Editorin huomio: Tämä blogi on päivitetty 31.5.2022. Alkuperäinen teksti on julkaistu toukokuussa 2018. 

Ylivoimaiseen tarjoomaan liittyvä kilpailuetu on harvinaista herkkua. On löydettävä muita keinoja, joilla kilpailuetua kehitetään. Katseet kääntyvätkin usein myynnin puoleen.

Tällöin kysymys kuuluu, mitä voimme myynnissä tehdä kilpailijoita paremmin? Yhtenä ratkaisuna on data-analytiikan mahdollisuuksien hyödyntäminen.  
 

Tekoäly toi data-analytiikan myynnin agendalle


Data-analytiikka on käsitteenä jäsentymätön ja sitä käytetään monissa yhteyksissä. Lisäksi data-analytiikka on itsessään hämmennystä herättävä sana. Ensinnäkin siksi, että kaikki analytiikka tarvitsee lähtökohtaisesti dataa. Toiseksi siksi, että kaikki markkinoita nopeammin kasvaneet yritykset ovat analysoineet myyntiä eri näkökulmista jo pitkään.

Voidaankin perustellusti kysyä, mitä uutta tässä on? Onko data-analytiikka jotakin, joka on myynnissä keksitty aikoja sitten, mutta nyt paketoitu uuteen muotoon?

Keskeinen muutos on teknologia: tekoäly, tiedonlouhinta ja koneoppiminen mahdollistavat esimerkiksi automatisoinnin sekä objektiivisemmat, tarkemmat ja nopeammat analyysit.

Toinen tärkeä asia on teknologioiden nopea kehittyminen viimeisten vuosien aikana. Tekoäly on eri muodoissa tullut myynnin arkeen ja sen sovellusmahdollisuudet ovat käytännössä rajattomat.

Läpeensä kilpailuilla markkinoilla yrityksen kyvykkyys analysoida myyntiä on yhä tärkeämmässä roolissa. Lisäksi tehokkaiden myyntitoimenpiteiden toteutus riippuu entistä enemmän teknologian hyödyntämisestä. Tekoäly tuo molempiin uusia eväitä. Tämä on erittäin tervetullut suuntaus B2B-myyntiin, katsoo sitä sitten yrityksen tai yksilön näkökulmasta.


LUE MYÖS ► Digitaalinen asiakaskokemus korostuu, kun B2B-myynti muuttuu

 

Myynnin analytiikalla on kaksi tavoitetta — ja useita toimintavaihtoehtoja


Myynnin analytiikalla on kaksi tavoitetta: päivittäisen myyntityön tehostaminen ja uusien kaupallisten mahdollisuuksien etsiminen. Näitä kahta tavoitetta voidaan tarkastella kolmesta eri näkökulmasta. 👇🏼
 

1 – Ensimmäinen ja kaikille tuttu näkökulma on liidistä kauppaan -prosessin tehostaminen.

Pienetkin muutokset myyntiprosessin tehokkuudessa tuovat nopeita hyötyjä. Siksi tämä on se osa-alue, johon katse analytiikan osalta usein kääntyy ensimmäiseksi. Ajankohtainen suuntaus on, että CRM-järjestelmää kehitetään enemmän myyjää palvelevaksi kokonaisuudeksi. Myyjä saa esimerkiksi personoituja suosituksia oman myyntityönsä tehostamiseksi.

Tämä on hyvä suuntaus: ihminen edellä — tekniikka sen jälkeen.   
 

LUE MYÖS ► B2B-myyntiprosessin vaiheet: 7 askelta kauppojen syntymiseen

 

2 – Myynnin analytiikan ekosysteemi sisältää kuitenkin paljon muutakin kuin pelkän myyntiprosessin arvioinnin. Toinen näkökulma onkin laajempi ja monimutkaisempi, koska se liittyy koko liiketoiminnan perustaan — nykyisen asiakaskannan tehokkaampaan hyödyntämiseen.

Tyypillisinä näkökulmina ovat esimerkiksi asiakassuhteiden leveys, syvyys ja asiakaskannattavuus. Teknologia tuo tässä monia uusia mahdollisuuksia analytiikan hyödyntämiseen. Yhtenä esimerkkinä mainittakoon asiakaspoistuman ennakointi. 
  

3 – Kolmas näkökulma on myynnin ennustaminen, jolla on suuri merkitys etenkin listatuissa yhtiössä.

