SaaS-maailmassa kaivataan enemmän dataa, enemmän mittareita ja enemmän koontinäyttöjä — mutta yleinen ymmärrys datasta ei ole juuri kehittynyt.
Tätä arvostettua resurssia ymmärretään väärin, käytetään huonosti ja usein parjataan, jotta kertomus saataisiin näyttämään ”todelta”, sen sijaan että siitä rakennettaisiin tarina, joka muuttaa yrityksen suunnan.
CRM-analytiikka astuu kuvaan.
Näytän, kuinka datasi valmistellaan analytiikkaa varten, mitkä ovat suosikkitapojani käyttää CRM-analytiikkaa päivittäisissä työnkuluissa sekä kolme ilmaista mallipohjaa kenttien yhdistämiseen, mittareiden yhdistämiseen ja ennustamiseen.
Mitä CRM-analytiikka on?
CRM-analytiikkaa ei pidä sekoittaa samannimiseen Salesforce CRM -ominaisuuteen. Se tarkoittaa käytäntöä, jossa menneisyydestä ja nykyhetkestä peräisin oleva data yhdistetään järjestelmätuntemukseen ja erilaisiin laskennallisiin menetelmiin, jotta liiketoiminnan trendejä voidaan ymmärtää ja ennustaa.
CRM-analytiikka verrattuna CRM-raportointiin
Siinä missä CRM-raportointi keskittyy yrityksesi tilannekuvaan ja jokaisen raportin tulisi vastata yksinkertaiseen kysymykseen, CRM-analytiikka pyrkii muodostamaan kokonaiskuvan tilanteesta ja ennustamaan sen kehitystä hyödyntämällä raporttien, analyysien ja kaavioiden yhdistelmää. Näin useisiin kysymyksiin saadut vastaukset voidaan yhdistää tarinaksi.
Miksi CRM-analytiikkaa tarvitaan?
Noin 70 miljardin dollarin arvoisten CRM-ohjelmistojen markkinoiden ennustetaan kasvavan yli 200 miljardin dollarin arvoisiksi seuraavien kymmenen vuoden aikana. Salesforcen kaltaiset alan johtajat tuovat jatkuvasti markkinoille uusia tapoja sisällyttää enemmän asiakasdataa 360°-malleihinsa.
Yrityksen suorituskyvyn seuraaminen ei ole koskaan ollut näin helppoa — mutta samalla tämän kasvavan datamassan sisältämien yhteyksien, suhteiden ja hyödynnettävien oivallusten ymmärtäminen ei ole koskaan ollut näin monimutkaista.
Ennalta arvaamaton menestys on hallitukselle lähes yhtä hermostuttavaa kuin ennalta arvaamaton epäonnistuminen. Nykyaikaisten yritysten tulisi ennakoida molemmat ja laatia suunnitelma jokaista tilannetta varten. CRM-analytiikka toimii yrityksesi kristallipallona.
CRM-analytiikan aloittaminen
On sinulla sitten käytössäsi edistynyt analytiikka-alusta tai pelkkä taulukkolaskentaohjelma, datamassan (tai -suon) merkityksen löytäminen on sinun vastuullasi.
Itse asiassa suosittelen vahvasti aloittamaan taulukkolaskentaohjelmasta, jotta opit ymmärtämään dataasi hienojen algoritmien takana. Tarkastele dataasi ja ala ajatella analyytikon tavoin.
Kysymyksiä itseltäsi
- Miten se toimii?
- Miten sarakkeesi liittyvät toisiinsa?
- Mitkä rivit erottuvat joukosta?
- Onko hyvä vai huono asia, että ne erottuvat?
Syvennä tarkastelua hieman, jotta löydät lisää hyödynnettäviä oivalluksia:
- Miten tämä selkeytynyt ymmärrys datasta vaikuttaa strategiaamme?
- Mitä se tarkoittaa arvolupauksemme kannalta?
- Mihin olemme päätymässä verrattuna siihen, mihin uskomme päätyvämme?
Uteliaisuuden sanotaan tappaneen kissan, mutta se teki RevOps-ammattilaisesta analytiikan asiantuntijan. Juuri tämä asiantuntemus nostaa sinut arvostetuksi johtajaksi yrityksessäsi.
Luo datakartta
Coveyn sanoin: aloita pitäen päämäärä mielessä.
Mitkä ovat tärkeimmät mittarisi? Mitä sinun TÄYTYY mitata? Ja mistä nämä muodostuvat? Mitkä ovat osoittajasi, nimittäjäsi, kertoimesi ja riskitekijäsi? Mistä nämä ovat peräisin? Mitä järjestelmiä niihin liittyy?
