Три шага для кратного роста продаж

Ирина Разнатовская и Михаил Морозов — Три шага для кратного роста продаж

Ирина Разнатовская, руководитель отдела по работе с корпоративными клиентами, и Михаил Морозов, руководитель отдела аналитики B2B, рассказали, как считать эффективность и управлять активными продажами с помощью аналитики на кейсах Skyeng. Статья будет полезна менеджерам по продажам, руководителям и всем, кто работает с продажами в B2B.

Научитесь считать то, чем хотите управлять

В Skyeng есть три канала привлечения студентов: маркетинг, телеком и активные продажи B2B. У маркетинга и телекома понятные метрики, поэтому проблем с оценкой эффективности их работы нет. Активными В2В-продажами в Skyeng занимаются менеджеры, которые назначают встречи, обсуждают выгоды предложения и условия сотрудничества, приводят компании.

На примере последнего из трех каналов мы рассмотрим четыре инструмента, в которых аналитика помогла добиться качественного улучшения показателей для активных продаж в B2B:

  • управление клиентской базой;
  • воронка продаж;
  • емкость плана продаж;
  • модель эффективности.

Мы объясним каждый из пунктов и расскажем, какая была боль и какое решение мы использовали. Новый подход помог повысить эффективность менеджеров по продажам в 2,5 раза, а количество студентов в 4,6 раза в 2018 году, а затем еще в 2,2 раза в 2019 году.

Управление клиентской базой — как ее собрать

Боль — менеджер не может сразу оценить размер компании. Когда мы начали разбираться, оказалось, что в нашей базе больше 50% — это небольшие компании. При этом менеджер тратит одинаковое количество времени на крупную и небольшую компанию. У крупного клиента есть бюджет и лицо, принимающее решение по сотрудничеству. Алгоритм такой: встретились, презентовали продукт и условия, договорились. У небольшого клиента нет выделенного бюджета, поэтому ему нужно тщательно взвесить какую пользу продукт принесет его компании

Решение — предварительно сегментировать базу. Мы купили базу с компаниями, которые работают в России. Их много на рынке, но все они неполные, из-за чего приходится тратить время на очистку данных. Обычно база клиентов — это список компаний с информацией, доступной в открытых источниках: штат, финансовые показатели, сегмент, сектор по коду ИНН и другое.

Помимо очистки, данные нужно еще и обогащать. Примерно месяц мы потратили на очистку данных, а пропуски заполнили с помощью машинного обучения. Например, если у нас не было информации о численности штата компании, мы предсказывали ее с помощью машинного обучения. Мы не привлекали стороннюю разработку, а писали алгоритм сами.

Дальше мы разбили базу по важным для нас характеристикам на четыре категории: A+, A, B, C. Например, у IT-компании мы повышаем уровень приоритета, потому что английский им не просто интересен, а необходим в работе, бизнесе. Поэтому даже если это средняя по величине компания, которая заинтересована в изучении языка, она попадет в список приоритетных.

Дальше мы разделили компании на категории по отраслям. Такое разделение нужно потому, что некоторые менеджеры лучше работают с определенной сферой. Это также повышает эффективность их работы.

Результат — у нас получилась готовая база данных с оценкой по численности, сегментам и категориям. Так можно рассчитать емкость рынка. Допустим, в машиностроении у нас 80 клиентов категории A+, а в сегменте IT есть 4000 компаний категории A+. Благодаря этому мы увидели, что есть большая емкость клиентов A+, A и B категорий, поэтому переориентировали отдел продаж на работу с ними. В результате мы увеличили в портфеле долю клиентов с категориями A+, A, B, а в категории C сейчас меньше 40%.

Мы пишем о менеджменте продуктов и развитии в телеграм-каналах make sense и Продуктовое мышление.

Управление клиентской базой — как распределить

Боль — менеджер тратит на подготовку базы два часа. Задачи менеджера — звонить, продавать и приносить результат. Но в какой-то момент процесс останавливается на этапе подготовки базы.