Myynnin ennustaminen on perusluonteeltaan tulevaisuutta ennustavaa ja tätä kautta aina arvaus. Kun myyntiä voidaan ennustaa tarkemmin ja luotettavammin, voidaan esimerkiksi investointeja tehdä oikea-aikaisesti. Esimerkkinä voidaan ottaa vaikka päätökset tuotannon resursoinnista. Tekoäly tekee jo perinteisiä myynnin ennustamisen malleja tarkempia ennusteita.
 

Kaikkia kolmea näkökulmaa tarvitaan ja yksittäistäkin osa-aluetta kehittämällä voidaan saada merkittäviä tulosparannuksia.

Jos myynnin rakenne on yksinkertainen ja yritys pieni, pärjää hyvin taskulaskimella ja kevyellä CRM-järjestelmän automatisoinnilla. Isoissa yrityksissä on kuitenkin yleensä jo monenlaista myyntiä, laaja tarjoama, paljon myyjiä, erilaisia liiketoimintoja, monenlaisia asiakkaita ja erilaisia tuotekatteita.

Tällöin teknologian laajemmasta soveltamisesta saadaan huomattava hyöty.

 

LUE MYÖS ► B2B-myyntiprosessin vaiheet: 7 askelta kauppojen syntymiseen

 

Myynnin analytiikan lähtökohta on aina kuvaileva historiatieto


Myynnin analytiikka voidaan karkeasti jakaa kuvailevaan ja ennustavaan analytiikkaan. Vaikka analytiikka olisi edistyksellistä, on lähtökohta aina numeraalinen historiadata. Sen avulla voidaan vastata kysymykseen ”miten meillä on historiassa mennyt suhteessa tavoitteisiin”. Historiatieto antaa suhdeluvun analysoitavalle kohteelle.

Historiadata tuo myynnin tarkastelulle yhteisen kielen, viitekehyksen – ja näin ihminen voi tulkita sitä. Lisäksi siitä nähdään yritykselle tärkeiden asioiden trendinomainen kehitys, myynnistä tulee läpinäkyvää ja data kertoo myyntituloksen muodostumisen kaikki tekijät sekä niiden keskinäisriippuvuuden.

Historiadataa voidaan käsitellä tilastotieteen menetelmillä manuaalisesti tai automatisoimalla käsittely. Pelkästään historiadatan käsittelyllä voidaan löytää myynnistä teemoja, joita kehittämällä saadaan isoja ja joskus nopeita tulosparannuksia.  

 

Tekoäly ja koneoppiminen mahdollistavat ennustavan analytiikan   


Ennustavan analytiikan (eli prediktiivisen analytiikan) tavoite on nimensä mukaisesti antaa näkemys siitä, miltä tulevaisuus näyttää analysoitavan teeman osalta. Ennustava analytiikka luo siis historiadatasta tulevaisuuteen katsovaa uutta dataa ja kertoo, mitä yrityksessä voisi historiadatan perusteella tapahtua.

B2C-maailmassa ennustavaa analytiikkaa on käytetty jo pitkään. Tyypillisiä esimerkkejä ovat hotelliliiketoiminnan hinnoittelupäätökset, pankeista myönnettyjen lainojen riskiarvioinnit tai petosten ennakointi vakuutusliiketoiminnassa.

B2B-myynnissä tyypillisiä esimerkkejä voivat puolestaan olla asiakaspoistuman ennakointi, markkinoinnin kohdentaminen, yksittäisen kaupan todennäköisyyden arviointi, ristiinmyyntimahdollisuuksien tunnistaminen ja asiakastyön johtaminen oikeaan suuntaan.

Tämä onkin valtava uudistus B2B-myynnin digitalisoimisessa, ja sillä on positiivisia vaikutuksia sekä myyntijohtajan että myyjän rooliin. Ennuste voi olla käytännössä mitä vain — teknologia ei aseta tähän juurikaan rajoja.

 

LUE MYÖS ► Asiakaspito – kuinka laskea asiakaspidon aste ja kuinka sitä parannetaan?

 

Datan manuaalinen käsittely on historiaa (tai ainakin sen pitäisi olla)


Teknologian suurin hyöty on historiatiedon keräämisen automatisointi ja visualisointi helppokäyttöiseen muotoon esimerkiksi dashboardiksi. Myynnin dataa on kuitenkin yrityksissä paljon – suurissa yrityksissä voi olla jopa satoja muuttujia erilaisissa järjestelmissä. Juuri tämä tekee alkuun pääsemisestä hankalaa.

