Wreszcie mamy książkę o danych i analityce dla każdego. Wykresy, grafiki i suche porady, których można się spodziewać, są obecne, ale tylko w małych dawkach. Jenny Dearborn, starszy wiceprezes i dyrektor ds. nauki w SAP, uczy o analityce danych, snując wciągającą, inspirującą opowieść o fikcyjnej, borykającej się z problemami organizacji sprzedaży. W obliczu mizernych wyników i skłóconych osobowości szef sprzedaży stosuje zaawansowane praktyki w zakresie danych i analityki, aby poprawić wyniki. getAbstract poleca ten żywy podręcznik kierownictwu wyższego szczebla, przedsiębiorcom, sprzedawcom i menedżerom zainteresowanym potencjałem analityki w sprzedaży, a także w innych zastosowaniach. Nawet początkujący statystycy powinni wynieść z niego umiejętność mówienia o analityce z uśmiechem.

Streszczenie zostało przetłumaczone maszynowo (przepraszamy za niedoskonałości tłumaczenia) jako materiał uzupełniający na nasze szkolenia i wyjazdy integracyjne.

Take-Aways
Pomimo postępu w dziedzinie analityki danych, większość menedżerów sprzedaży polega na „instynkcie” przy podejmowaniu krytycznych decyzji.
Wykorzystanie danych i podejmowanie decyzji w oparciu o dowody daje szefom sprzedaży przewagę nad konkurencją.
Właściwe dane mogą przynieść „użyteczne spostrzeżenia”, które pozwalają podejmować znacznie lepsze decyzje.
Metryki skoncentrowane na jednym celu prowadzą do silosów i walk o budżet.
Organizacje powinny najpierw określić, jakie czynniki wpływają na sprzedaż.
Zebrać i oczyścić dane dla każdego czynnika lub kluczowego wskaźnika efektywności.
Wykorzystać dane do przeprowadzenia „analityki opisowej”, aby odkryć istotne trendy.
Zastosować „analitykę diagnostyczną”, aby zrozumieć, dlaczego rzeczy dzieją się tak, a nie inaczej.
Przeprowadzić „analitykę predykcyjną”, aby sprawdzić, co dane mówią o przyszłych zdarzeniach.
Zastosować „analitykę preskryptywną”, aby określić, co należy zrobić w następnej kolejności.
Podsumowanie
Rzadka okazja, aby przewodzić
Rządy analizują dane, aby przewidzieć oszustwa wykonawców. Trenerzy wykorzystują dane do podejmowania lepszych decyzji rekrutacyjnych. Big data i analityka predykcyjna są obecne w wielu dziedzinach, ale żadna organizacja nie posiada kompleksowego systemu sprzedaży opartego na danych. Większość zespołów sprzedażowych polega na doświadczeniu i „instynkcie” lub korzysta z danych historycznych, które mierzą efektywność, a nie skuteczność sprzedaży. Takie organizacje są jak pilot, który w obliczu trudnych warunków pogodowych wyłącza przyrządy w samolocie. Zamiast znać prędkość, kierunek i wysokość, pilot „leci na oślep”.

„Głęboka wiedza o Państwa firmie w połączeniu z umiejętnością analizy danych to zwycięska kombinacja”.
Nie muszą Państwo latać na oślep. Obecna technologia i metody analityczne śledzą i analizują interakcje z klientami i ich zwyczaje zakupowe, preferencje produktowe, wydajność pracowników, optymalne pakiety sprzedażowe, skuteczność partnerów handlowych, wielkość transakcji i wiele innych czynników wpływających na sprzedaż. Każda operacja sprzedaży, która analizuje właściwe dane – szukając wzorców i powiązań – może przewidzieć, którzy klienci dokonają zakupu, przepisać, jakie produkty należy im zaoferować, określić, jakich szkoleń i wsparcia potrzebuje każdy przedstawiciel handlowy, a także wygenerować wiele innych potężnych spostrzeżeń. To jest właśnie sedno i cel „analityki wydajności”.