Vastattavana on paljon kysymyksiä, joten pilkon kokonaisuuden vielä pienempiin osiin. Tehdään kenttäkartta!
Have an account? Log In
Näin luot kenttäkartan
- Avaa haluamasi taulukkolaskentatyökalu tai lataa yllä oleva ilmainen kenttäkarttamalli
- Sijoita tarvitsemasi tärkeät kentät sarakkeeseen A eri riveille (yksi välilehti yhtä objektia kohden [myyntimahdollisuus, tili, liidi, yhteyshenkilö jne.] — käytä eri välilehtiä, jos sinun on integroitava tai kartoitettava useita objekteja)
- Sijoita sarakkeeseen B kaikki tietotyypit (numero, merkkijono, valintajoukko jne.)
- Nimeä sarake C toiseksi tietolähdejärjestelmäksi ja sarake D jälleen tietotyypiksi
- Täydennä sarakkeiden C ja D rivit vastaavien kenttien nimillä ja tietotyypeillä
- Lisää ehdollinen muotoilu tarkistaaksesi, onko D = B (tai vastaava)
- Toista vaiheet 4–6 jokaiselle ylimääräiselle järjestelmälle ja vertaa kutakin tietotyyppisaraketta sarakkeeseen B
Ratkaisemalla tietotyyppien yhteensopimattomuudet otat merkittäviä askelia tietojen eheyden parantamiseksi.
Sinulla on todennäköisesti paljon tyhjiä kohtia, joiden avulla voit varmistaa, pitäisikö kenttien välillä olla määrityksiä vai ei. Voit laajentaa tätä lisäämällä sarakkeita, joissa luetellaan kaikki valintajoukkojesi vaihtoehdot ja vertailet niitäkin. Tämän taulukon avulla olet myös syventänyt ymmärrystäsi koko ekosysteemistäsi.
Vaikka tähän on olemassa työkaluja, jotka tekevät työn puolestasi, niillä kaikilla on hintansa. Yrityksen koosta ja järjestelmiesi hallinnasta riippuen kyseessä voi olla kertaluonteinen harjoitus, jolloin sinun ei ehkä tarvitse maksaa jatkuvaa maksua.
Kartoita Pohjantähtimittarit
Kun olet kartoittanut kenttäsi, voit aloittaa Pohjantähtimittareidesi osien kartoittamisen (tarkista kenttäkarttamallin toinen välilehti).
- Laadi taulukkolaskentasi uudelle välilehdelle sarakkeeseen A luettelo jokaisesta seurattavasta mittarista
- Kirjoita sarakkeeseen B kaava tai prosessi, jolla kukin mittari lasketaan
- Laadi sarakkeeseen C luettelo kenttäkarttasi soluviittauksista niille kentille, joita tarvitaan sarakkeen A mittarin laskemiseen sarakkeessa B kuvatulla menetelmällä
Sinulla on nyt dokumentoitu tieto siitä, miten mittarisi liittyvät kenttiisi ja missä nämä tiedot sijaitsevat. Datakypsyytesi on nyt riittävällä tasolla Series C -vaihetta ja sitä myöhempiä vaiheita varten. Olet luonut perustan tietojen eheydelle ja jäljitettävyydelle.
6 CRM-analytiikan esimerkkejä arjesta
Kun tietokarttasi on valmis, voit siirtyä käyttämään CRM-analytiikkaa päivittäisissä työnkuluissasi. Tässä on muutama suosikkitapani hyödyntää analytiikkaosaamistani:
1. Sujuvoita prosesseja
Tarkastelemalla myyntimahdollisuuksiesi tietoja analyyttisesti voit alkaa ymmärtää, missä myyntiprosessissasi tai -prosesseissasi saattaa olla pullonkauloja tai missä prosessit voivat hajota tai epäonnistua.
Paras tässä hyödynnettävä mittari on vaiheessa käytetty aika. Tarkastele sitä viikoittain tai kuukausittain ymmärtääksesi, kasvaako vai pieneneekö se. Yleisesti ottaen se, että vaiheessa käytetty aika kasvaa epäsymmetrisesti yhdessä vaiheessa, on merkki siitä, että asiaa on tutkittava perusteellisemmin.
2. Määritä ihanneasiakasprofiilisi
Jokainen puhuttelemani myyntitiimi uskoo ymmärtävänsä ihanneasiakasprofiilinsa, mutta kuinka moni todella myy sille?
