โมเดลโครงสร้างทีมขายที่มีประสิทธิภาพโดยใช้ Data Science

หลายองค์กรปรับค่าตอบแทนจูงใจหรือโควตาสำหรับทีมขายเมื่อขาดเป้าหมายการเติบโตของรายได้ ความล้มเหลวนี้อาจเกิดจากกระบวนการที่ล้าสมัย การกำหนดค่าทีม หรือปัญหาในการตัดสินใจที่ขัดขวางประสิทธิภาพการทำงาน

อย่างไรก็ตาม วิทยาศาสตร์ข้อมูลสามารถช่วยนำเสนอโซลูชันที่มีประสิทธิภาพสำหรับองค์กรการขาย แทนที่จะตอบสนองต่อประสิทธิภาพที่ไม่ดี วิทยาศาสตร์ข้อมูลสามารถช่วยให้องค์กรขายปรับตัวตามการเปลี่ยนแปลงและหลีกเลี่ยงความล้มเหลวได้

ข้อตกลงที่ซับซ้อนพร้อมการเพิ่มอินพุตของผู้มีส่วนได้ส่วนเสียทำให้โครงสร้างทีมมีความสำคัญ

กระบวนการขายส่วนใหญ่ภายในองค์กรเป็นไปตาม รูปแบบที่คุ้นเคย ขั้นตอนคลาสสิกตั้งแต่การสร้างลูกค้าเป้าหมายไปจนถึงคุณสมบัติ การกำหนดปัญหา และการเจรจาอาจยังคงทำงานอย่างมีประสิทธิภาพในสภาพแวดล้อมที่มุ่งเน้นผลิตภัณฑ์และการขายเชิงธุรกรรม

อย่างไรก็ตาม ในสภาพแวดล้อมทางธุรกิจในปัจจุบัน การตัดสินใจซื้อจำนวนมากกลายเป็นเรื่องกว้างมากขึ้น โดยผู้มีส่วนได้ส่วนเสียจำนวนมากขึ้นมีมุมมองที่ไม่เหมือนใครซึ่งต้องได้รับการกล่าวถึงเป็นพิเศษ เวทีแบบคลาสสิกได้รับการออกแบบมาเพื่อให้ใช้งานโดยบุคคลโดยได้รับการสนับสนุนเพียงเล็กน้อยจากทีมงานส่วนหลัง ในความเป็นจริงการขายใหม่ในปัจจุบัน การทำงานเป็นทีมมีความสำคัญมากกว่า

จากข้อมูลของ Challenger ผู้มีแนวโน้มจะไม่ตัดสินใจ 38 เปอร์เซ็นต์ของเวลาทั้งหมด บางทีที่สำคัญกว่านั้น สาเหตุที่พบบ่อยที่สุดสำหรับการขาดการตัดสินใจนี้คือการที่ผู้มีส่วนได้ส่วนเสียไม่สามารถบรรลุข้อตกลงได้ เพื่อให้ประสบความสำเร็จในการส่งเสริมฉันทามติของผู้ซื้อ ทีมขายของคุณต้องการความเชี่ยวชาญหลายด้านและจุดติดต่อกับผู้มีแนวโน้มจะเป็นลูกค้าหลายจุด หากการขายดำเนินไป การติดตั้งใช้งาน การจัดการบัญชี และ/หรือทีมความสำเร็จของลูกค้าจะมีส่วนร่วมเพื่อสนับสนุนลูกค้าใหม่ด้วย

การกำหนดค่าและประสิทธิภาพของทีมมีความสำคัญเมื่อคุณส่งทีมขนาดใหญ่เพื่อปิดการขายที่ซับซ้อน นี่หมายถึงการดูแลลูกค้าผ่านประสบการณ์ของพวกเขากับผลิตภัณฑ์ บริการ หรือบริษัทของคุณ

ปัจจัยเดียวกันที่ทำให้การทำงานเป็นทีมมีความสำคัญมากขึ้นก็ทำให้วิธีการเก่าในการพิจารณาว่าทีมขายทำงานร่วมกันนั้นล้าสมัยอย่างไร วิธีแบบเก่าอาศัยผลการขายเกือบทั้งหมดโดยมีการตรวจสอบเชิงคุณภาพเพียงเล็กน้อย หัวหน้าฝ่ายขายเคยเข้าร่วมการโทรของผู้มีแนวโน้มจะเป็นลูกค้าและการประชุมเสนอขายเพื่อให้การฝึกสอน ซึ่งสามารถนำมาใช้เมื่อดำเนินการตรวจสอบไปป์ไลน์และประเมินอัตราการแปลง วันนี้อาจไม่เพียงพอ