Решение — сделать алгоритм распределения новой базы между менеджерами по четким критериям. Если менеджер работал хорошо и справлялся с подобными компаниями, то он получает компании той же категории. Если он плохо справлялся с категорией или его конверсия ниже эталонной, он получает более мелких клиентов. Теперь в начале недели менеджер получает определенное количество компаний. Число зависит от того, сколько компаний у него сейчас в работе и как он справлялся с работой в предыдущем периоде.

Чтобы мотивировать менеджеров, мы объяснили им, что такое емкость рынка и сколько клиентов есть в каждой категории. Например, к нам приходит стажер. Мы не можем давать ему клиентов высокой категории до тех пор, пока он не покажет, что он эффективный: качественно разговаривает и у него высокая конверсия в продажи.

У нас есть менеджеры высокой категории, которые общаются с клиентами на высоком уровне: они стабильно выполняют план, уверенно разговаривают, хорошо пишут письма. Этим менеджерам мы отдавали клиентов категорий А и А+. Так мы мотивировали отдел продаж учиться и развиваться, чтобы получать крупных и интересных клиентов.

Результат — увеличили эффективность работы всего отдела. Сейчас в Skyeng B2B около 100 менеджеров. За год мы увеличили показатель привлечения новых компаний на 43%. Мы ориентировались на количество новых компаний, которых приводит менеджер за один месяц.

Воронка продаж

Боль — непонятно время прохождения клиента по воронке продаж. Классическая воронка выглядит красиво, но из нее неясно, когда клиент попал на определенный шаг: вчера или два года назад.

Решение — построили когортную воронку, добавив возможность отслеживать в ней конкретные компании.

Горизонтальные блоки, W3, W4, W5 — это недели 2019 года. Например, все, что относится к первому блоку – это компании, которые у нас появились в третью неделю 2019 года. Мы можем посмотреть, что с ними происходило с течением времени по неделям (вертикальные столбики 1-7). Первая неделя – это первый столбик, вторая неделя – второй столбик, третья неделя – третий столбик. Например, в таблице мы видим, что в первую неделю 2344 сделки дошли до этапа «Взял в работу», 496 сделок дошли до этапа «Вышел на ЛПР» в первую же неделю, 124 сделки дошли до этапа встречи, а 80 проектов согласовали. Также мы считаем конверсии от этапа к этапу в процентах.

Отчет оказался полезным инструментом, потому что можно нажать цифру и увидеть сделки, которые, например, дошли до этапа «Взял в работу», но дальше не продвинулись. Так мы увидели, каких клиентов получает менеджер по продажам и как клиенты двигаются по воронке каждую неделю.

Результат — сократилась длина сделки. В среднем, раньше сделка заключалась 64 дня, сейчас — 47 дней. Сократить длину сделки удалось за счет того, что мы начали следить за каждым клиентом, начали проверять каждое действие менеджеров по продажам.

Модель эффективности

Все хотят, чтобы сотрудники отдела продаж работали эффективно. Поэтому модель эффективности — краеугольный камень любого отдела продаж.

Боль — непонятно, что нужно делать, чтобы получать результат. Нам было важно объяснить менеджерам по продажам, какие шаги действительно приведут их к результатам.

Решение — проанализировать все данные, что у нас есть по менеджерам: какие действия, какие фичи, какие данные могут быть хоть как-то связаны с выполнением плана. Для того, чтобы это было возможно, нужно много исторических данных: чем их больше, тем лучше.

Менеджеры работают в трех системах: внутренняя CRM-система, Pipedrive с информацией по сделкам и система телефонии, в которой отражается общее количество часов разговоров менеджера, количество исходящих и входящих звонков. Мы постарались собрать как можно больше данных в Pipedrive: количество нажатий на кнопки, звонков, карточек в CRM, карточек, переведенных с этапа на этап.

Дальше нужно было проверить каждую из этих гипотез и понять, не связана ли она с планом. Помимо проверки каждой отдельной гипотезы, мы посмотрели, не влияет ли сочетание двух факторов на выполнение плана. В итоге мы выбрали действия, которые приводят менеджера к результату: встречи, трафик звонков у каждого менеджера, подготовка и отправка предложения.

