I SaaS-verdenen er det en hunger etter mer data, flere måltall og flere dashbord – men det har vært liten modning i den generelle forståelsen av data.
Denne høyt verdsatte ressursen blir misforstått, dårlig brukt og ofte svertet for å gjøre en fortelling «sann», i stedet for å forme den til en historie som endrer en bedrifts skjebne.
CRM-analyse er svaret.
Jeg viser deg hvordan du setter opp dataene dine for analyse, mine favorittmåter å bruke CRM-analyse i daglige arbeidsflyter på, samt tre gratis maler for feltkartlegging, måltallskartlegging og prognoser.
Hva er CRM-analyse?
CRM-analyse må ikke forveksles med Salesforce CRM-funksjonen med samme navn. Det er praksisen med å ta data fra både fortid og nåtid og kombinere den med systemkunnskap og en rekke beregningsmetoder for å forstå og forutsi trender i virksomheten din.
CRM-analyse kontra CRM-rapportering
Mens CRM-rapportering handler om å ta pulsen på virksomheten din, og hver rapport bør besvare et enkelt spørsmål, forsøker CRM-analyse å danne et bilde av en overordnet situasjon og forutsi utviklingen ved å bruke en kombinasjon av rapporter, analyser og diagrammer for å veve sammen flere svar på spørsmål til en historie.
Hvorfor CRM-analyse?
Markedet for CRM-programvare, som for tiden er verdt rundt 70 milliarder dollar, forventes å vokse til over 200 milliarder dollar i løpet av de neste 10 årene. Bransjeledere som Salesforce vil fortsette å lansere nye måter å innlemme mer kundedata i 360°-modellene sine på.
Det har aldri vært enklere å følge med på en virksomhets resultater – men det har heller aldri vært mer komplisert å forstå sammenhengene, relasjonene og de handlingsrettede innsiktene i dette voksende virvarret.
Uforutsigbar suksess er nesten like urovekkende for et styre som uforutsigbar fiasko. Moderne virksomheter bør kunne se begge deler komme og ha en plan for alle scenarioer. CRM-analyse fungerer som en krystallkule for virksomheten din.
Slik kommer du i gang med CRM-analyse
Enten du har tilgang til en avansert analyseplattform eller ikke har noe annet enn et regneark, er det opp til deg å finne mening i datasjøen (eller datasumpen).
Egentlig anbefaler jeg på det sterkeste å begynne med et regneark for å hjelpe deg med å forstå dataene dine utover de fancy algoritmene. Se på dataene dine og begynn å tenke som en analytiker.
Spørsmål du kan stille deg
- Hvordan fungerer det?
- Hvordan henger kolonnene dine sammen?
- Hvilke rader skiller seg ut?
- Er det bra eller dårlig at de skiller seg ut?
Gå litt dypere for å avdekke flere handlingsrettede innsikter:
- Hvordan påvirker denne tydeliggjorte forståelsen av dataene strategien vår?
- Hva betyr det for verdiforslaget vårt?
- Hvor bringer dette oss sammenlignet med dit vi tror vi kommer?
Nysgjerrighet kan ha drept katten, men den har formet RevOps-fagpersonen til en analyseeekspert. Og det er denne ekspertisen som vil løfte deg til en respektert leder i virksomheten din.
Lag et datakart
Med Coveys ord: begynn med slutten i tankene.
Hva er de viktigste måltallene dine? Hva MÅ du måle? Og hva består disse av? Hva er tellerne, nevnerne, multiplikatorene og risikofaktorene dine? Hvor kommer disse fra? Hvilke systemer er involvert?
Det er mange spørsmål å besvare, så jeg skal bryte det ytterligere ned. La oss lage et feltkart!
Have an account? Log In
Slik lager du et feltkart
- Åpne regnearkverktøyet du foretrekker, eller last ned den kostnadsfrie feltkartmalen ovenfor
- Plasser de viktige feltene du trenger i kolonne A på ulike rader (én fane for ett objekt [mulighet, konto, prospekt, kontakt osv.] — bruk ulike faner hvis du har flere objekter du trenger å integrere eller kartlegge)
- Plasser alle datatypene i kolonne B (tall, streng, valgsett osv.)
- Gi kolonne C navnet til et annet kildesystem, med kolonne D som datatype igjen
- Fyll ut radene i C og D med navnene på samsvarende felt og datatyper
- Legg til betinget formatering for å kontrollere om D = B (eller er tilsvarende)
- Gjenta trinn 4–6 for hvert ekstra system, og sammenlign hver datatypekolonne med kolonne B
Ved å løse avvikene mellom datatypene dine vil du ta betydelige skritt mot å forbedre dataintegriteten.