Żądać danych, których Państwo potrzebują
Zbyt często, gdy w działach sprzedaży pojawiają się problemy, przedstawiciele obwiniają kierownictwo za wyznaczanie niedokładnych celów sprzedaży, zespół marketingowy za generowanie „kiepskich” leadów, a dział produkcji za wydawanie przestarzałych produktów. Następnie dział produkcji kwestionuje wiedzę przedstawicieli handlowych, a dział L&D obwinia ich o opuszczanie szkoleń. Przedstawiciele krytykują szkolenia jako nierealistyczne i nieistotne. Kierownicy sprzedaży cenzurują dział kadr za nieodpowiednie zatrudnianie nowych pracowników, a dział kadr obwinia dział sprzedaży za nieodpowiednie specyfikacje zatrudnienia. I wszyscy proszą o więcej pieniędzy.

„Każdy zbiór danych jest wyjątkowy, a każdy problem wymaga indywidualnego, kreatywnego rozwiązania”.
Jako szef sprzedaży, który chce zatrzymać tę reakcję łańcuchową, musi Pan żądać danych i dowodów. Gdy dział Badań i Rozwoju chce wprowadzić obowiązek szkolenia w zakresie sprzedaży, należy poprosić o dowody potwierdzające wpływ szkolenia. Proszę zapytać, w jaki sposób doprowadziło ono do zmiany zachowań, która doprowadziła do zwiększenia sprzedaży. Gdy wiceprezes ds. sprzedaży upiera się, że jedynym sposobem na osiągnięcie celów jest zatrudnienie większej liczby sprzedawców, należy zażądać dowodów. Dlaczego obecny zespół nie może zrealizować swoich celów? Dlaczego wielkość transakcji jest mała? W jaki sposób większa liczba osób mogłaby poprawić wyniki?

„W miarę postępu projektu analitycznego i kumulowania się sukcesów, wiele osób, które wcześniej były sceptykami, staje się wierzącymi. Niektórzy staną się nawet ambasadorami i mistrzami”.
Tylko dane i analizy mogą przełamać ten impas. Optymistyczne kwoty sprzedaży – zbyt częste ze względu na brak danych – mogą się pojawić jako główna przyczyna, ale twarde informacje i analizy stanowią najlepszy argument za stworzeniem rozsądnych, energetyzujących celów sprzedaży, a następnie przekazaniem przedstawicielom handlowym informacji umożliwiających ich realizację.

Dzielenie się danymi
Większość zespołów ds. marketingu, L&D i produktów gromadzi pewne dane i może opisać niektóre metryki, które wykorzystuje do oceny postępów. Dział Badań i Rozwoju informuje o tym, jak wielu pracowników uczestniczy w szkoleniach i przekazuje świetne opinie po ich zakończeniu. Dział produkcji może zaprezentować nowe funkcje produktu. Niestety, dział kadr nie może powiedzieć Państwu o skuteczności lub przydatności nowo zatrudnionych pracowników. L&D nie ma pojęcia, czy uczestnicy, którym podobały się ich kursy, zmienili choć jedno zachowanie. Szef produkcji nie wie nic o tym, jak klienci wykorzystują nowe funkcje, ani jakie dodatki odegrały rolę w decyzjach o zakupie.

„Gdy brakuje danych wysokiej jakości, trudno jest dojść do użytecznych wniosków na temat tego, co napędza sprzedaż. A bez zrozumienia tego, co napędza sprzedaż, trudno jest rozwiązywać problemy.”
Metryki skoncentrowane na jednym celu prowadzą do silosów i walk o budżet, ale można osiągnąć lepsze wyniki, jeżeli wszystkie zaangażowane osoby będą w stanie zrozumieć, jak ich działania wpływają na każdy element cyklu sprzedaży. Na przykład, znajomość wyników przedstawicieli handlowych z pierwszego roku pomoże działowi kadr w rekrutacji pracowników sprzedaży o umiejętnościach i zachowaniach najbardziej udanych poprzednich pracowników. Dzięki tym danym Dział Badań i Rozwoju może dostosować programy szkoleniowe do specyficznych potrzeb poszczególnych przedstawicieli. Dzielenie się danymi na wyższym poziomie, we wszystkich działach, które napędzają i wspierają sprzedaż, prowadzi do lepszych dyskusji i pracy zespołowej.

Tworzenie zespołu ds. analizy danych
Aby przeprowadzić udaną inicjatywę dotyczącą danych, należy zaangażować w nią kierownictwo wyższego szczebla, osobę jak najbardziej wiarygodną i wysoko postawioną. Z dyrektorem generalnym lub sponsorem najwyższego szczebla, należy wybrać uczestników z działu sprzedaży i każdego zespołu, który wspiera sprzedaż. Poprosić o ochotników, ale wybrać członków, którzy akceptują zmiany i którym można zaufać w kwestii wrażliwych danych. Szukać innowatorów z wpływami. Zatrudnić – i wysłuchać – przynajmniej jednego prawdziwego sceptyka, który będzie kwestionował i poddawał w wątpliwość Państwa ustalenia.

