Smart data w sprzedaży. Jak selekcjonować informacje i wykorzystywać je w strategii sprzedażowej?

Czy wiesz, że:

1. Wskaźnik duplikacji w systemach CRM może sięgać nawet 20%!¹
2. Aż 60% firm ma w swoich bazach do czynienia z różnicami w nazwach firm, nazwiskach i adresach klientów².
3. Prawie 65% organizacji deklaruje, że polega na ręcznych metodach, takich jak Excel, do czyszczenia i deduplikacji.

Dirty data i dirty sales dancing

Dirty data to dane nieuporządkowane, niewłaściwe, rozdrobnione, duplikujące się, nieaktualne, nieważne, niepoprawne, niespójne... i tak można wymieniać dalej. Mówiąc jednym słowem – to nie tylko mało użyteczne informacje, ale wręcz szkodliwe dla naszych analiz, modeli sprzedażowych i decyzji biznesowych.

Problem dirty data nie jest łatwy do uchwycenia, ponieważ trudności, jakie są z nimi związane, nie zawsze mają natychmiastowe konsekwencje. Tym samym problem niedokładnych danych jest często marginalizowany. Nigdy nie ma dobrego czasu, aby się tym zająć. Panuje też przekonanie, że obecne dane będą się nadawały (każdy menedżer ma na sumieniu powiedzenie: good enough). Niestety, to nie sprawdza się w dłuższej perspektywie czasowej. Problem błędnych danych zazwyczaj odkrywa swoje wąskie gardło dopiero w momencie, gdy jakiś projekt spektakularnie się zawali lub kampania nie przyniesie efektów.

Możemy sobie łatwo wyobrazić sytuację, że firma odkrywa, że posiada tysiące zduplikowanych rekordów klientów dopiero gdy prognozy dotyczące sprzedaży nie pokryją się z prognozami przychodów. Zduplikowane wpisy sztucznie zawyżają wskaźniki sprzedaży, jednocześnie błędnie przedstawiając rzeczywiste przychody. Inną sytuacją może być ta, w której firma prowadzi kampanię wysyłkową, która przynosi ultrawysoką liczbę zwrotów (np. 25%), w efekcie generując stratę. Wtedy dopiero uświadamiamy sobie problem z jakością danych.

Dlatego właśnie należy sobie dużo wcześniej uświadomić, że nieodpowiednie dane powodują bałagan w rekordach klientów, dramatycznie obniżają naszą efektywność operacyjną, wydłużają czas przetwarzania, ale i generują błędy analityczne oraz raportowe. Realnie przekładają się więc na straty.

Złe dane kosztują 3,1 biliona dolarów...

W 2016 r. IBM szacował, że roczny koszt pracy na nieodpowiednich danych w USA⁴ wynosi 3,1 biliona dolarów. Gdy nałożymy na to dynamikę rozwoju rynku big data, gołym okiem zobaczymy, że problem danych staje się naglący. Siłą napędową wzrostu big data jest rozwój sztucznej inteligencji i uczenia maszynowego (Machine Learning), a także znaczny wzrost wolumenu danych oraz postęp dot. zarządzania danymi nieustrukturyzowanymi. Przewiduje się, że do 2028 r. rynek big data urośnie do 401,2 mld dolarów (MarketsandMarkets)⁵.

Jest jednak światło w tunelu. Obecnie technologia jak nigdy wcześniej umożliwia firmom odnalezienie się we współczesnym krajobrazie danych, ale i efektywne zarządzanie różnymi ich formatami. Firmy zaczynają dostrzegać znaczenie analiz dokonywanych w czasie rzeczywistym i szukają sposobów na podniesienie jakości wykorzystywanych przez siebie danych. Dyrektorzy sprzedaży wciąż jednak mierzą się z pracą u podstaw, szukając narzędzi, które pomagają im przede wszystkim oczyścić i ujednolicić rozproszone, chaotyczne dane, usunąć duplikaty i znaleźć odpowiednie dopasowania w swoich bazach⁶. Przyjrzyjmy się temu dokładniej.

Rodzaje danych w sprzedaży

Sprzedaż jest bardzo złożonym procesem, łączącym wiele funkcji w organizacji – zaczynając od finansów, przez marketing, logistykę, aż po obsługę klienta. Dlatego dane wykorzystywane w sprzedaży pochodzą z wielu różnych dziedzin oraz obszarów działalności firmy. Ich różnorodność wpływa na to, że są rozmaicie klasyfikowane. Biorąc pod uwagę różne kryteria, możemy podzielić je np. na dane historyczne i dane predykcyjne; dane klasyfikowane ze względu na źródło ich pozyskania; albo dane wewnętrzne (z naszych systemów CRM, ERP, e-commerce) i zewnętrzne, np. open data (GUS, badania rynkowe, opinie z social media itd.). Z operacyjnego punktu widzenia możemy natomiast mówić o:

1. danych transakcyjnych:

np. wartość koszyka, metody płatności, liczba i wartość zakupów itd.

2. danych dotyczących klientów:

customer data; w tym dane demograficzne, segmentacja

3. danych marketingowych:

np. dane kampanii, źródła pozyskania leadów, wskaźniki konwersji itd.

4. danych operacyjnych, dystrybucyjne i logistyczne:

stany magazynowych, obsługa posprzedażowa, koszty dystrybucji itd.

5. danych z CRM:

np. historia relacji z klientami, status leadów, etapy lejka itd.

6. danych rynkowych i dotyczące konkurentów:

udział w rynku, ceny konkurencji, recenzje produktów

7. danych predykcyjnych i analitycznych:

analiza zachowania konkurentów, modele churn, ROI kampanii, scoring leadów, prognozy sprzedaży itd.

Sprawdźmy, jak może wyglądać to na przykładzie.

RODZAJE DANYCH – CASE STUDY:

Załóżmy, że firma X sprzedaje systemy ERP w nowym segmencie, jakim są duże firmy produkcyjne na rynku Y. W takim wypadku sprzedaż będzie korzystać z rozmaitych danych: zarówno firmograficznych (danych definiujących rynki docelowe), jak i rynkowych, jak np. analiza wielkości firm, branży, lokalizacji, przychodów. W tym obszarze będzie też używać raportów branżowych, analiz konkurencji, danych przetargowych oraz innych, aby wytypować potencjalnych klientów. W tym modelu B2B konieczna będzie też praca z danymi relacyjnymi. Dlatego firma będzie zbierać i analizować dane dotyczące grup decyzyjnych, procesów zakupowych potencjalnych klientów, danych decyzyjnych. Do tego dochodzą dane o produkcie i technologii, zarówno własnej, jak i dotyczącej potrzeb klientów (potrzebnych modułów ERP, posiadanej przez nich infrastruktury IT).