Efektywny model struktury zespołu sprzedaży wykorzystujący analizę danych

Wiele organizacji dostosowuje wynagrodzenia motywacyjne lub limity dla swojego zespołu sprzedaży, gdy nie osiągają celów wzrostu przychodów. To niepowodzenie może być spowodowane przestarzałymi procesami, konfiguracją zespołu lub problemami związanymi z podejmowaniem decyzji, które ograniczają wydajność.

Jednak nauka o danych może pomóc w dostarczaniu skutecznych rozwiązań dla organizacji sprzedaży. Zamiast po prostu reagować na słabą wydajność, analiza danych może umożliwić organizacji sprzedaży dostosowanie się do zmian i uniknięcie awarii.

Złożone umowy ze zwiększonym wkładem interesariuszy sprawiają, że struktura zespołu ma kluczowe znaczenie

Większość procesów sprzedaży w organizacjach przebiega według znanego schematu . Klasyczne etapy od generowania leadów do kwalifikacji, zdefiniowania problemu i negocjacji mogą nadal działać skutecznie w niektórych środowiskach zorientowanych na produkt i sprzedaż transakcyjną.

Jednak w dzisiejszym środowisku biznesowym wiele decyzji zakupowych stało się bardziej ogólnych, a więcej interesariuszy przedstawia unikalne punkty widzenia, które muszą być konkretnie uwzględnione. Klasyczne etapy zostały pierwotnie zaprojektowane do realizacji przez osoby z minimalnym wsparciem ze strony zespołów back-office. W dzisiejszej nowej rzeczywistości sprzedaży praca zespołowa jest o wiele ważniejsza.

Według Challengera potencjalny klient nie podejmuje żadnej decyzji w 38 procentach przypadków. Co być może nawet ważniejsze, najczęstszą przyczyną tego braku decyzji jest niezdolność interesariuszy do osiągnięcia porozumienia. Aby odnieść sukces w promowaniu konsensusu kupujących, Twój zespół sprzedaży potrzebuje wielu dziedzin wiedzy i wielu punktów kontaktu z potencjalnym klientem. W przypadku sprzedaży, zespoły ds. wdrożenia, zarządzania kontem i/lub sukcesu klienta również angażują się w wsparcie nowego klienta.

Konfiguracja i skuteczność zespołu mają kluczowe znaczenie, gdy wysyłasz duże zespoły do ​​zamknięcia złożonej sprzedaży. Oznacza to prowadzenie klienta przez jego doświadczenie z Twoim produktem, usługą lub firmą.

Te same czynniki, które sprawiają, że praca zespołowa jest bardziej krytyczna, sprawiają, że stary sposób określania, jak zespoły sprzedażowe radzą sobie razem, staje się przestarzały. Stary sposób opiera się prawie wyłącznie na wynikach sprzedaży z lekkim przeglądem jakościowym. Liderzy sprzedaży zwykle dołączali do rozmów z potencjalnymi klientami i spotkań prezentacyjnych, aby zapewnić coaching, który można następnie wykorzystać podczas przeprowadzania przeglądów rurociągów i oceny współczynników konwersji. Dziś to może nie wystarczyć.

Nowy sposób oceny wydajności zespołu sprzedaży łączy to, co najlepsze ze starego, z trzema zaawansowanymi technikami wykorzystującymi strategiczne imperatywy związane z danymi do analizy i optymalizacji efektywnej struktury zespołu sprzedaży.

Technika analizy danych nr 1: Modelowanie roli zespołu sprzedaży

Modelowanie roli zespołu sprzedaży analizuje określone zachowania, aby rozwijać i wzmacniać to, co „świetnie” wygląda; następnie tworzy profile ról zespołowych w oparciu o luki i mocne strony w możliwościach zespołu sprzedaży.