„Wybór … które KPI lub zmienne wzmocnić nie jest prostym zadaniem. Bez… wskazówek można zmarnować mnóstwo czasu i energii, próbując zająć się każdym problemem, od zatrudnienia po odejście z pracy.”
Jeżeli potrzebują Państwo wiedzy z zewnątrz, należy wybierać mądrze. Proszę rozważyć stan swoich danych i zastosować myślenie analityczne. Proszę rozważyć konsekwencje outsourcingu i budowania potencjału wewnętrznego. Często najlepiej sprawdza się łączenie wiedzy zewnętrznej z zasobami wewnętrznymi, zwłaszcza że konsultanci zewnętrzni prawdopodobnie nie znają Państwa działalności. Nawet najlepsza analiza danych daje bezużyteczne spostrzeżenia, jeżeli nie zostanie odpowiednio zinterpretowana, a to wymaga gruntownej wiedzy o Państwa działalności.

„Należy szukać ludzi, którzy rozumieją biznes i potrafią interpretować dane i wyniki analizy w odniesieniu do Państwa działalności.
Szukając pomocy z zewnątrz, należy zwrócić uwagę na solidnego naukowca od danych, który posiada umiejętności biznesowe i analityczne. Proszę szukać stosownych referencji i rekomendacji. Po zebraniu zespołu należy opracować przejrzystą komunikację na temat polityki dotyczącej danych oraz etycznych intencji dotyczących zbierania i wykorzystywania danych. Chodzi o to, aby pracownicy nie czuli się „manipulowani i przymuszani” z powodu błędnego przekonania, że firma może niewłaściwie wykorzystać ich dane osobowe. Proszę pozwolić ludziom „zrezygnować”.

Kluczowe wskaźniki wydajności
Przekształcenie sił sprzedaży w operację opartą na danych należy rozpocząć od zidentyfikowania zmiennych, które wpływają na sprzedaż. Proszę zastanowić się nad związkami między tymi zmiennymi i naszkicować diagram, który będzie je przedstawiał. To początek Państwa „mapy KPI”, która pomoże Państwu dostrzec powiązania, które sprawiają, że „Państwa firma tyka”. Określić główne zmienne, wokół których obracają się Państwa KPI. Na przykład, jeżeli Pana zespół sprzedaży nie generuje wystarczających przychodów, czy wynika to z tego, że ma zbyt mało przedstawicieli handlowych, czy z tego, że mają oni zbyt mało sprzedaży? Proszę zapytać, ilu sprzedawców obecnie osiąga lub przekracza swoje kwoty. Roztrząsanie problemu wokół liczby przedstawicieli handlowych często prowadzi do niewielu rozwiązań poza opłaceniem większej liczby osób.

„Gorsze od rozwiązywania właściwego problemu za pomocą niewłaściwych danych jest inwestowanie w niewłaściwy problem”.
Im więcej KPI wymyśli Państwa zespół, tym lepiej. Nie należy krytykować ich pomysłów. Proszę się upewnić, że mogą Państwo zmierzyć każdy KPI, który zdecydują się Państwo zastosować. Na przykład satysfakcja, motywacja i zaangażowanie przedstawicieli handlowych to potencjalnie potężna zmienna, ale większość organizacji utrzymuje w tajemnicy odpowiedzi poszczególnych osób na ankiety dotyczące zaangażowania, więc te dane nie są dostępne. Jeżeli nie mogą Państwo zmierzyć indywidualnego zaangażowania, należy wyrzucić ten KPI. Gdy Państwa zespół zidentyfikuje wskaźniki sukcesu w sprzedaży, należy upewnić się, że można je wyrazić jako KPI. Na przykład, wiedza o tym, ile bieżących możliwości sprzedaży kończy się długoterminowymi umowami, jest pomocna, ale nie jest to KPI. Zamiast tego należy określić zależność między możliwościami sprzedaży a udaną sprzedażą długoterminową w kategoriach „średniej długości kontraktu” osiąganej przez przedstawicieli handlowych. W końcu burza mózgów doprowadzi do powstania czegoś w rodzaju schematu organizacyjnego wskaźników efektywności.

