X
Następny artykuł dla Ciebie
Wyświetl >>

Jak wyznaczać lepsze cele sprzedażowe dzięki analizie danych?

Marije Weber, Isabel Huber, Doug J. Chung, Varun Sunku  · 4 min

Jak wyznaczać lepsze cele sprzedażowe dzięki analizie danych?

Wynagrodzenie to istotny czynnik nie tylko motywujący handlowców, ale również napędzający rozwój sektora B2B. Jak pokazują badania, dostosowanie zarobków do trendów rynkowych może mieć o 50% większy wpływ na sprzedaż niż reklama. Jednak aby właściwie określać wartość wynagrodzeń, należy wyznaczać odpowiednie cele sprzedażowe.

Zarówno badania naukowe, jak i nasze doświadczenia ze współpracy z firmami B2B w rozmaitych branżach sugerują, że źle wyznaczone cele nie przynoszą oczekiwanych korzyści, a także wręcz demoralizują sprzedawców w procesie ich realizacji.

Organizacje często tracą najlepszych handlowców, wyznaczając cele, które są karą za osiągnięcie sukcesu. Powszechnym błędem jest na przykład wykorzystywanie w roli miernika wcześniejszych wyników. Jeśli najlepszy handlowiec przekroczy roczny cel o 20%, w kolejnym roku będzie miał do zrealizowania 120%, podczas gdy w przypadku sprzedawcy, który osiągnie 90%, jego cel na kolejny rok pozostanie bez zmian. Nic dziwnego, że najlepsi handlowcy uważają, że to niesprawiedliwe, i często decydują się na odejście z takiej organizacji.

Odkrywaj jeszcze więcej i częściej. Kupując prenumeratę, gwarantujesz sobie dostęp do solidnej dawki harvardzkiej wiedzy. Miej pewność, że nic cię nie ominie.

Z prenumeratą możesz więcej!

Prowadząc swoje obserwacje, widzimy, że wiele firm w różnych sektorach ma kłopoty z wyznaczaniem ambitnych, lecz sprawiedliwych celów, które zmotywują handlowców do organicznego rozwoju. Niektóre organizacje znajdują rozwiązania: stosują zaawansowane narzędzia analityczne, aby określić czynniki autentycznie napędzające wyniki biznesowe, oraz korzystają z big data i uczenia maszynowego, aby precyzyjnie określić oczekiwania klientów. Dysponując analizami i szczegółowymi prognozami, mogą tworzyć bardziej sensowne cele.

Aby wyznaczać lepsze cele, firmy muszą odpowiedzieć sobie na trzy podstawowe pytania:

  1. Jak powinniśmy wybierać kluczowe wskaźniki efektywności – KPIs?

  2. Jak powinniśmy wyznaczyć odpowiedni poziom naszych celów?

  3. Jak często powinniśmy wyznaczać nowe cele?

Określanie odpowiednich KPIs

Każda firma musi zmierzyć się z następującym pytaniem: czy powinniśmy opierać prowizje oraz premie na wynikach sprzedaży, zyskach, czy może na innych miernikach? Nieodpowiednio wybrany miernik może dać nieodpowiednie wyniki. Kiedy producent chemikaliów posłużył się celami opartymi na wolumenie sprzedaży, handlowcy zaczęli koncentrować się na produktach o niskiej marży, których sprzedaż kosztowała ich niewiele wysiłku, zamiast na produktach o wysokiej marży, których sprzedaż wymagałaby więcej starań, lecz zwiększyłaby też rentowność.

Big data i narzędzia analityczne mogą pomóc w określeniu, które KPIs najbardziej odpowiadają priorytetom biznesowym firmy, oraz w zdefiniowaniu szczegółowych mierników, które przyniosą pożądane rezultaty. Amerykańska firma usług przemysłowych miała do czynienia z dużą – rzędu 20% – utratą klientów, spowodowaną głównie przyjęciem przez handlowców agresywnej taktyki sprzedażowej: m.in. oferowaniem pakietów rozwiązań, o które klienci nie prosili. Co gorsze, po wykupieniu usługi sprzedawcy nie utrzymywali z nimi kontaktu, nie dbając o odpowiednie wdrożenie. Oferta obejmowała miesięczny abonament, co pozwalało klientom zrezygnować w dowolnym momencie. Słabe doświadczenia sprzedażowe spowodowały, że wielu z nich tak właśnie postąpiło.

