I varje företags sinne ligger drömmen om att ha en perfekt optimerad försäljningsprocess. När allt kommer omkring, när en försäljningsavdelnings prestanda är maximerad, blir intäktsgenereringen strömlinjeformad och allt annat faller på plats med lätthet.
Det finns många sätt att öka försäljningseffektiviteten, men ett som är underutnyttjat använder data från andra avdelningar och API: er för att berika informationen om leads.
De flesta digitala företag samlar in data. Faktum är att de samlar in så mycket data att det mesta betraktas som “mörk data”. Nästan 90% av den förvärvade informationen används aldrig. Istället för att luta ut insamlingsprocesser är det en annan bra metod att använda den informationen, som vi ser det.
Om författaren
Andrius Palionis är VP Enterprise Solutions på Oxylabs
Förstå affärsinformation under försäljning
Datainsamling är en nödvändig del av affärsinformation. Ändå behöver du inte ens ha interna insamlingsprocesser för att använda affärsinformation. Data kan hämtas från andra källor som vissa SaaS-företag (Salesforce kommer att tänka på) eller data-as-a-service-företag.
Som tidigare nämnts är inte all information användbar. Övervärdering av information och dess förvärv är en vanlig fallgrop för företag som försöker implementera datadrivna processer i alla avdelningar. Innan till och med påbörjandet av anrikningsprocesser bör de första stegen därför vara att välja rätt data från det stora utbudet av tillgänglig information.
Hur vet vi vilka data som kommer att vara användbara i förväg? Tänk på hur försäljningsavdelningen fattar beslut. Samla in data om viktiga prestandamätvärden. Ineffektiviteten kommer att vara många – från hur människor väljer de föredragna lederna till de specifika kommunikationsmönster som används för att beskriva produkter eller tjänster.
Börjar enkelt
Det finns något som alla kan lära sig av (bra) kodningsmetoder – inkrementell förändring. Istället för att gå för en fullständig revolution av en avdelning genom att inkludera alla typer av data, användbara eller inte, är det bäst att börja med enkla förändringar som kan ha stor inverkan.
Ofta är det inte lätt att bestämma vad som kommer att ha störst påverkan. Men med viss försäljningserfarenhet behöver vi inte hårda data för att göra en utbildad gissning. En sådan gissning kan vara att förstå ledningsprofiler och närma sig dem baserat på relevans skulle öka effektiviteten.
Ändå gör få företag någon form av datarikning för inkommande leads. Ett felaktigt antagande görs att vad som helst dataledningar har gett sig kommer att räcka. Det kan fungera bra för mindre företag som får några leads om dagen. När siffrorna börjar rulla in i det tvåsiffriga territoriet blir berikande ledningar automatiskt det effektivaste beslutet.
Ett enkelt exempel på anrikning skulle vara att kombinera en intern databas med data från en extern databas som innehåller organisationsinformation. Att ansluta dessa två källor skulle resultera i att få detaljerad företagsinformation när någon ny lead skulle komma in.
Använda anrikning
Att bara ta emot data om ett företag gör dock inte mycket för försäljningsprocessen. Naturligtvis är det verkligen bättre än ingenting, men att lägga till varumärken, företag och eventuellt andra professionella data använder inte data. Att använda data innebär att beslutsprocessen ändras.
För att korrekt kunna använda data för blyanrikning bör vi dela upp dem i flera kategorier. Vår primära kategori bör vara Ideal Customer Profile (eller ICP) -ledningar. En sådan kategori bör redan finnas, om inte i försäljningsavdelningen, då i marknadsavdelningen. Ofta kan vi automatisera kategoribeskrivningar för att göra det enklare för våra team.
En sådan kategorisering gör det möjligt för säljare att se värdet av ett lead i förväg. Att svara snabbare och med mer detaljer kommer att bli betydligt enklare, vilket leder till en övergripande bättre kundrelation. Att förstå företagets profil, affärsmodell och andra viktiga faktorer hjälper också till att utveckla en bättre förståelse för deras behov.
Lägga till mer dataanalys i mixen
Att använda interna eller tredjepartsverktyg för att berika inkommande leaddata med relevant information är bara det första steget. Ett mycket kraftfullt steg, men kombinationen av datavetenskap med försäljning kan uppnå ännu mer.
Ett annat sätt att optimera säljprocessen genom datavetenskap är att analysera utgående e-postinnehåll och mottagare (separat). Intuitivt förstår vi att nå ut till vissa personer inom ett företag kan ge en bättre stängningsmöjlighet. Utan rätt data är allt vi skulle ha gissningar.
Att lösa ett sådant problem är ganska enkelt med hjälp av en dataanalysgrupp. I vissa fall kan det vara ett alternativ att skaffa data om branschpersonal från ett tredjepartsföretag. Om sådan information är tillgänglig är matchande professionell data lika komplex som att ställa in några filter i något spårningsverktyg.
Att använda titelspårning ger inga omedelbara resultat. Men med vissa historiska data kommer säljare att kunna se samband mellan öppen e-post och svarsfrekvens och professionell data. Med tiden, med tillräckligt detaljnivå, kan professionella data och e-postmeddelanden eller svarsfrekvenser matchas för att ge inblick i metodens effektivitet. Så småningom kan försäljningsstrategi anpassas enligt data för att maximera effektiviteten vid kall inflygning.
Data är inte bara för marknadsföring eller tekniska team. Försäljningsteam kan få enorma fördelar med dataanalys. Genom att utföra en del analyser baserade på interna och externa data kan försäljningsstrategihypoteser prövas, testas och tillämpas.
Om något tror jag att försäljning kan vara gränsen för datavetenskapens verkliga tillämpningar. Det är kärnan i verksamheten att göra vinst. Och vilken bättre avdelning att optimera genom de senaste prestationerna inom datavetenskap än försäljning.
