Myyntijohtaminen on murroksessa

marras 6, 2020 | General | 0 Kommenttia

Miten niin myyntijohtaminen on murroksessa ja miten se vaikuttaa myyntitehtäviin?

McKinseyn yli tuhat myyntiorganisaatiota kattavassa tutkimuksessa havaittiin, että 53 prosenttia erittäin menestyvistä myyntiorganisaatioista arvioi itsensä myös tehokkaiksi data-analytiikan käyttäjiksi.

Analytiikalla on yhä tärkeämpi rooli B2B-myynnissä ja tehokkaat organisaatiot vievätkin sen niin sanotusti “Nextille levelille” erottautuakseen kilpailijoistaan.

Silti, kaikista konkreettisista eduistaan huolimatta, data-analytiikan hyödyntäminen on edelleen sivuroolissa myyntijohtamisessa. Sama tutkimus nimittäin osoitti, etteivät 57 prosenttia kaikista tutkimukseen osallistuneista myyntiorganisaatioista kokeneet itseään tehokkaina kehittyneen data-analytiikan käyttäjinä.

Osalla yrityksistä on vaikeuksia hyötyä jopa Excelin perusanalytiikasta, kun taas jotkut eivät ole vielä lainkaan perehtyneet data-analyysiin. Tähän epäkohtaan ASET haluaa puuttua ja opastaa suomalaisia yrityksiä ensiaskeleissaan data-analytiikassa. Hyvin suunniteltu data-analyysi tuottaa merkittävää kilpailullista etua ja myyntituottojen kasvua ohjaamalla myyntitiimejä entistä parempiin strategisiin päätöksiin.

Myyntijohtaminen on murroksessa halusit sitä tai et

Yritykset tulevat näkemään suuren harppauksen omassa kyvyssään tunnistaa mahdollisuuksia ja hyödyntää niitä, kun he yhdistävät datan käsittelyä, koneoppimista ja automatisoivat rutiinitoimintojaan. Mutta se tapahtuu vain, kun yritykset onnistuvat tekemään yhtäaikaa kaksi asiaa oikein eli keskittyvät oikeisiin osa-alueisiin, joilla analytiikka tuottaa eniten niille lisäarvoa, ja hyödyntävät niissä oikein moderneja BI työkaluja.

Lisäarvoa myynnistä

Tulevaisuuteen katsovat yritykset kasvattavat myyntiään hyödyntämällä data-analytiikan ja tekoälyn tuomia keinoja. Niillä voi tuottaa merkittäviä tuloksia varsinkin seuraavissa osa-alueissa:

  1. Liidien generoimisessa
  2. Myyntihenkilöstön hallinnassa
  3. Ristiinmyynnissä
  4. Hinnoittelussa.

Data-analytiikka soveltuu hyvin esimerkiksi tarkempien ja parempien liidien tuottamiseen. Tekoäly tai oikeammin sen yksi alakategoria eli koneoppiminen käy hyvin myyntiprosessien automatisointiin. Näin yritykset tunnistavat laajojen tietojoukkojen avulla oikean asiakkaan oikeaan aikaan ja kasvattavat tällä tiedolla tuottojaan.

Liidien generointi

Perinteiset yritykset käyttävät historiallisia myyntitietoja luodakseen yksityiskohtaisen kuvan myyntialueidensa potentiaalisista asiakkaista. Mutta edistyneemmät yritykset vievät tätä tutkimusta vielä pykälän pidemmälle ottamalla käyttöön liidien pisteytysalgoritmeja, jotka perustuvat tunnettuihin yksityiskohtiin ja hajanaisiin tietojoukkoihin jokaisesta potentiaalisesta asiakkaastaan.

Omat sisäiset tietolähteet, kuten asiakkaan ostohistoria, voidaan esimerkiksi rikastaa ulkoisella datalla. Esimerkkejä ulkoisesta datasta voi olla asiakkaasta julkaistut uutisjutut tai heidän tekemät sosiaalisen median postaukset. Näin asiakkaasta saadaan niin kutsuttu 360° näkymä ja voidaan pistetyttää sen perusteella. Algoritmit ennustavat syötetystä datasta mitkä tekijät vaikuttavat liidien kääntymiseen diileiksi ja yritykset voivat mukauttaa niiden perusteella myyntistrategiaansa.

