. 자동 보상 시스템의 가장 큰 이점은 보다 지능적인 조직입니다.

이미 모든 인센티브 데이터를 보유하고 있지만 수동 프로세스를 사용하면 정체되어 효과적으로 사용할 수 없습니다. 인센티브 보상을 자동화하면 해당 데이터를 중앙 집중화하고 AI를 사용하여 통찰력을 얻고 전략적 결정을 내리고 인센티브의 ROI를 개선하고 더 많은 수익을 창출할 수 있습니다.

자동화 여정을 시작하고 인센티브 보상을 개선할 수 있는 방법을 알아보려면 " 판매 성과 관리 마스터링: 디지털 판매 혁신 가이드 " 가이드를 다운로드하십시오.