В результате ретроспективного анализа увидели, что люди, которые выполняли вышеупомянутые действия на определенном уровне, делали план в >95% случаев. Это и легло в основу нашей модели эффективности. А еще мы посчитали, какое количество действий должно выполняться в день, в неделю, в месяц.

Небольшой кусочек отчета в Tableau: видим цифры по отделу, группе и менеджерам, оцениваем результат в день, неделю и месяц. Такой способ помогает управлять эффективностью и динамикой.

Важно смотреть данные не только по месяцам. Если первые три недели идти с низкой скоростью, то можно наверстать упущенное, но результат созреет только в следующем месяце. Отдел продаж — это завод, который должен работать с высокой скоростью и ритмом.

Результат — мы можем ответить менеджеру по продажам, что ему нужно делать, чтобы выполнить план.

Емкость плана продаж

Боль — непонимание, как пройдет месяц. Мы следим за показателями каждый день, но нам нужен был инструмент, с помощью которого мы бы понимали, хватает ли емкости или нужно ускориться.

Решение — построили прогнозную модель. Мы решили смотреть не на компании, а на студентов.

Карта пути студента в Skyeng достаточно терниста: сначала компания клиента проходит все этапы в Pipedrive и заключает договор, после этого студенты записываются на пробный урок, им подбирают преподавателя. Спустя неделю они совершат первую оплату и зачислятся к нам как новые ученики. Только в этот момент мы понимаем, сколько студентов фактически привлекли.

Мы сделали модель для прогнозирования конверсии. Каждый день в базе есть лиды, которые зависли на каком-то этапе: в воронке продаж, на вводном уроке, на этапе подбора преподавателя. Мы знаем, когда эти люди пришли, поэтому можем спрогнозировать вероятность, с которой каждый лид сконвертируется в оплату.

Допустим, на первое число месяца в базе лежит 1000 лидов, из них 500 — пришли недавно. Мы считаем, что обычно конверсия из лида в оплату составляет 23%. Мы говорим, что эти 500 конвертируются с вероятностью 23%. То есть 23% от 500 станут нашими учениками.

Остальные 500 лидов не сконвертировались с прошлого периода. Есть небольшая вероятность, что кто-нибудь из них дойдет до оплаты. И хоть вероятность составляет всего пару процентов, мы тоже их учитываем.

Если взять сумму вероятностей для каждого клиента, мы получим число студентов, которые появятся у нас к концу месяца, даже если ничего не будем делать. Если мы приводим компанию в первые три недели месяца, то ученики попадут в результат текущего месяца. А ученики из четвертой недели перейдут на следующий месяц.

Емкость на первое число показывает, как отдел продаж отработал последнюю неделю предыдущего месяца. Мы выяснили, что если месяц начинается с 30%, то у нас все хорошо: месяц пройдет успешно. Если не сбавим скорость, то выполним план. Но если результат меньше 30%, нужно ускориться: больше звонить и встречаться с клиентами.

Получается, что для выполнения плана нужно не 100% емкости, а 120%. Чтобы привлечь 100 учеников, мы должны ожидать результата на 120 учеников. Когда в нашем портфеле 120 учеников, мы выполним план.

Результат — управляем динамикой, потому что понимаем с какого процента нужно начать месяц и какую емкость нужно собирать в течение месяца. Если сегодня первое число месяца, то мы точно понимаем, с какой вероятностью выполним план и можем предпринимать какие-то дополнительные действия.

Выводы

Мы рассказали про четыре важных инструмента, описав детально каждый из них. На основе этой информации мы сформировали понимание трех простых шагов для кратного роста продаж.

  • Найдите/оцифруйте вашу проблему;
  • Разработайте пути решения;
  • Внедрите изменения и оцените результат.

Помните, что данные, организованные в систему — это полезная для бизнеса информация. Сильный отдел аналитики нужен как раз для организации такой системы.

Посмотрите полное выступление Ирины Разнатовской и Михаила Морозова на конференции B2BSense.

Благодарим за подготовку статьи редактора Асю Челован.

Добавить комментарий

Продакты выбирают: работу, компанию и продукт — исследование ProductSense Читать результаты