Dane analityczne pokazały, że jeśli klienci utrzymywali się przez sześć miesięcy, zwykle pozostawali przez cały rok. W związku z tym firma przeformułowała zachęty dla handlowców i skoncentrowała je wokół czegoś, co nazywamy trwałością przychodów: miernika, który określa część przychodów, które utrzymują się po upływie sześciu miesięcy od sprzedaży. W ten sposób uwaga handlowców przekierowała się z „polowania” na „uprawianie”, co poprawiło proces wdrażania klientów oraz utrzymywania z nimi relacji.

Wyznaczenie odpowiednich celów

W miarę jak rośnie liczba ofert oraz złożoność procesów sprzedaży, popyt ze strony klientów staje się coraz bardziej zmienny i trudniejszy do przewidzenia. W tej sytuacji tradycyjne odgórne podejście do wyznaczania celów może okazać się niewystarczające.

Niektóre firmy korzystają z innowacyjnych technik uczenia maszynowego, aby przewidzieć zachowania klientów. Uzupełniając dane określane odgórnie, korzystają z prognoz z poziomu terytorium lub klienta, w tym z danych historycznych ze źródeł zewnętrznych i wewnętrznych. Algorytmy monitorują czynniki i reagują na te, które wpływają na niezawodność ich prognoz – im dłużej się z nich korzysta, tym są one bardziej precyzyjne.

W globalnej firmie produkcyjnej niestabilny popyt utrudniał wyznaczanie celów sprzedaży. Menedżerowie sprzedaży mieli kłopoty z określeniem czasu i zakresu interwencji, które poprawiłyby wyniki uzyskiwane przez personel pierwszej linii, kiedy zagrożone zostały miesięczne wolumeny sprzedaży. Z braku precyzyjnych i szczegółowych danych sprzedażowych prognozy opracowywano ręcznie, polegając w znacznej mierze na szacunkowych danych menedżerów. Firma stworzyła więc „jezioro danych”, korzystając z licznych źródeł wewnętrznych, i sięgnęła po uczenie maszynowe, aby analizować schematy sprzedaży każdego produktu u poszczególnych dystrybutorów. Obfitość zdobytych w ten sposób punktów danych – dotyczących produktów, poziomów zapasów, cen, czasu sprzedaży itd. – pozwoliła pogrupować dystrybutorów w podobne klastry i opracować algorytm prognozowania dla każdego z nich, który został ulepszony dzięki porównaniu danych wejściowych w czasie.

Wyniki okazały się imponujące: dokładność prognoz poprawiła się o 80%. Dzięki dokładniejszym prognozom menedżerowie sprzedaży mogli dostosowywać cele przez cały rok, aby odpowiednio nagradzać pracowników pierwszej linii lub partnerów w kanałach sprzedaży, a nie karać ich za zmiany rynkowe, na które nie mają wpływu.

Częstotliwość korygowania celów

Jak często należy korygować cele? Częste ich rewidowanie zwiększa koszty administracyjne i wywołuje problemy z komunikacją. Z kolei zbyt wolne wprowadzanie korekt może spowodować utratę zdolności reagowania na zmiany rynkowe i osłabić zaangażowanie handlowców.

Pewna firma usługowa wykorzystała techniki uczenia maszynowego do obliczenia prawdopodobieństwa odejścia dla każdego klienta; algorytm poprawnie zidentyfikował 60% klientów, którzy odeszli i 95% tych, którzy pozostali. Następnie korzystając z pomocy specjalnie wybranej grupy handlowców, firma opracowała nowy model ustalania celów.

Zgodnie z nim handlowcy otrzymywali premię za kontakt z klientami zidentyfikowanymi jako zagrożeni odejściem. Po eksperymentach z ustalaniem celów w różnych interwałach i dzięki zastosowaniu prognoz algorytmicznych oraz informacji zwrotnych na temat zachowań klientów w terenie firma ustaliła, że cele należy optymalnie korygować w cyklach kwartalnych. Wykorzystując ten model do identyfikacji klientów zagrożonych odejściem, firma zmniejszyła współczynnik ich utraty o 5%.