Du vil sannsynligvis ha mange tomme felt, der du kan bekrefte om det skal finnes koblinger eller ikke. Du kan utvide dette ved å legge til kolonner som viser alle alternativene i valgsettene dine, og sammenligne dem også. Ut fra dette arket vil du dessuten ha økt kunnskapen din om hele økosystemet ditt.
Selv om det finnes verktøy som kan gjøre dette for deg, har de alle en kostnad. Avhengig av virksomhetens størrelse og hvor mye kontroll du har over systemene dine, kan dette være en engangsøvelse, og det kan hende du ikke trenger å betale den løpende avgiften.
Knytt til ledestjernemåltall
Når du har kartlagt feltene dine, kan du begynne å kartlegge komponentene i ledestjernemåltallene dine (se den andre fanen i feltkartmalen).
- Lag en liste over hvert av måltallene du må følge med på, i kolonne A i en ny fane i regnearket
- Bruk kolonne B til å skrive ned formelen eller prosessen for å beregne hvert av dem
- Lag en liste i kolonne C over cellereferansene fra feltkartet for feltene som trengs for å beregne måltallet i kolonne A ved hjelp av metoden i kolonne B
Du har nå en dokumentert oversikt over hvordan måltallene dine henger sammen med feltene dine, og et kart over hvor disse dataene finnes. Datamodenheten din er nå på et komfortabelt nivå for serie C+. Du har etablert grunnlaget for dataintegritet og datasporbarhet.
6 eksempler på CRM-analyse i hverdagen
Når datakartet er bygget, kan du gå videre til å bruke CRM-analyse i de daglige arbeidsflytene dine. Dette er noen av mine favorittmåter å bruke analyseferdighetene mine på:
1. Effektiviser prosessene
Ved å analysere mulighetsdataene dine kan du begynne å forstå hvor det kan finnes flaskehalser i salgsprosessene dine, eller hvor det kan ha oppstått prosessbrudd eller -svikt.
Det beste måltallet å bruke her er tid i fase, som du bør se på ukentlig eller månedlig for å forstå om den øker eller synker. Generelt er en asymmetrisk økning i tiden i én fase et tegn på at det er noe du bør undersøke nærmere.
2. Definer ICP-en din
Alle salgsteam jeg noen gang har snakket med, mener at de forstår ICP-en sin, men hvor mange selger faktisk til den?
Ta hele salgspipelinen din (inkludert vunne og tapte salg) og lag en pivottabell. Segmenter dataene slik at de samsvarer med ICP-en din, og se deretter på om fordelingen av de siste og vunne fasene viser en tendens mot kundene som samsvarer best med ICP-feltene dine.
Hvis den gjør det, er du på linje med strategien din. Men hvis den ikke gjør det, og de vunne avtalene dine ligger utenfor ICP-en din, kan det hende at målgruppen er feil, eller at du bør endre retning. Hvis de vunne avtalene dine ligger innenfor ICP-en din, men avtalene i sene faser ikke gjør det, har teamet ditt drevet feil prospektering, eller så er markedet i ferd med å endre seg foran øynene dine.
3. Forutsi trender og kundeatferd
Jeg ser mange selskaper som bruker fritekstfelt for å innhente informasjon om bestemte ting. Dette er som oftest lite nyttig for analyse med mindre det kategoriseres.
For å komme i gang med å rydde opp i tekstdata kan du kjøre en grunnleggende frekvensanalyse av all teksten i feltet og finne de vanligste trendene. Ved hjelp av formler eller arbeidsflyter kan du deretter sette opp boolske felt eller valglister som oppdateres basert på friteksten.
Author's Tip
Hvis det finnes et tekstfelt du vet vil bli brukt i analyse, bør du sette det opp som en nedtrekksliste.
4. Lag en prognose og følg med på resultatene
Hvis du driver en virksomhet med en rimelig salgshastighet, kan du bruke geometri til din fordel når du lager prognoser. Du kan sette dette opp i et regneark – eller laste ned den kostnadsfrie prognosemalen (fane 3 i feltkartmalen).
- Skriv inn Dager i kolonne A og Gjenstår i kolonne B
- Plasser deretter målet ditt mot dag 0 i den første raden i tabellen.
- For hvert salg som kommer inn, registrerer du dagen og trekker deretter verdien fra målet ditt. Skriv inn beløpet som «Gjenstår» i den tilsvarende raden.
- Når du har én registrering, legger du til en ny rad for dag 40. Sett inn et diagram og legg til en trendlinje for serien din.
Etter hvert som du legger til flere avtaler, vil du se trendlinjen krysse den horisontale aksen – dette er tidspunktet da du sannsynligvis har nådd målet ditt.
Denne prognosen er effektiv fordi den viser hvor mange dager foran eller bak du ligger, i stedet for bare hva du vil bomme på og med hvor mye.
5. Identifiser nye muligheter
Dette er relativt enkelt for alle som har flere produktlinjer eller gode muligheter for mersalg.