„Stworzenie holistycznej, synergicznej strategii i systematycznego podejścia do danych i sprzedaży to pomysł, którego czas nadszedł”.
Na górze wykresu powinna pojawić się Państwa główna zmienna – krytyczny wynik, który napędza i do którego prowadzą wszystkie inne KPI: na przykład „łączne rezerwacje przedstawicieli handlowych”. Pod spodem należy umieścić kategorie KPI, a więc jeżeli „średnia wielkość transakcji” jest ważna w kontekście całkowitych rezerwacji dla przedstawicieli handlowych, należy umieścić ją na kolejnym poziomie. Pod nim należy zapisać wszystkie KPI, które wpływają na średnią wielkość transakcji. Państwa wykres może zawierać setki KPI. Na razie proszę zachować te, które są istotne i mierzalne.

Zbieranie danych
Po sporządzeniu listy KPI, należy zdefiniować każdy z nich, przytoczyć dane, które go potwierdzają i określić jego metrykę. Na przykład, jeżeli jedna zmienna mierzy średnią wielkość transakcji na przedstawiciela, proszę określić, jakie czynniki składają się na ten pomiar. W tym przypadku może to być „całkowita wartość możliwości” podzielona przez „całkowite możliwości na przedstawiciela”. Uzgodnić, co stanowi okazję. Następnie należy ustalić, gdzie można znaleźć dane. Większość dużych organizacji przechowuje dane w wielu systemach, takich jak systemy informacyjne HR i systemy zarządzania uczeniem się. Czasami dane istnieją tylko na indywidualnych komputerach lub poza firmą. Proszę wyjaśnić, jak bardzo potrzebne są te informacje i poprosić o wsparcie osoby, które je posiadają. Podkreślić przejrzystość i pełne ujawnienie.

„Analityka danych jest najbardziej wartościowa, gdy jest postrzegana nie tylko jako narzędzie do rozwiązywania problemów, ale jako sposób myślenia w celu zwiększenia ogólnej efektywności”.
Po uzyskaniu danych należy je „oczyścić”. Błędy we wprowadzaniu danych lub niekompletne zestawy danych prowadzą do niewiarygodnych wyników. Znalezienie i ocena danych może również wyeliminować niektóre KPI. W niektórych przypadkach nie będzie można znaleźć potrzebnych danych; w innych przypadkach będą one niekompletne lub uszkodzone. Należy zawęzić swoje KPI; upewnić się, że można porównać pozostałe zmienne z dostępnymi danymi. Na przykład, niech Państwo wybiorą jako KPI „cenę sprzedaży na jednostkę”. Aby uzyskać tę liczbę, potrzebne są dane dotyczące „całkowitej ceny sprzedaży” i „liczby jednostek”. Niektóre KPI wymagają więcej niż dwóch pól danych i mogą wymagać skomplikowanych formuł. Odrzucić dane „odstające”, czyli liczby, które wydają się skrajne w stosunku do średniej. Jeżeli jedna zmienna ma małą skalę – powiedzmy od 1 do 10 – a inna od 1 do 100, należy znormalizować dane, aby wyniki nie były przekłamane.

Rodzaje analiz
Mając w ręku oczyszczone dane, można przystąpić do analizy. Proszę przeprowadzić cztery rodzaje analiz:

„Analityka opisowa – Większość organizacji wykonuje tę analizę, ale jest ona najmniej rygorystyczna z czterech poziomów. Spogląda w przeszłość. Analityka opisowa odkrywa trendy i pokazuje je na wykresach lub tablicach. Dane te ostrzegają liderów o przyszłych problemach lub możliwościach. Dobra analiza opisowa jest wynikiem zadawania pytań o zmienne i ich wzajemny wpływ. Być może trzeba będzie zadać wiele pytań, aby uzyskać jeden lub kilka wartościowych wniosków, ale te wnioski mają duży wpływ. Na przykład, mogą Państwo dowiedzieć się, że przychód ze sprzedaży jest bardziej funkcją pozyskanych możliwości, lub kombinacji oferowanych produktów i uczestnictwa w określonym kursie, lub stażu przedstawicieli handlowych, wielkości terytorium i dotychczasowych wyników. Nie należy pozwolić, aby analitycy wpływali na wyniki, szukając danych pasujących do hipotez.
„Analityka diagnostyczna – Ta analiza stawia pytanie, dlaczego coś się stało. Wykorzystuje ona bardziej zaawansowane techniki statystyczne, aby odkryć powiązania między elementami danych. Na przykład, poprzez wyodrębnienie dziesiątek zmiennych w celu porównania ich z jedną, można ustalić, który czynnik spowodował dany efekt. Na przykład, analiza diagnostyczna może pomóc w ustaleniu, co sprawia, że niektórzy przedstawiciele handlowi są bardzo skuteczni, a inni marnieją. W ten sposób mogą Państwo zaprojektować lepsze szkolenia, szkolić przedstawicieli dokładnie w tych obszarach, w których potrzebują pomocy i zatrudniać nowych przedstawicieli w sposób bardziej ukierunkowany.
„Analityka predykcyjna – Zazwyczaj przechodzą Państwo od analityki opisowej do diagnostycznej, a następnie do predykcyjnej. Gdy już wiadomo, co i dlaczego, można wykorzystać dane, aby uzyskać bardziej wartościowe spostrzeżenia. Algorytmy mogą tworzyć dokładne prognozy na przyszłość, przepuszczając dane przez tysiące, a nawet miliony możliwych połączeń i korelacji. W sprzedaży może to być przewidywanie, którzy potencjalni klienci kupią jakie produkty i dlaczego. Proszę wykorzystać duże zbiory danych do „trenowania” modeli predykcyjnych. Powiedzmy, że mają Państwo dane z całego roku o KPI poszczególnych przedstawicieli handlowych. Aby sprawdzić, jak dobrze wyniki przedstawicieli handlowych w zakresie spełniania tych KPI przewidują rzeczywistą sprzedaż, należy wziąć pierwsze sześć miesięcy KPI dla połowy przedstawicieli handlowych (grupa pierwsza) i dodać rok ich „danych dotyczących osiągnięć”. Określić siłę związku pomiędzy KPI a sprzedażą. To jest teraz Państwa model predykcyjny. Silny model predykcyjny jest potrzebny do podejmowania decyzji, dlatego należy go najpierw przetestować. Wziąć dane KPI dla pozostałych przedstawicieli handlowych (grupa druga) i sprawdzić je w tym samym modelu. Osobno należy porównać dane KPI drugiej partii przedstawicieli z ich całorocznymi osiągnięciami. Im mniejsza różnica w wynikach pomiędzy tymi dwiema grupami, tym ważniejszy jest Państwa model predykcyjny.
„Analityka predyktywna – Wiedza o tym, co się stało, dlaczego i co może się stać w przyszłości, prowadzi do logicznego pytania: „co powinniśmy z tym zrobić? Analityka preskryptywna wykorzystuje zaawansowane algorytmy, które bazując na danych preskryptywnych i predykcyjnych, sugerują optymalne decyzje i ich konsekwencje. Wyniki uzyskane dzięki analityce preskryptywnej mogą dać poszczególnym przedstawicielom handlowym „spersonalizowane plany działania”, określające dokładnie, co powinni zrobić, aby zwiększyć sprzedaż. Na przykład, można określić, jakie produkty powinni łączyć w pakiety dla poszczególnych klientów, w jakich szkoleniach powinni uczestniczyć i kiedy, a także jakie perspektywy powinni traktować priorytetowo na podstawie modeli prawdopodobieństwa, które przewidują prawdopodobieństwo zamknięcia.
Od zgadywania do prawdziwego wglądu
Analityka danych pomaga organizacjom przejść od gry w zgadywanki do opartego na dowodach wglądu, który radykalnie poprawia wyniki. Łącząc analitykę z wiedzą o Państwa działalności, można uzyskać wgląd, który pomoże Państwa przedstawicielom handlowym przełamać bezproduktywne nawyki. Nawet sceptycy zmieniają kurs, gdy dokumentacja pokazuje, że udział w zajęciach lub skupienie się na konkretnej kombinacji produktów generuje wyniki sprzedaży. Wdrożenie analityki poprzez skupienie się na konkretnych, dyskretnych projektach. Pozyskiwanie konwertytów poprzez gromadzenie małych sukcesów i dzielenie się nimi w całej firmie. Stopniowo rozszerzać zakres inicjatyw związanych z danymi, aby stworzyć kulturę opartą na danych w całej firmie.

O autorze
National Diversity Council umieścił Jenny Dearborn, starszego wiceprezesa i dyrektora ds. nauki w SAP, firmie z listy Fortune 500, na liście „50 najbardziej wpływowych kobiet w technologii”.