Wymagane dane

Aby przeprowadzić tę strategiczną inicjatywę, będziesz potrzebować pewnych danych dotyczących członków Twojego zespołu, w szczególności danych biologicznych dotyczących wykształcenia i zatrudnienia oraz cech osobowości. Aby dodać obiektywność i dodatkowe dane do procesu, przydatne może być przeprowadzenie kompleksowego testu osobowości członków zespołu i włączenie zebranych informacji.

Podejście do analizy

Następnym krokiem jest przeanalizowanie składu Twojego zespołu i innych zespołów w celu porównania składu z wynikami. Najważniejsze pytania, na które należy odpowiedzieć, to:

• Jakie cechy/doświadczenia posiada większość członków zespołu?
• Jakie cechy/doświadczenia mają/nie mają zespoły sprzedażowe o wysokiej/niskiej skuteczności?

Do zebranych danych można zastosować dwa podstawowe podejścia do analizy danych: regresję i grupowanie.

Regresja to funkcja uczenia maszynowego, która przewiduje liczbę, taką jak roczna wartość sprzedaży. Zadanie regresji rozpoczyna się od zestawu danych, w którym znana jest wartość docelowa. W procesie budowania modelu (uczenia) algorytm regresji szacuje wartość celu (wyniki sprzedaży) jako funkcję predyktorów (cechy osobowości, staż pracy itp.) dla każdego przypadku w danych kompilacji. Te relacje między predyktorami a wartościami docelowymi są podsumowane w modelach. Modele te mogą pomóc w określeniu, które cechy i doświadczenia członków zespołu oraz zespołu jako całości najlepiej przewidują wyniki sprzedaży.

Techniki klastrowania to rodzaj uczenia maszynowego, który wykorzystuje cechy i doświadczenia członków zespołu sprzedaży do identyfikowania wspólnych kategorii. Na przykład, aby przeprowadzić analizę porównującą liczbę doświadczeń szkoleniowych członków z ich czasem interakcji z klientem, grupowanie może zidentyfikować dwie grupy pracowników – jedną, która ma więcej szkoleń i więcej czasu z klientem, oraz drugą, która ma mniej szkoleń i spędza mniej czasu z klientem. Profile te można następnie powiązać z KPI (kluczowymi wskaźnikami wydajności).

Przykład: wykrywanie wzorców wskazuje drogę do poprawy

Korzystając z technik opartych na nauce danych, pewna firma technologiczna była w stanie odkryć pewne wspólne cechy swoich słabo wydajnych zespołów sprzedażowych. Byli bardziej rozproszeni geograficznie, mieli bardziej rozproszone listy docelowe sprzedaży i posiadali kompetencje sprzedażowe, które były mniej zgodne z ich rolami niż zespoły o wysokiej wydajności. Znajomość trudnych do zauważenia wzorców może prowadzić do skutecznej naprawy słabych wyników.

Technika analizy danych nr 2: Podejmowanie decyzji przez zespół sprzedaży

Analiza podejmowania decyzji może wskazać konkretne momenty na osi czasu zakupów (i sukcesu klienta), kiedy należy podjąć określone działania w celu maksymalizacji wskaźników KPI sprzedaży.

Wymagane dane

W przypadku tej techniki wymagane są dwa rodzaje danych:

• Dane dotyczące ruchu w czasie dla klienta (działania przedsprzedażowe, sprzedażowe i posprzedażowe)
• Dane komunikacyjne (e-maile, spotkania w kalendarzu, wymiany na profesjonalnych platformach sieciowych)

Podejście do analizy

Ta analiza w szczególności znajduje najlepszy czas dla członków zespołu sprzedaży na zaangażowanie się w określone działania skierowane do klienta, badając trajektorię działań, decyzji i komunikacji zespołu sprzedaży na całej ścieżce zakupu klienta. Jest to następnie mapowane na proces sprzedaży poprzez powiązanie czasu z wydajnością zespołu sprzedaży.