Ota koko myyntiputkesi (mukaan lukien voitetut ja hävityt kaupat) ja tee siitä ristiintaulukointi. Segmentoi tiedot ihanneasiakasprofiilisi mukaisesti ja tarkastele sitten, suuntautuuko myyntiputken loppu- ja voittovaiheiden jakauma asiakasryhmiin, jotka vastaavat parhaiten ihanneasiakasprofiilisi kenttiä.
Jos näin tapahtuu, strategiasi on linjassa toteutuksen kanssa. Jos näin ei kuitenkaan ole ja voitetut kaupat ovat ihanneasiakasprofiilisi ulkopuolella, kohderyhmäsi voi olla väärä tai sinun kannattaa muuttaa suuntaa. Jos taas voitetut kaupat kuuluvat ihanneasiakasprofiiliisi mutta myyntiputken myöhäisen vaiheen kaupat eivät, tiimisi on etsinyt prospekteja väärin tai markkina muuttuu silmiesi edessä.
3. Ennusta trendejä ja asiakkaiden käyttäytymistä
Huomaan, että monet yritykset käyttävät vapaan tekstin kenttiä saadakseen tietoa tietyistä asioista. Niistä on analyysissä pääasiassa vain vähän hyötyä, ellei tietoja luokitella.
Kun aloitat tekstidatan siivoamisen, tee kaikesta kenttäsi tekstistä perustason frekvenssianalyysi ja selvitä yleisimmät trendit. Kaavojen tai työnkulkujen avulla voit sitten määrittää totuusarvot tai valintalistat, jotka päivittyvät vapaan tekstin perusteella.
Author's Tip
Jos tiedät, että tekstikenttää tullaan käyttämään analyysissä, määritä se pudotusvalikoksi.
4. Laadi ennuste ja seuraa suorituskykyä
Jos toimit liiketoiminnassa, jossa myynti etenee kohtuullisen nopeasti, voit hyödyntää geometriaa ennustamisessa. Voit määrittää tämän laskentataulukossa — tai ladata ilmaisen ennustemallin (kenttäkarttamallin välilehti 3).
- Syötä päivät sarakkeeseen A ja jäljellä oleva määrä sarakkeeseen B
- Aseta nyt tavoitteesi taulukon ensimmäisen rivin päivää 0 vastaavalle kohdalle.
- Kirjaa jokaisen saapuvan kaupan kohdalle päivä ja vähennä sitten sen arvo tavoitteestasi syöttämällä vastaavalle riville jäljellä oleva määrä.
- Kun sinulla on yksi merkintä, lisää uusi rivi päivälle 40. Lisää kaavio ja sovita aineistosarjaasi parhaiten kuvaava suora.
Kun lisäät tähän lisää kauppoja, näet parhaiten sopivan suoran leikkaavan vaaka-akselin — tällöin olet todennäköisesti saavuttanut tavoitteesi.
Tämä ennustekaavio on tehokas, koska se näyttää, kuinka monta päivää olet edellä tai jäljessä, sen sijaan että se näyttäisi vain, mitä jäät saavuttamatta ja kuinka paljon.
5. Tunnista uudet mahdollisuudet
Tämä on suhteellisen helppo toteuttaa, jos yritykselläsi on useita tuotelinjoja tai vahva lisämyynti.
Ota asiakaskuntasi ja laske asiakaskulutuksen keskiarvo liiketoiminnan koon (henkilöstömäärän tai arvonmäärityksen) perusteella sekä suuremmassa yrityksessä toimiessasi toimialan perusteella.
Sinulla pitäisi sen jälkeen olla karkea käsitys asiakkuutesi hyödyntämättömästä potentiaalista ja nähdä, ketkä maksavat vähemmän kuin heillä oletettavasti olisi varaa. Tällainen yksinkertainen tiheysanalyysi voi tuottaa paljon oivalluksia käyttämästäsi muuttujasta riippuen.
Voisit tarkastella myös muita hyödyllisiä myynnin analytiikkatietoja, kuten sitä, kuinka monta kertaa asiakkaat (koon ja toimialan mukaan) ostavat uudelleen, kuinka kauan he ovat keskimäärin asiakkaitasi ja kuinka monta tukipyyntöä he lähettävät, ja verrata niitä sitten normaaliarvoihisi.
Tämä osoittaa yleisellä tasolla, missä voit vähentää panostusta ja mihin sinun tulisi keskittyä, ja se on erinomainen analyyttinen toimenpide kattavuuden suunnittelun tueksi.
More Articles
6. Merkitse riskiasiakkaat
Tämä on hieman haastavampaa, sillä asiakaspysyvyyden perusteelliseen analysointiin kannattaa todennäköisesti rakentaa koneoppimismalli. Voit kuitenkin aloittaa rakentamalla varoituskehikon.
