Dyk ned i CRM-analyse (+ gratis skabelon)

I SaaS er der en hunger efter flere data, flere målepunkter og flere dashboards — men der har været en begrænset modning i den generelle forståelse af data. 

Denne ansete ressource bliver misforstået, brugt dårligt og ofte udskældt for at gøre en fortælling ‘sand’ i stedet for at forme den til en historie, der ændrer en virksomheds skæbne.

Introduktion til CRM-analyse.

Jeg viser dig, hvordan du opsætter dine data til analyse, mine foretrukne måder at bruge CRM-analyse i de daglige arbejdsgange på samt tre gratis skabeloner til feltkortlægning, målekortlægning og prognoser.

Hvad er CRM-analyse?

CRM-analyse må ikke forveksles med Salesforce CRM-funktionen af samme navn. Det er praksissen med at tage data fra både fortiden og nutiden og kombinere dem med systemviden og en række beregningsmetoder for at forstå og forudsige tendenser i din virksomhed.

CRM-analyse kontra CRM-rapportering

Mens CRM-rapportering beskæftiger sig med et øjebliksbillede af din virksomhed, og hver rapport bør besvare et enkelt spørgsmål, søger CRM-analyse at skabe et billede af et samlet scenarie og forudsige det fremadrettet ved hjælp af en blanding af rapporter, analyser og diagrammer, der samler flere svar på spørgsmål til en historie.

Hvorfor CRM-analyse?

Markedet for CRM-software, som i øjeblikket er omkring 70 milliarder dollar værd, forventes at vokse til over 200 milliarder dollar i løbet af de næste 10 år. Brancheledere som Salesforce vil fortsætte med at lancere nye måder at inkorporere flere kundedata i deres 360°-modeller på.

Det har aldrig været nemmere at følge en virksomheds resultater — men det har heller aldrig været mere kompliceret at forstå forbindelserne, relationerne og de handlingsanvisende indsigter i dette voksende morads. 

Uforudsigelig succes er næsten lige så foruroligende for en bestyrelse som uforudsigelig fiasko. Moderne virksomheder bør kunne se begge dele komme og have en plan for hvert scenarie. CRM-analyse fungerer som en krystalkugle for din virksomhed.

Sådan kommer du i gang med CRM-analyse

Uanset om du har adgang til en avanceret analyseplatform eller kun et regneark, er det op til dig at finde mening i datasøen (eller datasumpen).

Faktisk anbefaler jeg på det kraftigste, at du starter med et regneark for at få en forståelse af dine data ud over de smarte algoritmer. Se på dine data, og begynd at tænke som en analytiker.

Spørgsmål, du kan stille dig selv

• Hvordan fungerer det? 
• Hvordan hænger dine kolonner sammen? 
• Hvilke rækker skiller sig ud? 
• Er det godt eller dårligt, at de skiller sig ud? 

Gå lidt dybere for at afdække flere handlingsanvisende indsigter:

• Hvordan informerer denne tydeliggjorte forståelse af data vores strategi? 
• Hvad betyder det for vores værdiforslag? 
• Hvor bringer det os hen sammenlignet med det sted, vi tror, vi vil nå?

Nysgerrighed dræbte måske katten, men den forvandlede RevOps-professionelle til analyseeksperter. Og det er denne ekspertise, der vil løfte dig til en respekteret leder i din virksomhed.    

Opret et datakort

Med Coveys ord: begynd med slutningen for øje.

Hvad er dine ledestjernemålepunkter? Hvad SKAL du måle? Og hvad består de af? Hvad er dine tællere, nævnere, multiplikatorer og risikofaktorer? Hvor kommer de fra? Hvilke systemer er involveret?

Det er mange spørgsmål at besvare, så jeg deler det op i endnu mindre dele. Lad os lave et feltkort!

Sådan laver du et feltkort

1. Åbn det regnearksværktøj, du foretrækker, eller download den gratis skabelon til felttilknytning ovenfor
2. Placér de vigtige felter, du har brug for, i kolonne A på forskellige rækker (én fane for ét objekt [mulighed, konto, kundeemne, kontakt osv.] — brug forskellige faner, hvis du har flere objekter, der skal integreres eller tilknyttes)
3. Placér alle datatyperne (tal, streng, valgsæt osv.) i kolonne B
4. Giv kolonne C titlen som et andet registreringssystem, og angiv datatypen igen i kolonne D
5. Udfyld rækkerne i C og D med navnene på matchende felter og datatyper
6. Tilføj betinget formatering for at kontrollere, om D = B (eller er tilsvarende)
7. Gentag trin 4-6 for hvert ekstra system, og sammenlign hver datatypedkolonne med kolonne B

Ved at løse uoverensstemmelserne mellem dine datatyper tager du betydelige skridt mod at forbedre dataintegriteten. 