Toisaalta myynnin historiatiedon manuaalisen tulkinnan haaste on erityisesti se, että kausaalisuhteiden löytäminen yrityksen dataviidakosta on merkittävän hankalaa ja aikaa vievää puuhaa, ja prosessi on myös varsin altis inhimillisille virheille.

Siksi datan käsin perkaamisen olisikin jo syytä jäädä historiaan.

Jos tulkitaan esimerkiksi asiakaspoistuman syitä, löytyy yrityksen datasta todennäköisesti monia mahdollisia tulkintoja, jotka saattavat myös olla täysin vääriä. Yhteys markkinointipanoksien vähentämisen ja asiakaspoistuman välillä ei vielä tarkoita sitä, että niiden välillä olisi kausaalisuhde, vaan tulkinta voi olla intuitiivinen ja subjektiivinen riippuen siitä, kuka sen tekee.

Ennakoivan analytiikan lähtökohta puolestaan on se, että historiadatan pohjalta rakennetaan tilastollinen malli, jonka avulla vastataan esimerkiksi kysymykseen ”millainen asiakas meiltä todennäköisesti poistuu”. Lähtökohtana on todennäköisyydet ja (usein) monien muuttujien syy-yhteyksien ymmärtäminen.

Juuri tämä on ihmiselle hyvin haastavaa, ja siksi teknologia onkin tässä hyvä assistentti. Algoritmit eivät anna vastauksia 100 %:n tarkkuudella, mutta niistä saadaan suuntaa (ihmisten!) päätöksenteolle.

Mallin luomisessa on tärkeää löytää oikeat muuttujat, joiden avulla algoritmia koulutetaan ja mallia testataan. Tämän takia tarvitaan teknisen osaamisen lisäksi vahvaa myynnin osaamista juuri siitä liiketoiminnasta, jonka asiakaspoistumaa arvioidaan.

Mallin rakentamisessa kannattaa käyttää aikaa sen ymmärtämiseen, mitä dataa meillä on saatavilla, mikä siitä on tärkeää ja miten eri muuttujat vaikuttavat toisiinsa. Näin varmistetaan, että ei ratkaista oikeaa ongelmaa väärällä datalla.


LUE MYÖS ► Tekoäly kiihdytti myyntiä – Miten Schneider Electric sinkosi luvut uudelle tasolle?

 

Tekoäly tulee vauhdilla


Tällä hetkellä myynnin teknologia kehittyy nopeammin kuin koskaan. Etenkin ennustava analytiikka on se osa-alue, joka mahdollistaa entistä paremman myyntituloksen ilman pääoman lisäystä. Tämä on yksi keskeisistä yrityksen arvoon vaikuttavista tekijöistä. Kun yritys hallitsee myynnin analytiikan ja myyntiteknologian, tekee se todennäköisesti toimialaansa parempaa kannattavuutta.   

Yrityksen kannalta ensimmäinen kysymys on, mitä analytiikalla tavoitellaan. Tämä pohdinta vaikuttaa esimerkiksi teknologiavalintaan. Teknologiaa voidaan myös opettaa, joka tekee analytiikasta täsmällisempää, objektiivisempaa ja nopeampaa. Tämän takia esimerkiksi liiden priorisointi tai kaupan todennäköisyyden arvioinneissa päästään ajan kanssa hyvin tarkalle tasolle.

Ennustavasta analytiikasta hyötyvät etenkin isot yritykset, joissa on esimerkiksi hyvin haastavaa ennustaa myyntiä holistisesti ja tarkasti ihmisen toimesta. Muuttujia on yksinkertaisesti liian paljon.

Ennustavan analytiikan teknologian sovellusmahdollisuudet ovat myynnissä(kin) lähes rajattomat. Erityisen hienoa on, että esimerkiksi Salesforce kehittää ennustavaa analytiikkaa myyjän päivittäistä työtä palvelevaksi työkaluksi.

Kun myyjä voi hyvin, voi yrityskin hyvin.

 

Kirjoittaja Alpo Arasmo (@alpoarasmo) on Baronan myyntijohtaja. Hän on kiinnostunut modernista myynnistä, teknologiasta ja analytiikasta.

 

LUE LISÄÄ: 

► Mikä myynnin analytiikassa mättää (ja mitä asialle voidaan tehdä)?

► Mikä on Sales Cloud?

► Return on Experience (ROX) – Miten mitata digitaalisen myyntikokemuksen tuottoa?

► Graduate-ohjelman kautta Salesforcelle: “Mielikuvani myyntityöstä on muuttunut täysin"