Ota jokainen asiakaskokemuksesi osa-alue, jota voit seurata tarkasti, ja laske tarjontasi kunkin osan osallistumiselle, sitoutumiselle ja käytölle keskiarvo niiden asiakkaiden osalta, jotka ovat tyytyväisimpiä ja todennäköisimmin jatkavat asiakkuuttaan.
Työskentele sitten taaksepäin ja käytä näitä varoitusmerkkeinäsi:
- Osallistuvatko, sitoutuvatko tai käyttävätkö muut asiakkaat tuotettasi samoilla tavoilla?
- Niiden osalta, jotka hyödyntävät sitä selvästi liian vähän, rajoittuuko ongelma tietylle alueelle?
- Voisiko tämän arvon hyödyntämättä jättäminen olla riskitekijä?
Sen jälkeen voit rakentaa asiakkaillesi joukon valintaruutukaavoja osoittamaan, mitkä ”varoitusmerkit” koskevat heitä.
Havaittujen varoitusmerkkien määrä voi sitten määrittää ’tilan’, jossa esimerkiksi 6 merkkiä muuttaa asiakkaan tilan punaiseksi.
Tämä malli on helpompi toteuttaa kuin kattava asiakasterveyden pisteytys, mutta samalla se on tiimillesi toimivampi, koska he näkevät, mitkä varoitusmerkit ovat aktivoituneet. Kun tarkastelet tätä pisteytystä koko asiakaskuntasi laajuudelta, kuinka suuri osuus on vihreällä? Vastaako se yleisesti asiakaspysyvyyslukujasi?
Author's Tip
CRM-analytiikan ei tarvitse olla monimutkaista.
Kaikki nämä esimerkit voidaan toteuttaa taulukkolaskennassa, ja ne auttavat sinua ymmärtämään syvällisesti, mikä organisaatiossasi toimii ja mikä ei.
Tarvitsetko CRM-analytiikka-alustan?
Jos käytät data-analytiikka-alustaa, joka yrittää mennä muutaman askeleen pidemmälle ja selvittää mittarisi puolestasi, pysähdy ja kysy itseltäsi, joudutko perehtymään kyseiseen mittariin johtoryhmän kokouksessa tai raportoidessasi ylemmälle taholle.
Lopeta alustan käyttämistä pääasiallisena mittarina ja käytä sitä sen sijaan operatiivisesti ja suuntaa antavana työkaluna. Jos et tiedä, miten jokin asia lasketaan, mistä data on peräisin, mikä on sen virhemarginaali tai kuinka vaihtelevaa se on, alusta on toimiva mutta ei tarjoa todellisia oivalluksia.
Salesforce CRM Analyticsin (entinen Einstein Analytics) tai Tableau CRM:n kaltaiset alustat auttavat ymmärtämään dataasi syvällisesti, mutta edellyttävät silti laajaa ja syvällistä ymmärrystä itse datasta.
Muut alustat voivat tuntua enemmän mustilta laatikoilta, ja niillä voi olla omat tavaramerkillä suojatut kauppojen pisteytyksensä, joiden toimintaperiaatteita et voi nähdä. Vaikka nämä ovat pienille yrityksille merkittäviä myyntivaltteja, näiden mittareiden puutteellinen luotettavuus ja vankkuus tekevät niistä sopimattomia todelliseen raportointiin tai analytiikkaan.
Hyödynnä CRM-dataa liiketoimintavaikutusten lisäämiseksi
Yleinen viisaus neuvoisi sinua etenemään varovaisin ja harkituin askelin syvyyksiin, mutta minun neuvoni on pikemminkin rohkea: hyppää mukaan.
Valitsetpa hypätä matalaan päähän tai suoraan syvyyksiin, jätän sen sinun päätettäväksesi. Mutta tuolla ulkona on kokonainen merkitysten maailma.
Analytiikka on datatieteen ja ennustamisen taiteen risteyskohta. Sinun on uppouduttava siihen tunteaksesi sen.
Rakennat löytämiesi tietojen avulla omaa Shashibo-kuutiotasi. Värität tahkoja ja muotoilet kappaleita sen mukaan, mikä sinusta tuntuu sopivalta. Kaaoksessa on rakennetta, ja rakenteen sisällä on kaaosta. Ja juuri siinä piilee CRM-analytiikan ymmärtämisen ilo.
Avaa taulukkolaskentaohjelma. Ota analytiikka-alusta käyttöön. Tutki dataasi.
Haastan sinut.
