Эффективная модель структуры отдела продаж с использованием науки о данных

Многие организации настраивают поощрительные компенсации или квоты для своих отделов продаж, когда они не достигают целей роста доходов. Этот сбой может быть связан с устаревшими процессами, конфигурацией команды или проблемами с принятием решений, которые сдерживают производительность.

Однако наука о данных может помочь в разработке эффективных решений для организации продаж. Вместо того, чтобы просто реагировать на плохую работу, наука о данных может позволить торговой организации приспособиться к изменениям и избежать неудач.

Сложные сделки с увеличением вклада заинтересованных сторон делают структуру команды критически важной

Большинство процессов продаж в организациях следуют знакомой схеме . Классические этапы от генерации лидов до квалификации, определения проблемы и переговоров могут продолжать эффективно работать в некоторых средах, ориентированных на продукт и транзакционные продажи.

Однако в сегодняшней бизнес-среде многие решения о покупке стали приниматься на более широкой основе, и все больше заинтересованных сторон вносят свои уникальные точки зрения, которые необходимо учитывать отдельно. Классические этапы изначально были разработаны для реализации отдельными людьми с минимальной поддержкой со стороны бэк-офиса. В сегодняшних новых реалиях продаж гораздо важнее командная работа.

По словам Челленджера , потенциальный клиент не принимает решения в 38% случаев. Возможно, что еще более важно, наиболее распространенной причиной отсутствия решения является неспособность заинтересованных сторон прийти к соглашению. Чтобы быть успешным в продвижении консенсуса покупателей, вашей команде по продажам нужны знания в разных областях и множество точек соприкосновения с потенциальными клиентами. Если продажа состоится, команды внедрения, управления учетными записями и / или работы с клиентами также вовлекаются в поддержку нового клиента.

Конфигурация и эффективность команды имеют решающее значение, когда вы выставляете большие команды для завершения сложных продаж. Это означает, что вы должны направлять клиента через его опыт работы с вашим продуктом, услугой или компанией.

Те же самые факторы, которые делают командную работу более важной, также делают устаревшим старый способ определения совместной работы отделов продаж. Старый способ опирается почти исключительно на результаты продаж с легким качественным обзором. Лидеры продаж обычно присоединялись к звонкам потенциальных клиентов и встречам с презентациями, чтобы обеспечить коучинг, который затем можно было использовать в дальнейшем, когда они проводили обзоры воронки продаж и оценивали коэффициенты конверсии. Сегодня этого может быть недостаточно.

Новый способ оценки эффективности отдела продаж сочетает в себе лучшее из старого с тремя мощными методами, использующими стратегические императивы, связанные с данными, для анализа и оптимизации эффективной структуры отдела продаж.

Техника обработки данных № 1: Ролевое моделирование отдела продаж

Моделирование ролей отдела продаж анализирует конкретное поведение, чтобы разработать и укрепить то, что выглядит «великолепно»; затем создает профили командных ролей на основе пробелов и сильных сторон в возможностях вашей команды продаж.

Требуемые данные

Для реализации этой стратегической инициативы вам потребуются определенные данные о членах вашей команды, в частности биоданные об образовании и занятости, а также личностные характеристики. Чтобы добавить объективности и дополнительных данных в процесс, может быть полезно провести комплексный личностный тест для членов команды и включить собранную информацию.

Подход к анализу

Следующим шагом будет анализ состава вашей команды и других команд, чтобы сравнить состав с производительностью. Наиболее важные вопросы, на которые нужно ответить:

• Какие характеристики/опыт есть у большинства членов команды?
• Какими характеристиками/опытом обладают/не обладают высокоэффективные/низкоэффективные команды продаж?

К собранным вами данным можно применить два основных подхода к анализу данных: регрессия и кластеризация.

Регрессия — это функция машинного обучения, которая прогнозирует число, например годовой объем продаж. Задача регрессии начинается с набора данных, в котором известно целевое значение. В процессе построения (обучения) модели алгоритм регрессии оценивает значение цели (показатели продаж) как функцию предикторов (личностных качеств, срока пребывания и т. д.) для каждого случая в данных построения. Эти отношения между предикторами и целями суммируются в моделях. Эти модели могут помочь определить, какие характеристики и опыт членов команды и команды в целом лучше всего предсказывают эффективность продаж.

Методы кластеризации — это тип машинного обучения, который использует характеристики и опыт членов вашего отдела продаж для определения общих категорий. Например, для выполнения анализа, который сравнивает количество обучающих мероприятий участников с их временем взаимодействия с клиентом, кластеризация может выделить две группы сотрудников: одну группу, которая больше обучена и больше времени проводит с клиентом, и другую группу, которая имеет больше времени на общение с клиентом. меньше обучения и проводит меньше времени с клиентом. Затем эти профили можно связать с KPI (ключевыми показателями эффективности).