Jak to zrobić?

Firmy powinny sprawdzać, czy wskaźniki, z których korzystają, nagradzając handlowców, odpowiadają ich celom strategicznym. Powinny ustalać indywidualne cele, nie bazując na wynikach osiągniętych w przeszłości, lecz szacując je na podstawie potencjału portfela klientów każdego handlowca. Mogą też zwiększyć motywację handlowców, wyznaczając i korygując cele zgodnie z cyklami zakupowymi klientów, a jednocześnie eksperymentować, aby ustalić odpowiednią częstotliwość korekt.

W procesie tym firmy mogą zmagać się z niedoskonałością danych oraz ze sceptycyzmem ze strony handlowców lub kierownictwa – albo nawet obydwu tych grup. Aby osiągnąć sukces, niezbędne będzie prowadzenie kolejnych eksperymentów – testowania modeli wyznaczania celów, rewizji celów sprzedaży i wykorzystywania nowych celów do optymalizacji planów wynagrodzeń. Platformy danych i scentralizowane systemy zarządzania danymi mogą zapewnić jednorodne źródło wiarygodnych informacji wspierających analizy w czasie rzeczywistym. Kluczowe może okazać się też zaangażowanie talentów – badaczy i analityków, którzy będą pośrednikami z jednej strony wyjaśniającymi potrzeby biznesowe ekspertom technologicznym, a z drugiej tłumaczącymi liderom biznesu, w jaki sposób działają technologie.

Działając we wspomniany wyżej sposób i cierpliwie przeprowadzając kolejne iteracje, organizacje mogą osiągać lepsze wyniki dzięki wzrostowi sprzedaży, lepszym marżom i większej motywacji handlowców.

PRZECZYTAJ TAKŻE: Handlowiec + klient = połączenie doskonałe? »

Czy twoi przedstawiciele handlowi spędzają za dużo czasu z klientami? 

Andrew Kent , Simon Frewer , Matthew Dixon

Handlowcy poświęcają mniej czasu na spotkania z klientami, a więcej na działania przygotowawcze. Dlaczego tak jest?

Dziękujemy, że jesteś z nami! Cieszymy się, że interesują cię treści dostarczane przez „Harvard Business Review Polska”. Każdego dnia dajemy ci sprawdzone rozwiązania problemów biznesowych. Nie chcesz przegapić żadnej praktycznej wskazówki? Zapisz się na nasz newsletter! Sprawdź hbrp.pl/newsletter.

Dziękujemy, że jesteś z nami! Cieszymy się, że jako zalogowany użytkownik sięgasz po praktyczne treści dostarczane przez „Harvard Business Review Polska”. Każdego dnia staramy się wyposażać cię w sprawdzone rozwiązania problemów biznesowych. Zostań prenumeratorem HBRP i ciesz się wiedzą bez ograniczeń. Sprawdź na hbrp.pl/prenumerata.

Dziękujemy, że jesteś z nami! Jako prenumerator „Harvard Business Review Polska” wiesz, że każdego dnia wyposażamy cię w sprawdzone rozwiązania problemów biznesowych. Nie chcesz przegapić żadnej praktycznej wskazówki? Zapisz się na nasz newsletter! Więcej na hbrp.pl/newsletter.

Marije Weber

Konsultantka marketingu i sprzedaży w McKinsey & Company. Koncentruje się na dążeniu do doskonałości handlowej w firmach B2B i B2B2C.

Isabel Huber

Partnerka ds. marketingu i sprzedaży w McKinsey & Company. Zajmuje się transformacją działalności sprzedażowej i osiąganiem doskonałości handlowej w sektorach zaawansowanych technologii i w energetyce.

Doug J. Chung

Profesor administracji biznesowej w katedrze marketingu Harvard Business School.

Varun Sunku

Ekspert marketingu i sprzedaży w McKinsey & Company. Koncentruje się na doskonałości handlowej i przyśpieszeniu procesu sprzedaży w firmach B2B i B2B2C.

Bądź na bieżąco

Powiązane artykuły

Powiązane artykuły


Bądź na bieżąco


Najpopularniejsze tematy