วิธีใหม่ในการประเมินประสิทธิภาพของทีมขายผสมผสานสิ่งที่ดีที่สุดของแบบเก่าเข้ากับเทคนิคที่ทรงพลังสามแบบโดยใช้ ความจำเป็นเชิงกลยุทธ์ที่เกี่ยวข้องกับข้อมูล เพื่อวิเคราะห์และปรับโครงสร้างทีมขายที่มีประสิทธิภาพให้เหมาะสม

เทคนิควิทยาศาสตร์ข้อมูล #1: การสร้างแบบจำลองบทบาทของทีมขาย

แบบจำลองบทบาทของทีมขายจะวิเคราะห์พฤติกรรมเฉพาะเพื่อพัฒนาและตอกย้ำว่า "ยอดเยี่ยม" เป็นอย่างไร จากนั้นสร้างโปรไฟล์บทบาททีมตามช่องว่างและจุดแข็งในความสามารถของทีมขายของคุณ

ข้อมูลที่จำเป็น

ในการดำเนินการริเริ่มเชิงกลยุทธ์นี้ คุณจะต้องมีข้อมูลบางอย่างเกี่ยวกับสมาชิกในทีมของคุณ โดยเฉพาะข้อมูลชีวประวัติและลักษณะบุคลิกภาพด้านการศึกษาและการจ้างงาน เพื่อเพิ่มความเป็นกลางและข้อมูลเพิ่มเติมให้กับกระบวนการ การจัดการแบบทดสอบบุคลิกภาพที่ครอบคลุมให้กับสมาชิกในทีมและรวมข้อมูลที่รวบรวมมาอาจเป็นประโยชน์

แนวทางการวิเคราะห์

ขั้นตอนต่อไปคือการวิเคราะห์องค์ประกอบของทีมของคุณและทีมอื่นๆ เพื่อเปรียบเทียบองค์ประกอบกับผลงาน คำถามที่สำคัญที่สุดที่ต้องตอบคือ:

• สมาชิกในทีมส่วนใหญ่มีคุณสมบัติ/ประสบการณ์อะไรบ้าง?
• ลักษณะ/ประสบการณ์ที่ทีมขายที่มีประสิทธิภาพสูง/ต่ำมี/ไม่มี?

สามารถใช้วิธีการวิเคราะห์ข้อมูลพื้นฐานสองวิธีกับข้อมูลที่คุณรวบรวมได้: การถดถอยและการจัดกลุ่ม

การถดถอย เป็นฟังก์ชันแมชชีนเลิร์นนิงที่คาดการณ์ตัวเลข เช่น ตัวเลขยอดขายรายปี งานถดถอยเริ่มต้นด้วยชุดข้อมูลที่ทราบค่าเป้าหมาย ในกระบวนการสร้างแบบจำลอง (การฝึกอบรม) อัลกอริธึมการถดถอยจะประเมินมูลค่าของเป้าหมาย (ประสิทธิภาพการขาย) ตามหน้าที่ของตัวทำนาย (ลักษณะบุคลิกภาพ ระยะเวลา ฯลฯ) สำหรับแต่ละกรณีในข้อมูลบิลด์ ความสัมพันธ์เหล่านี้ระหว่างตัวทำนายและเป้าหมายถูกสรุปไว้ในแบบจำลอง โมเดลเหล่านี้สามารถช่วยระบุลักษณะและประสบการณ์ของสมาชิกในทีมและของทีมโดยรวม คาดการณ์ประสิทธิภาพการขายได้ดีที่สุด

เทคนิคการ จัดกลุ่ม เป็นประเภทของแมชชีนเลิร์นนิงที่ใช้คุณลักษณะและประสบการณ์ของสมาชิกในทีมขายของคุณเพื่อระบุหมวดหมู่ทั่วไป ตัวอย่างเช่น เพื่อทำการวิเคราะห์ที่เปรียบเทียบจำนวนประสบการณ์การฝึกอบรมของสมาชิกกับเวลาที่พวกเขามีปฏิสัมพันธ์กับลูกค้า การจัดกลุ่มอาจระบุกลุ่มพนักงานสองกลุ่ม – กลุ่มหนึ่งที่มีการฝึกอบรมมากขึ้นและมีเวลากับลูกค้ามากขึ้น และอีกกลุ่มที่มี การฝึกอบรมน้อยลงและใช้เวลากับลูกค้าน้อยลง โปรไฟล์เหล่านี้สามารถเชื่อมโยงกับ KPI (ตัวบ่งชี้ประสิทธิภาพหลัก)