Yksi IT-palveluja tarjoava yritys pystyi esimerkiksi tällaisen Big Data -analytiikan avulla ennustamaan, mitkä liidit todennäköisesti johtivat kauppaan – ja havaitsi, että sillä olikin paremmat mahdollisuudet onnistua myyntitavoitteissaan vakiintuneissa yrityksissä kuin start-up yrityksissä, joihin se oli keskittynyt. Huomion keskittäminen vakiintuneisiin yrityksiin nosti 30 prosenttia heidän liidien konversiota myynniksi.

Useat yritykset käyttävät jo verkkosivuillaan tekoälyä hyödyntäviä chattibotteja, jotka käyttävät ennakoivaa analytiikkaa ja luonnollisen kielen prosessointia. Näillä boteilla voidaan automatisoida varhaisia ​​liidien generointitoimintoja, kuten usein esitettyjen asiakaskysymysten käsittelyä ja automatisoitua myyntiä edeltävien peruskysymyksien esittämistä dynaamisilla lomakkeilla.

Sen lisäksi, että nämä algoritmit ovat paljon tehokkaampia kuin perinteiset lähestymistavat, ne voivat tunnistaa lupaavimmat potentiaaliset asiakkaat ja määrittää sopivimman ajan ottaa yhteyttä näihin.

Myyntihenkilöstön hallinta

Perinteinen myynnin suunnittelu on tukeutunut asiakkuuksien segmentointiin, jota määrittelee enemmän myyntihistorian paikallinen tuntemus kuin ajantasaiset tosiasiat. Tuloksena on se, että myyntimallit muuttuvat ajan mittaan tehottomiksi ja globaalisti epäjohdonmukaisiksi, kun resurssit on kohdennettu väärin asiakkuuksiin, jotka vaatisivat erityyppisiä myyntistrategioita (esim. kasvavat vs. säilytettävät).

Resurssien kohdentaminen tulee nopeasti paljon tehokkaammaksi, jos myyntitiimit esittävät myynnin johdolle asiakkaista tehdyn perusanalytiikan. Analytiikka on mullistanut ymmärryksemme myyntitaidosta ja käyttäytymisestä myös tositilanteissa.

Myyntiorganisaatiot yhdistävät myynti-, asiakas- ja HR-tiedot etsiessään parhaiten menestyviä myyjiä ja ymmärtääkseen menestyvän myyjän luonteenomaiset tekijät. Nämä analyysit auttavat yrityksiä tunnistamaan itselleen parhaat myyjät ja allokoimaan heidät tärkeimmille asiakkuuksilleen. Analyysi voi myös tehokkaasti paljastaa menestyvien myyjien tilastollisesti merkittävät piirteet, mikä on avuksi, sekä seuraavien myyjien palkkaamisessa, että jo palkattujen ihmisten kehityksen johtamisessa.

Jotkut yhdysvaltalaistaustaiset yritykset ovat ottaneet askeleen pidemmälle yhdistämällä sähköposti-, kalenteri- ja CRM-datan selvittääkseen, mitkä tosiasialliset toimenpiteet korreloivat myyjien menestyksen kanssa. Tämä soveltui hyvin erityisesti teknisille myyjille, joiden arvoa on muuten vaikea arvioida. Mutta tästä tutkimustuloksesta täytyy todeta, ettei samanlainen analyysi välttämättä ole Euroopan Unionin tietosuojalain (GDPR) puitteissa mahdollista Suomessa.

Ristiinmyynti

Yritysten, joilla on monimutkainen tuotevalikoima, voi olla vaikeaa sovittaa ratkaisuja asiakkaiden erityistarpeisiin. Myyjät luottavat perinteisiin yksinkertaisiin päätöksentekomalleihin, mutta tämä vaatii paljon aikaa vievää vuorovaikutusta asiakkaan kanssa ja johtaa usein menetettyihin mahdollisuuksiin myydä tuotteeseeen liittyviä lisätuotteita. Monet yritykset ottavatkin käyttöön kiinnostavan tuotteen osoittavia algoritmeja, jotka hyödyntävät tietoja vastaavien asiakkaiden ostotiedoista. Monelle suomalaisellekin kuluttajalle tämä on tuttua verkkokaupoista, kun siellä ehdotellaan juuri häntä kiinnostavia muita tuotteita.

Eräs logistiikkayhtiö kaivoi tällaiset historialliset tilausmallit tunnistamaan ristiinmyyntimahdollisuudet asiakaskunnassaan ja rakensi sitten räätälöityjä mikrokampanjoita näiden mahdollisuuksien ympärille. He kasvattivat uutuustuotteidensa tulot viisinkertaiseksi yksinkertaisesti tunnistamalla aiemmin heikosti palvelluksi tulleet asiakkaansa.