Du vil sandsynligvis have mange tomme felter, hvor du kan bekræfte, om der bør være tilknytninger eller ej. Du kan udvide dette ved at tilføje kolonner, der viser alle mulighederne i dine valgsæt, og også sammenligne dem. Og ud fra dette ark vil du have udvidet din viden om hele dit økosystem. 

Selvom der findes værktøjer, der kan gøre dette for dig, har de alle en pris. Afhængigt af virksomhedens størrelse og den kontrol, du har over dine systemer, kan dette være en engangsøvelse, så du måske ikke behøver at betale det løbende gebyr.

Tilknyt til nordstjernemålinger

Når du har tilknyttet dine felter, kan du begynde at tilknytte komponenterne i dine nordstjernemålinger (se den anden fane i skabelonen til felttilknytning).

1. Opret en liste i kolonne A på en ny fane i dit regneark med hver af de målinger, du har brug for at følge
2. Brug kolonne B til at skrive formlen eller processen ned for at beregne hver enkelt
3. Opret i kolonne C en liste over cellereferencerne fra din felttilknytning for de felter, der er nødvendige for at beregne målingen i kolonne A ved hjælp af metoden i kolonne B

Du har nu en dokumenteret oversigt over, hvordan dine målinger hænger sammen med dine felter, samt et kort over, hvor disse data befinder sig. Din datamodenhed er nu passende til serie C+. Du har opnået grundlaget for dataintegritet og datasporbarhed.

6 eksempler på daglig CRM-analyse

Når dit datakort er opbygget, kan du gå videre med at bruge CRM-analyse i dine daglige arbejdsgange. Her er nogle af mine foretrukne måder at bruge mine analysefærdigheder på:

1. Strømlin processer

Ved at analysere dine mulighedsdata kan du begynde at forstå, hvor der kan være flaskehalse i dine salgsprocesser, eller hvor der kan være sammenbrud eller fejl i processerne.

Den bedste måling at bruge her er tid i stadiet, som du bør se på ugentligt eller månedligt for at forstå, om den stiger eller falder. Generelt er en asymmetrisk stigning i tiden i ét stadie et tegn på, at der er noget, du bør undersøge mere indgående.

2. Definér din ICP

Alle salgsteams, jeg nogensinde har talt med, mener, at de forstår deres ICP, men hvor mange sælger faktisk til den?

Tag hele din salgspipeline (inklusive vundne og tabte afsluttede salg), og analysér den med en pivottabel. Segmentér dataene, så de stemmer overens med din ICP, og se derefter på, om fordelingen af de sene og vundne stadier bevæger sig i retning af de kunder, der passer bedst til dine ICP-felter.

Hvis den gør, er du på linje med din strategi. Men hvis den ikke gør, og dine vundne salg ligger uden for din ICP, kan det være det forkerte mål eller være tid til at ændre retning. Og hvis dine vundne salg ligger inden for din ICP, men dine aftaler i de sene stadier ikke gør, har dit team opsøgt de forkerte kundeemner, eller markedet er ved at ændre sig for øjnene af dig.

3. Forudsig tendenser og kundeadfærd

Jeg ser mange virksomheder bruge fritekstfelter til at indsamle input om bestemte ting. Det er overvejende uhensigtsmæssigt til analyse, medmindre det kategoriseres.

For at komme i gang med at rydde op i tekstdata kan du køre en grundlæggende frekvensanalyse af al teksten i dit felt og finde de mest almindelige tendenser. Ved hjælp af formler eller workflows kan du derefter oprette boolske felter eller valglister, som opdateres baseret på friteksten.

Author's Tip

Hvis der er et tekstfelt, som du ved vil indgå i analysen, skal du konfigurere det som en rullemenu.

4. Lav en prognose, og følg resultaterne

Hvis du arbejder i en virksomhed med en rimelig salgshastighed, kan du bruge geometri til din fordel i prognosearbejdet. Du kan konfigurere dette i et regneark — eller downloade den gratis prognoseskabelon (fane 3 i skabelonen til feltoverblikket).

1. Indtast Dage i kolonne A og Tilbage i kolonne B
2. Angiv nu dit mål ud for dag 0 i den første række i din tabel.
3. For hvert salg, der kommer ind, skal du registrere dagen og derefter trække værdien fra dit mål og indtaste beløbet »Tilbage« i den tilsvarende række.
4. Når du har én registrering, skal du tilføje en ny række som dag 40. Indsæt et diagram, og tilføj en bedst passende linje til din serie.

Efterhånden som du tilføjer flere aftaler, vil du se den bedst passende linje krydse din vandrette akse — det er her, du sandsynligvis har nået dit mål.

