การพยากรณ์การขาย – โดยตัวแทนอย่างน้อย – ตายแล้ว

ในทางกลับกัน เทคโนโลยีการวิเคราะห์เชิงคาดการณ์นั้นยังมีชีวิตอยู่และกำลังมาแรงในขณะที่ทีมขายและการเงินสร้างประมาณการรายได้สำหรับปี 2558 การคาดการณ์การขายอยู่ภายใต้การตรวจสอบเพิ่มเติม สิ่งนี้ฉายแสงให้เห็นถึงหนึ่งในความขัดแย้งที่ยิ่งใหญ่ของการขาย: การมองโลกในแง่ดีและการคิดนอกกรอบเป็นจุดเด่นของ “ความใกล้ชิด” และคุณลักษณะหลักของนักพยากรณ์ที่มีหมัด

การคาดการณ์ธุรกิจเริ่มต้นไม่ใช่มนต์ดำ แต่เป็นธุรกิจที่ชาญฉลาด

แต่ถ้าบริษัทต่างๆ ยกย่องพนักงานที่มุ่งมั่นในการมองโลกในแง่ดีและการคิดนอกกรอบ มันไม่มีเหตุผลเลยที่จะใส่พนักงานคนเดิมเหล่านั้นลงในกล่องโทษสำหรับการโทรผิดหมายเลข

บางคนอาจโต้แย้งว่าการพยากรณ์เป็นความชั่วร้ายที่จำเป็น เนื่องจากมันผลักดันให้เกิดความรับผิดชอบ แต่โควต้าและค่าตอบแทนผันแปรจะดูแลสิ่งนั้น คนอื่น ๆ อ้างว่าความรู้ในการจัดการโดยตรงของตัวแทนขายมีความสำคัญต่อกระบวนการคาดการณ์ รายงานข้อมูลเชิงลึกของ CSO ทำให้ความ เข้าใจผิดนั้นสงบลงเมื่อพบว่า54 เปอร์เซ็นต์ของข้อตกลงที่คาดการณ์โดยตัวแทนไม่เคยปิด

ในกรณีส่วนใหญ่ บริษัทต่างๆ จะได้รับบริการที่ดีขึ้นโดยให้ตัวแทนขายและปล่อยการคาดการณ์ไปยังชุดเทคโนโลยีใหม่ที่ขับเคลื่อนโดยวิทยาศาสตร์ข้อมูล จากประสบการณ์ของเรา ลูกค้าได้รับประโยชน์มากมายจากการแทนที่กระบวนการคาดการณ์ด้วยตนเองด้วยวิธีการที่เน้นการวิเคราะห์เชิงคาดการณ์

อันที่จริงแล้วกระบวนการเหล่านี้มีความแม่นยำในการคาดการณ์เฉลี่ย 82 เปอร์เซ็นต์สำหรับข้อตกลงต่อข้อตกลง (เทียบกับ 46 เปอร์เซ็นต์ของ CSO Insights ที่รายงาน) และความแม่นยำโดยรวมมากกว่า 95 เปอร์เซ็นต์ (เทียบกับค่าเฉลี่ยอุตสาหกรรมที่ 76 เปอร์เซ็นต์ ) ส่งผลให้ทีมขายได้รับเวลาขายคืนเพิ่มขึ้นอีก 2 ชั่วโมงครึ่ง (เวลาเฉลี่ยที่ใช้ในการคาดการณ์ตามการตัดสินใจของSirius ) นี่คือเหตุผลสามประการ:

1. มุมมองที่เป็นกลาง

ประโยชน์ของการพยากรณ์ที่ขับเคลื่อนโดยวิทยาศาสตร์ข้อมูลคือไม่ถูกบิดเบือนโดยอคติโดยธรรมชาติที่มาพร้อมกับข้อมูลที่ป้อนโดยมนุษย์ ประเด็น: บริษัทที่เรารู้จักเพิ่งปรับใช้ชุดของอัลกอริทึมการคาดการณ์เพื่อกำหนดว่าตัวแทนฝ่ายขายจะปิดดีลใด หลังจากผ่านไปสองสามวัน บริษัทสรุปว่าแบบจำลองต้องไม่ถูกต้อง อันที่จริง แบบจำลองระบุว่าตัวแทนมีโอกาสชนะข้อเสนอที่ดีกว่าเมื่อพวกเขาแข่งขันกับผู้ขายรายอื่น เทียบกับรายที่ไม่มีคู่แข่งอยู่ในการแข่งขันเลย