Tämä lähestymistapa auttaa myös pitämään vanhoja asiakkaita. Tilanteen, jossa ollaan menettämässä asiakas kilpailijalle, tunnistaminen olisi tärkeää monelle yritykselle. Asiakkaiden tyytymättömyyden merkkien tunnistaminen täytyy tapahtua jo hyvissä ajoin ennen kuin he ryhtyvät varsinaisiin toimiin. Tämäntyyppiset ongelmat sopivat täydellisesti haasteeksi koneoppimisen algoritmien mallintunnistukselle.

Esimerkiksi erään globaalin kemikaaliyhtiön markkinointianalyysiryhmä halusi vähentää pk-yritysasiakkaiden vaihtuvuutta. Tiimi rakensi ennustavan mallin, joka perustui yli 30 muuttujaan. Se tunnisti sitten kymmenen avaintekijää, jotka työnsivät asiakkaita kilpailijoille. He huomasivat järkytyksekseensä myös, että sen arvokkaimmat 15 prosenttia asiakkaista todellakin ostivat kolme kertaa todennäköisemmin ostoksia muualta, kuin loput 85%:a asiakkaista. Toinen keskeinen havainto oli, että mitä enemmän tuotteita asiakkaalla oli, sitä pienemmällä todennäköisyydellä he vaihtoivat toimittajaa.

Ristiinmyynnillä oli tässä tapauksessa suuri merkitys ja se olikin asiakasuskollisuuden vahvempi ajuri kuin pelkät tukkualennukset. Jokainen heidän alueellisista myyntipäällikköistään löysi nopeasti pöydältään luettelon asiakkaista, jotka oli vaarassa menettää, sekä ohjeen siitä, miten heidät varmistetaan pysymään yritykselle uskollisina jatkossakin houkutelemalla heitä muilla sopivilla tuotteilla. Varustettuna näillä oivalluksilla, yritys vähensi haluttua vaihtelua lopulta 25 prosenttia.

Hinnoittelu

Analyysi toteutuneista kaupoista voi läpinäkymättömässä B2B-hintaneuvottelujen maailmassa tarjota hintojen avoimuutta ja antaa myyjille mahdollisuuden tehdä monimutkaisia ​​kompromisseja neuvottelujen aikana.

Perinteisesti B2B-myyjät ovat luottaneet suuresti myyntijohtajien kokemukseen hinnoittelupäätösten ohjauksessa. Mutta ostoryhmät ovatkin nykyään älykkäämpiä ja alkaneet ottamaan käyttöön omia hienostuneita hinnoittelutyökalujaan, jotka asettavat myyjätahot neuvotteluissa altavastaajiksi.

Lue aiheesta lisää kirjasta: Myyntikapina – Korvaako kone ihmisen myyntityössä, Mika D. Rubanovitsch

Päätöspuu-analyysin avulla edustajat voivat tunnistaa myynnin ohjaamiseksi samanlaiset ostot ja vertailukelpoisten kauppojen yksityiskohtaiset tiedot. Dynaaminen tarjousten pisteyttäminen lisää yritysten mahdollisuuksia asettamalla asiaankuuluvat toteutuneiden kauppojen tiedot myyntiedustajien haltuun jo myyntineuvottelujen aikana.

Asiakkaat, joilla on samanlainen hinnoittelukäyttäytyminen, on ryhmitelty sellaisten tekijöiden perusteella kuten toimialan vertikaalisuus, aiempi ostokäyttäytyminen tai yrityksen koko. Yksi ohjelmistoyritys pystyi esimerkiksi nostamaan myynnin tuottoa yli 20 prosenttia toimittamalla hintatiedot, jotka perustuivat tilastoihin alan samankaltaisista sopimuksista.

Eräs haaste on hinnan asettaminen uusille tuotteille tai ratkaisuille, varsinkin kun vastaavaa tuotetta ei ole vielä markkinoilla tai markkinaolosuhteet muuttuvat nopeasti. Yritykset rakentavat dynaamisia hinnoittelukoneita, jotka integroivat myyntistrategioihin reaaliaikaiset kilpailu- ja markkinatiedot optimaalisten tarjousten antamiseksi. Tuttu esimerkki tästä ovat julkisten kulkuneuvojen tai lomamatkojen kysynnän perusteella muuttuvat hinnat verkkokaupoissa.

Yksi online-mediayhtiö käytti dynaamista hinnoittelua luodakseen reaaliaikaisia ​​tarjouksia luokitellulle asiakaskunnalle ja pystyi tuottamaan sillä 5 prosenttia enemmän tuloja. Testaa ja Opi -menetelmällä se tavoitteli korkeampaa hinnoittelua, suurempaa volyymia ja lisääntynyttä asiakastyytyväisyyttä tutkimuksen lopputuloksena.