Пример: выявление паттернов указывает путь к совершенствованию

Используя методы, основанные на науке о данных, одна технологическая компания смогла обнаружить некоторые общие характеристики своих низкоэффективных отделов продаж. Они были более рассредоточены географически, имели более расплывчатые списки целевых продаж и обладали компетенциями в области продаж, которые меньше соответствовали их ролям, чем высокоэффективные команды. Знание шаблонов, которые иначе было бы трудно воспринять, может привести к успешному исправлению неудовлетворительной производительности.

Техника обработки и обработки данных № 2: принятие решений в отделе продаж

Анализ принятия решений может точно определить определенные периоды на временной шкале покупок (и успеха клиентов), когда следует предпринять определенные действия, чтобы максимизировать ключевые показатели эффективности продаж.

Требуемые данные

Для этого метода требуются два типа данных:

• Данные о движении времени, с которыми сталкиваются клиенты (предпродажная, продажная и послепродажная деятельность)
• Коммуникационные данные (электронная почта, встречи в календаре, обмены на профессиональных сетевых платформах)

Подход к анализу

Этот анализ специально определяет лучшее время для членов отдела продаж для участия в определенных действиях, связанных с клиентами, путем изучения траектории действий, решений и коммуникаций отдела продаж на протяжении пути клиента к покупке. Затем это сопоставляется с вашим процессом продаж, связывая время с производительностью отдела продаж.

Здесь также можно использовать методы регрессии , описанные в предыдущем разделе. В этом случае вы можете сначала создать «коды» в своих данных, чтобы представить точки на временной шкале отдела продаж, когда происходят определенные действия, решения и сообщения. Затем эти коды можно использовать в качестве предикторов эффективности продаж в ваших моделях.

Пример: узнать, чему могут научить лучшие

Одна юридическая фирма пыталась понять поведение своих ведущих организаторов дождя, чтобы извлечь из этой информации информацию для эффективного обучения других разработчиков бизнеса в фирме. Опрос времени и движения, а также анализ коммуникативных моделей имели решающее значение для достижения этой цели.

Техника обработки и анализа данных № 3: сотрудничество отдела продаж

Анализ сотрудничества в отделе продаж может помочь вам определить, насколько эффективно члены вашего отдела продаж взаимодействуют друг с другом, взаимодействуют с клиентами и как взаимодействие этих команд способствует продажам.

Требуемые данные

Вам потребуются данные, которые помогут превратить сотрудничество команды в реальный доход и прибыль, в том числе:

• Коммуникации (электронная почта, встречи в календаре, обмен на профессиональных сетевых платформах)
• Компенсации и производительность, CRM и данные о выставлении счетов клиентам

Подход к анализу

Эти данные можно использовать для определения того, с кем общаются отделы продаж, как часто и какие модели общения связаны с высокими показателями продаж.

Организационный сетевой анализ (ONA) — это метод изучения коммуникаций и социальных сетей внутри компании. Этот метод создает графические и статистические модели, которые могут помочь вам полностью понять модели общения вашего отдела продаж.

ONA производит три общих сетевых показателя:

• Плотность — степень, в которой члены команды напрямую общаются друг с другом.
• Центральность — какие члены отдела продаж наиболее влиятельны в своих коммуникациях.
• Взаимность — степень взаимного обмена информацией членами отдела продаж.

Эти метрики после разработки можно использовать в прогнозном моделировании ключевых показателей эффективности отдела продаж.

Пример: выделение поведения, которое ведет к успеху

Организация потребителей на местах стремилась получить более глубокое, основанное на данных понимание того, как их менеджеры по продажам способствуют росту и прибыли. Благодаря предиктивной аналитике, ONA и моделированию они смогли определить подходы к задачам и ключевые модели поведения, которые способствуют успеху высокоэффективных менеджеров по продажам. Личные данные, сетевые подписи и поведение менеджеров по продажам предсказали 18 процентов дисперсии продаж в годовом исчислении.

Не делайте ошибку, полагая, что квоты и компенсация являются единственными определяющими факторами успеха продаж. Процесс имеет решающее значение. Убедитесь, что у вашей команды по продажам есть инструменты, основанные на науке о данных, для оптимизации процессов и производительности, а также знания, необходимые им для максимально эффективного использования этих инструментов. Узнайте больше о том, как повысить эффективность продаж, в нашем недавнем руководстве « Управление эффективностью продаж: руководство по цифровой трансформации продаж ».

Это гостевой пост Тома Хилла и Татема Бернса из Axiom Consulting Partners. Узнайте больше об Аксиоме здесь.