แต่เมื่อนักวิเคราะห์ของบริษัทเจาะลึกลงไปในข้อตกลงที่เฉพาะเจาะจง พวกเขาได้เรียนรู้ว่าแบบจำลองนั้นถูกต้อง ปรากฎว่าตัวแทนส่วนใหญ่ที่ระบุว่าไม่มีคู่แข่งได้รับการพิจารณาทำเช่นนั้นเพราะพวกเขาไม่ได้ทำการบ้าน พวกเขาไม่ทราบถึงคู่แข่ง ปัจจัยด้านงบประมาณ และกระบวนการตัดสินใจของลูกค้า หากไม่เปิดเผยปัจจัยสำคัญนี้ สมาชิกในทีมคงคิดต่อไปว่า

การขาดการแข่งขันทำให้เสียโอกาสในการปิดดีล

2. ความสามารถในการคาดการณ์สิ่งที่อยู่ข้างหน้า

Zendesk เป็นตัวอย่างที่ยอดเยี่ยมของบริษัทที่ใช้พลังของการวิเคราะห์เชิงคาดการณ์เพื่อขับเคลื่อนความแม่นยำในการคาดการณ์ ธุรกิจของบริษัทมีวงจรการขายค่อนข้างสั้น ดังนั้นข้อตกลงจำนวนมากที่ปิดภายในสิ้นไตรมาสจึงไม่ได้อยู่ในขั้นตอนการขายเมื่อเริ่มไตรมาส

ที่เกี่ยวข้อง: เหตุใดการคาดการณ์การขายของคุณจึงถูกตัดการเชื่อมต่อจากความเป็นจริง

การที่ไม่มีการมองเห็นว่าสิ่งใดที่ปิดในท้ายที่สุดคือสิ่งที่ทำให้ผู้บริหารฝ่ายขายตื่นขึ้นในตอนกลางคืน โชคดีที่การวิเคราะห์เชิงคาดการณ์ช่วยแก้ปัญหาด้วยวิธีที่การวิเคราะห์ด้วยตนเองไม่สามารถแข่งขันได้ แบบจำลองการคาดการณ์ที่ดีที่สุดจะคาดการณ์รายได้ที่ท่อส่งปัจจุบันจะให้ผลตอบแทนโดยกำหนดว่าดีลใดจะปิดและเมื่อใด จากนั้น โมเดลเหล่านี้จะก้าวไปอีกขั้นด้วยการคาดการณ์รายได้ที่ได้รับจากดีลที่บริษัทต่างๆ ยังไม่ได้ระบุ (ฟังดูดีเกินจริงไปหรือเปล่า?)

ด้วยการวิเคราะห์วงจรการขายในอดีต ความเร็วของข้อตกลงในปัจจุบัน และปัจจัยภายนอกทางเศรษฐกิจระดับมหภาค แบบจำลองเหล่านี้สามารถสร้างผลลัพธ์ที่ทำให้แม้แต่นักพยากรณ์ที่เก่งที่สุดยังต้องอิจฉา

3. ความสามารถในการปรับตัวตลอดเวลา

เมื่อลูกค้าปรับใช้โมเดลคาดการณ์แล้ว พวกเขามักจะถามว่าที่ปรึกษาจะต้องกลับมาปรับแต่งอีกครั้งเมื่อใด “ไม่เคย” คือคำตอบของฉัน ปัจจุบัน โซลูชันการคาดการณ์ที่ดีที่สุดอาศัยการเรียนรู้ของเครื่องในการปรับตัวเองใหม่ ในการทำเช่นนี้ อัลกอริทึมจะประเมินความสัมพันธ์อย่างต่อเนื่องระหว่างแอตทริบิวต์ของดีลแต่ละรายการ เช่น ภูมิศาสตร์ อุตสาหกรรมหรือผลิตภัณฑ์ และผลลัพธ์ที่ต้องการ เช่น อัตราการชนะและวันที่ปิด

เมื่อความสัมพันธ์ใหม่เกิดขึ้น ความสัมพันธ์เหล่านั้นจะเป็นปัจจัยในการคาดคะเนโดยอัตโนมัติ ตัวอย่างเช่น หากบริษัทหนึ่งตัดสินใจย้ายเข้าสู่ตลาดต่างประเทศ คุณลักษณะอย่างเช่น ภูมิศาสตร์อาจเปลี่ยนจากไม่มีสาระสำคัญเป็นมีความเกี่ยวข้องสูงโดยฉับพลัน เปรียบเทียบธรรมชาติของอัลกอริทึมดังกล่าวกับคุณภาพคงที่ของโมเดลที่ขับเคลื่อนด้วยสเปรดชีต ไม่ใช่เรื่องแปลกที่นักวิเคราะห์จะตั้งแบบจำลองดัง

Credit : สล็อต