ตัวอย่าง: Spotting Patterns Points Way to Improvement

บริษัทเทคโนโลยีแห่งหนึ่งสามารถค้นพบคุณลักษณะทั่วไปบางอย่างของทีมขายที่มีประสิทธิภาพต่ำโดยใช้เทคนิคทางวิทยาศาสตร์ข้อมูล พวกเขากระจายตัวตามภูมิศาสตร์มากขึ้น มีรายการเป้าหมายการขายแบบกระจายมากกว่า และมีความสามารถในการขายที่ไม่สอดคล้องกับบทบาทของพวกเขามากกว่าทีมที่มีประสิทธิภาพสูง การมีความรู้เกี่ยวกับรูปแบบอื่นที่ยากต่อการรับรู้สามารถนำไปสู่การแก้ไขประสิทธิภาพที่ต่ำกว่ามาตรฐานได้สำเร็จ

เทคนิควิทยาศาสตร์ข้อมูล #2: การตัดสินใจของทีมขาย

การวิเคราะห์การตัดสินใจสามารถระบุเวลาเฉพาะระหว่างไทม์ไลน์การซื้อของลูกค้า (และความสำเร็จของลูกค้า) เมื่อควรมีการดำเนินการบางอย่างเพื่อเพิ่ม KPI ยอดขายสูงสุด

ข้อมูลที่จำเป็น

ข้อมูลสองประเภทที่จำเป็นสำหรับเทคนิคนี้คือ:

• ข้อมูลการเคลื่อนไหวของเวลาที่ลูกค้าเผชิญ (กิจกรรมก่อนการขาย การขาย และหลังการขาย)
• ข้อมูลการสื่อสาร (อีเมล การนัดหมายในปฏิทิน การแลกเปลี่ยนบนแพลตฟอร์มเครือข่ายมืออาชีพ)

แนวทางการวิเคราะห์

การวิเคราะห์นี้ค้นหาช่วงเวลาที่ดีที่สุดโดยเฉพาะสำหรับสมาชิกทีมขายในการมีส่วนร่วมในกิจกรรมที่ต้องเผชิญกับลูกค้าโดยพิจารณาวิถีการดำเนินการของทีมขาย การตัดสินใจ และการสื่อสารตลอดเส้นทางการซื้อของลูกค้า จากนั้นระบบจะจับคู่กับกระบวนการขายของคุณโดยเชื่อมโยงระยะเวลากับประสิทธิภาพของทีมขาย

สามารถใช้เทคนิค การถดถอย ดังที่อธิบายไว้ในส่วนสุดท้ายได้ที่นี่ ในกรณีนี้ ขั้นแรก คุณสามารถสร้าง "รหัส" ในข้อมูลของคุณเพื่อแสดงจุดต่างๆ ในไทม์ไลน์ของทีมขายเมื่อมีการดำเนินการ การตัดสินใจ และการสื่อสารบางอย่างเกิดขึ้น รหัสเหล่านี้สามารถใช้เป็นตัวทำนายประสิทธิภาพการขายในแบบจำลองของคุณได้

ตัวอย่าง: ค้นหาสิ่งที่ต้องสอนดีที่สุด

สำนักงานกฎหมายแห่งหนึ่งพยายามทำความเข้าใจพฤติกรรมของผู้ผลิตน้ำฝนชั้นนำ เพื่อที่จะกลั่นกรองข้อมูลเชิงลึกให้เป็นการฝึกอบรมที่มีประสิทธิภาพสำหรับนักพัฒนาธุรกิจรายอื่นๆ ในบริษัท การสำรวจเวลาและการเคลื่อนไหวรวมทั้งการวิเคราะห์รูปแบบการสื่อสารมีความสำคัญอย่างยิ่งในการบรรลุวัตถุประสงค์นี้

เทคนิควิทยาศาสตร์ข้อมูล #3: การทำงานร่วมกันของทีมขาย

การวิเคราะห์การทำงานร่วมกันในทีมขายสามารถช่วยให้คุณทราบได้ว่าสมาชิกในทีมขายของคุณทำงานร่วมกันได้อย่างมีประสิทธิภาพเพียงใด มีส่วนร่วมกับลูกค้า และการโต้ตอบของทีมเหล่านี้จะกระตุ้นยอดขายได้อย่างไร