Ta utgangspunkt i kundebasen din og gjennomsnittlig kundeutgift basert på virksomhetens størrelse (antall ansatte eller verdsettelse) og, hvis du driver en større virksomhet, bransje/sektor.
Da bør du få en omtrentlig oversikt over uutnyttede muligheter i kundekontoene dine og se hvem som betaler mindre enn de sannsynligvis har råd til. En enkel tetthetsanalyse som denne kan gi mange innsikter, avhengig av hvilken variabel du bruker.
Du kan se på andre nyttige salgsanalyser, for eksempel hvor mange ganger kunder (etter størrelse og bransje) kjøper på nytt, hvor lenge de i gjennomsnitt har vært kunder hos deg, og hvor mange forespørsler til kundestøtten de sender inn, og deretter se hvordan dette sammenligner med dine normalverdier.
Dette viser i grove trekk hvor du kan trappe ned innsatsen, og hvor du bør fokusere, og er en god analytisk aktivitet å gjennomføre sammen med planlegging av kundedekning.
6. Marker kunder i risikosonen
Dette er litt mer komplisert, ettersom du sannsynligvis bør sette opp en maskinlæringsmodell for å analysere kundebevaring grundig. Du kan imidlertid begynne med å lage et rammeverk for varselsignaler.
Ta for deg hver del av kundeopplevelsen som du kan spore nøyaktig, og beregn gjennomsnittlig deltakelse/engasjement/bruk for de mest fornøyde kundene og kundene som med størst sannsynlighet vil fornye, for hver del av tilbudet ditt.
Arbeid deretter bakover og bruk disse som varselsignaler:
- Deltar, engasjerer eller bruker de andre kundene produktet ditt på de samme måtene?
- For dem som bruker det langt mindre enn forventet, er dette begrenset til et bestemt område?
- Kan manglende utnyttelse av denne verdien være en risikofaktor?
Derfra kan du lage en serie avkrysningsformler for kundene dine for å vise hvilke «varselsignaler» som er utløst for dem.
Antallet utløste varselsignaler kan deretter være «statusen», der for eksempel 6 signaler gjør at kunden blir rød.
Denne modellen er enklere å implementere enn fullstendig helseskåring, samtidig som den er mer handlingsrettet for teamet ditt, ettersom de kan se hvilke varselsignaler som er utløst. Når du ser på denne poengsummen for hele kundebasen, hvor stor prosentandel er grønn? Er den stort sett i samsvar med tallene for kundebevaring?
Author's Tip
CRM-analyse trenger ikke å være komplisert.
Alle disse eksemplene kan gjennomføres i et regneark og vil hjelpe deg med å få en grundig forståelse av hva som fungerer og ikke fungerer i organisasjonen din.
Trenger du en CRM-analyseplattform?
Hvis du bruker en dataanalyseplattform som prøver å gå noen skritt videre og finne ut av beregningene dine for deg, bør du stoppe opp og vurdere om du vil trenge å gå i dybden på dette måltallet i et styremøte eller når du rapporterer oppover i organisasjonen.
Slutt å bruke plattformen som et hovedmåltall, og bruk den heller operasjonelt og retningsgivende. Hvis du ikke vet hvordan noe beregnes, hvor dataene kommer fra, hvilken feilmargin det har, eller hvor volatilt det er, er plattformen funksjonell, men ikke innsiktsfull.
Plattformer som Salesforce CRM Analytics (tidligere Einstein Analytics) eller Tableau CRM gir deg en dyp forståelse av dataene dine, men krever fortsatt en bred og dyp forståelse av selve dataene.
Andre plattformer kan føles mer som svarte bokser og ha egne varemerkebeskyttede avtalescorer som du ikke kan se hvordan fungerer. Selv om dette er sterke salgsargumenter overfor små selskaper, gjør mangelen på integritet og robusthet i disse måltallene dem uegnet for reell rapportering eller analyse.
Utnytt CRM-data for større forretningsutbytte
Mens allmenn visdom ville fortalt deg å ta forsiktige og prøvende skritt ut på dypt vann, er mitt råd heller dristig: Hopp uti.
Om du velger å hoppe uti den grunne enden eller rett ut på dypt vann, overlater jeg til deg. Men der ute finnes det en hel verden av mening.
Analyse er skjæringspunktet mellom datavitenskapen og spådomskunsten. Du må være oppslukt av det for å kjenne det.
Du konstruerer din egen Shashibo-kube med dataene du finner. Du fargelegger sidene og former fasongene slik du selv ønsker. Det finnes struktur i kaoset og kaos i strukturen. Og det er gleden ved å forstå CRM-analyse.
Åpne et regneark. Ta i bruk en analyseplattform. Lek med dataene dine.
Jeg utfordrer deg.