Techniki regresji , opisane w ostatniej sekcji, również mogą być tutaj użyte. W takim przypadku możesz najpierw utworzyć „kody” w swoich danych, aby reprezentować punkty na osi czasu zespołu sprzedaży, w których mają miejsce określone działania, decyzje i komunikacja. Kody te można następnie wykorzystać jako predyktory wydajności sprzedaży w modelach.

Przykład: Odkrywanie tego, czego najlepiej nauczyć się

Firma prawnicza próbowała zrozumieć zachowania swoich czołowych twórców deszczu, aby móc wydobyć spostrzeżenia na temat skutecznych szkoleń dla innych deweloperów biznesowych w firmie. Badanie czasu i ruchu oraz analiza wzorców komunikacji miały kluczowe znaczenie dla osiągnięcia tego celu.

Technika Data Science #3: Współpraca zespołu sprzedaży

Analiza współpracy zespołu sprzedaży może pomóc w ustaleniu, jak skutecznie członkowie zespołu sprzedaży współpracują ze sobą, angażując się w klienta oraz w jaki sposób te interakcje zespołu napędzają sprzedaż.

Wymagane dane

Będziesz potrzebować danych, które pomogą przełożyć współpracę zespołu na rzeczywisty przychód i zysk, w tym:

• Komunikacja (e-mail, spotkania w kalendarzu, wymiany na profesjonalnych platformach sieciowych)
• Dane dotyczące wynagrodzeń i wydajności, CRM i fakturowania klientów

Podejście do analizy

Dane te można wykorzystać do wyjaśnienia, z kim komunikują się zespoły sprzedaży, jak często i jakie wzorce komunikacji są związane z wysoką wydajnością sprzedaży.

Analiza sieci organizacyjnej (ONA) to metoda badania sieci komunikacyjnych i społecznych w firmie. Ta technika tworzy modele graficzne i statystyczne, które mogą pomóc w pełni zrozumieć wzorce komunikacji zespołu sprzedaży.

Trzy popularne metryki sieci tworzone przez ONA to:

• Gęstość — stopień, w jakim członkowie zespołu bezpośrednio komunikują się ze sobą.
• Centralność — którzy członkowie zespołu sprzedaży mają największy wpływ na komunikację.
• Wzajemność — stopień, w jakim członkowie zespołu sprzedaży wzajemnie wymieniają informacje.

Te metryki, po opracowaniu, mogą być wykorzystywane w predykcyjnym modelowaniu wskaźników KPI zespołu sprzedażowego.

Przykład: podkreślanie zachowań prowadzących do sukcesu

Organizacja konsumencka działająca w terenie poszukiwała głębszego, opartego na danych zrozumienia, w jaki sposób menedżerowie sprzedaży przyczynili się do wzrostu i zysku. Dzięki analityce predykcyjnej, ONA i modelowaniu byli w stanie zidentyfikować podejścia do zadań i kluczowe zachowania, które przyczyniają się do sukcesu skutecznych menedżerów sprzedaży. Dane osobowe, sygnatury sieci i zachowania menedżerów sprzedaży przewidywały 18% zmienności sprzedaży rok do roku.

Nie popełnij błędu, zakładając, że limity i rekompensaty są jedynymi wyznacznikami sukcesu sprzedaży. Proces jest krytyczny. Upewnij się, że Twój zespół ds. sprzedaży dysponuje narzędziami opartymi na analizie danych, aby zoptymalizować procesy i wydajność, a także wiedzą, której potrzebują, aby jak najlepiej je wykorzystać. Dowiedz się więcej o tym, jak poprawić efektywność sprzedaży, z naszego najnowszego przewodnika „ Opanowanie zarządzania wydajnością sprzedaży: przewodnik po cyfrowej transformacji sprzedaży ”.

To jest gościnny post Toma Hilla i Tatem Burns z Axiom Consulting Partners. Dowiedz się więcej o Axiom tutaj.