Vastaavasti eräs ohjelmistoyritys testasi yli 20 erilaista hinta- ja palvelu yhdistelmää ja huomasi yllättäen, että maksimoidakseen liikevaihto sen tarvitsi vain nostaa hintoja. Vaikka tämä siirto vähensi potentiaalista myyntiä 10 prosentia, se kasvatti yksittäisen myynnin keskimääräistä kokoa 25 prosenttia, mikä johti yleiseen tulosten kasvuun.

Data-analytiikan käyttöönotto

Tehokkaan data-analyysiohjelman käynnistäminen itsenäisesti on tunnetusti hankalaa. Jotkin yritykset ovat kamppailleet aluksi pitkään itsenäisesti uuden BI työkalun kanssa. Toisilla taas uskallus ei ole vielä riittänyt osaamisen, ajan tai rahan puutteen vuoksi. Siksi he ovat vielä toistaiseksi lykänneet aloittamista. Onneksi alkuvaikeudet voi kuitenkin välttää ja säästää omia resursseja ASETin tarjoaman BI Easy Start -aloituspaketin avulla.

Ylityöllistetyillä myyntijohtajilla voi olla vaikeuksia arvioida ja priorisoida erilaisia ​​analytiikka-aloitteita, kun heille tarjotaan kuukausittain uusia erilaisia ja monimutkaisia ​​analyysiratkaisuja. ASET on siksi räätälöinyt aloituspaketin, jossa valitaan oikea sovellus tehtävään, rakennetaan ensimmäinen dynaaminen raportti ja saadaan tukea koulutuksen muodossa BI sovelluksen käyttöönottoon.

Menestyjätkin tällä alalla tunnustavat, että alussa ei välttämättä vielä ole olemassa täydellistä dataa. Nopeita tuloksia voidaan saada kuitenkin “Quick and Dirty”- menetelmälläkin. Johtavat yritykset ovat onnistuneet hyödyntämään jopa huonosta lähtödatasta saatuja arvokkaita oivalluksia toteuttamalla taitavasti koneoppimisen lähestymistapoja ja täydentämällä sisäisiä tietoja ulkoisilla lähteillä.  Ajan myötä datan laatu paranee, koska ensimmäiset positiiviset tulokset oikeuttavat myöhemmin päätöksiä lisäpanostuksiin tietoinfraan ja datan laatuun.

Nämä yritykset kehittävät jatkuvasti data-analytiikan osaamistaan, mutta he eivät silti unohda kenttätietojen merkitystä analyysiprosessissa. Tämä tarkoittaa sellaisten henkilöiden palkkaamista, joilla on edistyneitä tilasto- ja koneoppimistaitoja, mutta heidän osaamistaan täydennetään kokeneilla omilla myynnin asiantuntijoilla, jotka voivat kääntää oivallukset datasta käytännön kenttätyön toimiksi.

Alkuun voi käyttää hyvinkin edullisia ratkaisuja. Monet johtavat ratkaisut ovat suhteellisen halpoja kokeilla ja valmiita ottaa koekäyttöön pilvestä tai jopa ladata ilmaiseksi työkoneelle kuten Microsoftin Power BI Desktop. Tulevaisuudessa saatetaan tarvita vielä lisäinvestointeja, erityisesti tietoinfraan, mutta suuremmat investoinnit datan laatuun voidaan hyvin tehdä vasta sitten, kun analyysin tuoma lisäarvo liiketoimintaan on jo osoitettu.

Lopuksi, jos datasta saatujen oivallusten on tarkoitus tulevaisuudessa ohjata myyntitoimintaa, käyttöönottoon on liitettävä muutosjohtaminen selkeän viestinnän, kannustimien, koulutuksen ja suorituskyvyn seurannan muodossa, tai omiin tapoihinsa tottuneet myyjät voivat vain jättää saadut oivallukset käyttämättä.

Monilla toimialoilla edistyneen analytiikan käyttöönotto on alkanut erottaa voittajat häviäjistä, kun data sekä uudet analyyttiset tekniikat ovat muutokseen mukautuvilla yrityksillä lisännyt tarkkuutta, tehokkuutta ja oivalluksia heidän myynnistään sekä asiakkaiden muuttuneista tarpeista.

Lähde: www.mckinsey.com

0 kommenttia

Lähetä kommentti

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *

Share This