ข้อมูลที่จำเป็น

คุณจะต้องมีข้อมูลที่ช่วยในการแปลการทำงานร่วมกันเป็นทีมเป็นรายได้และผลกำไรจริง ซึ่งรวมถึง:

• การสื่อสาร (อีเมล การนัดหมายในปฏิทิน การแลกเปลี่ยนบนแพลตฟอร์มเครือข่ายมืออาชีพ)
• ค่าตอบแทนและประสิทธิภาพ CRM และข้อมูลการออกใบแจ้งหนี้ของลูกค้า

แนวทางการวิเคราะห์

ข้อมูลนี้สามารถใช้เพื่อระบุว่าทีมขายกำลังสื่อสารกับใคร ความถี่ และรูปแบบการสื่อสารใดที่เกี่ยวข้องกับประสิทธิภาพการขายที่สูง

การวิเคราะห์เครือข่ายองค์กร (ONA) เป็นวิธีการศึกษาการสื่อสารและเครือข่ายที่ขับเคลื่อนด้วยสังคมภายในบริษัท เทคนิคนี้สร้างแบบจำลองกราฟิกและสถิติที่สามารถช่วยให้คุณเข้าใจรูปแบบการสื่อสารของทีมขายของคุณได้อย่างเต็มที่

ตัวชี้วัดเครือข่ายทั่วไปสามตัวที่สร้างโดย ONA คือ:

• ความหนาแน่น — ระดับที่สมาชิกของทีมสื่อสารกันโดยตรง
• Centrality — ซึ่งสมาชิกในทีมขายมีอิทธิพลมากที่สุดในการสื่อสารของพวกเขา
• การแลกเปลี่ยนซึ่งกันและกัน — ระดับที่สมาชิกในทีมขายแลกเปลี่ยนข้อมูลร่วมกัน

เมื่อพัฒนาแล้ว เมตริกเหล่านี้สามารถใช้ในการสร้างแบบจำลองการคาดการณ์ของ KPI ของทีมขาย

ตัวอย่าง: การเน้นพฤติกรรมที่นำไปสู่ความสำเร็จ

องค์กรผู้บริโภคที่ทำงานภาคสนามต้องการความเข้าใจที่ลึกซึ้งยิ่งขึ้นและขับเคลื่อนด้วยข้อมูลว่าผู้จัดการฝ่ายขายมีส่วนสนับสนุนการเติบโตและผลกำไรอย่างไร ผ่านการวิเคราะห์เชิงคาดการณ์ ONA และการสร้างแบบจำลอง พวกเขาสามารถระบุแนวทางงานและพฤติกรรมที่สำคัญที่นำไปสู่ความสำเร็จของผู้จัดการฝ่ายขายที่มีประสิทธิภาพสูง ข้อมูลบุคลิกภาพ ลายเซ็นเครือข่าย และพฤติกรรมของผู้จัดการฝ่ายขายคาดการณ์ความแปรปรวน 18 เปอร์เซ็นต์ของยอดขายปีต่อปี

อย่าทำผิดพลาดโดยสมมติว่าโควต้าและค่าตอบแทนเป็นปัจจัยกำหนดความสำเร็จในการขายเพียงอย่างเดียว กระบวนการเป็นสิ่งสำคัญ ตรวจสอบให้แน่ใจว่าทีมขายของคุณมีเครื่องมือที่ขับเคลื่อนด้วยวิทยาศาสตร์ข้อมูลเพื่อปรับกระบวนการและประสิทธิภาพให้เหมาะสม พร้อมความรู้ที่พวกเขาต้องการเพื่อใช้ประโยชน์สูงสุดจากสิ่งเหล่านี้ เรียนรู้เพิ่มเติมเกี่ยวกับวิธีการปรับปรุงประสิทธิภาพการขายของคุณในคู่มือล่าสุดของเรา " การจัดการประสิทธิภาพการขายอย่างเชี่ยวชาญ: คู่มือสู่การเปลี่ยนแปลงการขายดิจิทัล "

นี่เป็นแขกโพสต์โดย Tom Hill และ Tatem Burns จาก Axiom Consulting Partners เรียนรู้เพิ่มเติมเกี่ยวกับ Axiom ที่นี่