Dette prognosediagram er effektivt, fordi det viser, hvor mange dage foran eller bagud du vil være, i stedet for blot hvad du kommer til at mangle og hvor meget.

5. Identificer nye muligheder

Dette er forholdsvis enkelt for alle, der har flere produktlinjer eller et stærkt fokus på mersalg.

Tag udgangspunkt i din kundebase og det gennemsnitlige kundeforbrug baseret på virksomhedens størrelse (antal medarbejdere eller værdiansættelse) og, hvis du arbejder i en større virksomhed, vertikal/branche.

Du bør derefter have en grov idé om de uudnyttede muligheder på din konto og kunne se, hvem der betaler mindre, end de formodentlig har råd til. En simpel tæthedsanalyse som denne kan føre til mange indsigter, afhængigt af hvilken variabel du bruger.

Du kunne se på andre nyttige salgsanalyser, f.eks. hvor mange gange kunder (efter størrelse og branche) foretager genkøb, hvor længe de i gennemsnit har været dine kunder, og hvor mange supportanmodninger de indsender, og derefter se, hvordan det sammenlignes med dine normale værdier.

Dette indikerer overordnet, hvor du kan trække dig tilbage, og hvor du bør fokusere, og er en fremragende analytisk aktivitet, der kan ledsage planlægningen af dækningen.

6. Markér kunder i risiko

Denne er vanskeligere, da du sandsynligvis bør oprette en maskinlæringsmodel for virkelig at kunne nedbryde fastholdelsen. Du kan dog begynde med at opbygge en ramme for advarselsmarkeringer.

Tag hver enkelt del af kundeoplevelsen, som du kan spore nøjagtigt, og beregn den gennemsnitlige deltagelse/involvering/anvendelse for dine mest tilfredse kunder og de kunder, der med størst sandsynlighed fornyer, for hver del af dit tilbud.

Arbejd derefter baglæns, og brug disse som dine advarselskriterier:

• Deltager, engagerer eller bruger alle andre kunder dit produkt på de samme måder?
• For dem, der anvender det markant mindre, er problemet så begrænset til et bestemt område?
• Kan manglende udnyttelse af denne værdi være en risikofaktor?

Derfra kan du opbygge en række formler med afkrydsningsfelter på dine kunder for at angive, hvilke »markeringer« der er udløst for dem.

Antallet af udløste markeringer kan derefter være »statussen«, hvor 6 (for eksempel) får dem til at blive røde.

Denne model er enklere at implementere end en fuld kundesundhedsvurdering, samtidig med at den er mere handlingsanvisende for dit team, fordi de kan se, hvilke markeringer der er udløst. Når du ser på denne pointgivning på tværs af hele din kundebase, hvor stor en procentdel er grøn? Er den overordnet på linje med dine fastholdelsestal?

Har du brug for en CRM-analyseplatform?

Hvis du bruger en dataanalyseplatform, der forsøger at gå et par skridt videre og beregne dine metrikker for dig, så stop op og overvej, om du får brug for at gå i dybden med den pågældende metrik på et bestyrelsesmøde eller ved rapportering til ledelsen.

Stop med at bruge platformen som en overordnet metrik, og brug den i stedet operationelt og retningsgivende. Hvis du ikke ved, hvordan noget beregnes, hvor dataene kommer fra, hvor stor fejlmarginen er, eller hvor volatil metrikken er, er platformen funktionel, men ikke indsigtsfuld.

Platforme som Salesforce CRM Analytics (tidligere Einstein Analytics) eller Tableau CRM giver dig en dyb forståelse af dine data, men kræver stadig en bred og dyb forståelse af selve dataene.

Andre platforme kan føles mere som sorte bokse og har deres egne varemærkebeskyttede salgsscorer, hvis indre funktioner du ikke kan se. Selvom disse er stærke salgsargumenter for små virksomheder, gør den manglende integritet og robusthed i disse metrikker dem uegnede til reel rapportering eller analyse.

Udnyt CRM-data til større forretningsmæssig effekt

Hvor almindelig visdom ville fortælle dig, at du skal tage forsigtige og tøvende skridt ud på dybt vand, er mit råd i stedet modigt: Kast dig ud i det. 

Om du vælger at kaste dig ud på det lave vand eller direkte ud på det dybe, vil jeg lade være op til dig. Men der findes en verden af betydning derude. 

Analyse er skæringspunktet mellem datavidenskab og spådomskunst. Du må være fordybet i det for at kende det.

Du konstruerer din egen Shashibo-kube med de data, du finder. Du farvelægger siderne og skulpterer formerne, som du finder det passende. Der er struktur i kaosset og kaos i strukturen. Og det er glæden ved at forstå CRM-analyse.

Åbn et regneark. Implementér en analyseplatform. Leg med dine data.

Jeg udfordrer dig.