Use case om van uw bedrijf een data company te maken,
Verzamelt en verwerkt uw salesteam informatie over klanten nog steeds handmatig? Verhoog uw salesefficiëntie aanzienlijk met een voorspellend model op basis van AI.
Als u een verkoopmedewerker vraagt welke taak hij het minst leuk vindt, dan is de kans groot dat "cold calling" bovenaan zijn lijstje staat. En dat is niet verwonderlijk. Want als u een product of dienst zonder aanleiding wilt (door)verkopen, zult u vaak onmiddellijk worden afgewezen. Met een datagestuurde salesaanpak kunt u het succespercentage van uw salesgesprekken een enorme boost geven. Vertrouw niet meer alleen op uw buikgevoel, maar gebruik data-inzichten om prospects te rangschikken op basis van de kans dat ze zullen kopen, en focus alleen op uw meest interessante potentiële klanten. Lees hier hoe het werkt.
Veel B2C-bedrijven die waardevolle producten verkopen en grote klantenbestanden hebben, laten veel potentiële klanten schieten omdat ze geen eenvormige methode hebben om de succeskans van een verkoop in te schatten. Salesteams volgen vooral hun buikgevoel en baseren hun acties op bedrijfslogica, ervaring en handmatig verzamelde informatie. Dat werkte vroeger misschien, maar in het huidige digitale tijdperk brengt dit grote uitdagingen met zich mee.
Contracten verlengen is moeilijk
Een klantenbestand kan in twee groepen worden verdeeld: klanten die al een contract hebben, bijvoorbeeld een fleetcontract met een autodealer, en klanten zonder contract. Bij de eerste groep is het eenvoudiger om een contract te verlengen. U kunt ze aan het einde van de looptijd gewoon opbellen. Bij de tweede groep is dit veel moeilijker. Toch ligt daar een belangrijk salespotentieel. Hoe bepaalt u welke klanten u eerst moet contacteren?
Handmatige aanpak
Zonder een duidelijke customer data-strategie zullen salesmedewerkers hun aanpak baseren op hun praktijkervaring en bedrijfslogica, en dus afgaan op hun intuïtie. Hierbij wordt ervan uitgegaan dat het salesteam over die ervaring beschikt natuurlijk. Maar dat doet de volgende vraag rijzen: wat is de beste manier om onervaren salesmedewerkers op een efficiënte manier in te werken?
Bovendien zijn de beschikbare klantgegevens vaak in silo's ondergebracht en/of worden ze handmatig verzameld. De gegevens zijn dus verspreid over verschillende softwaresystemen, waardoor het salesteam veel tijd en energie moet steken in het verzamelen van informatie voordat ze een klant kunnen bellen.
Geen eenduidige leadgeneratie
Hoewel deze ongestructureerde aanpak misschien werkt voor enkele gewiekste verkopers in specifieke sectoren, levert hij op grote schaal structurele problemen op. Hoe weet u bijvoorbeeld of uw salesteam contact opneemt met de juiste klanten? Gebeurt dit wel in de meest efficiënte volgorde? En als elke salesmedewerker in het team zijn eigen aanpak toepast, hoe kunt u hun prestaties dan objectief evalueren?
In het huidige digitale tijdperk is het nauwkeurig inschatten van de succeskans van een verkoop een cruciaal concurrentievoordeel
Voorspellen of een klant opnieuw zal kopen
Denk eens aan het "buikgevoel" waarover uw ervaren verkopers beschikken. Dat is eigenlijk gebaseerd op een aantal parameters, waaronder eerdere verkopen en klanteninformatie.
Stel dat een autohandelaar informatie heeft over een bestaande klant. Op basis van het huidige automodel van de klant en het aantal afgelegde kilometers per jaar kan hij inschatten hoe groot de kans is dat de klant een nieuwe auto zal kopen (of leasen).
Wat als u een voorspellend model zou kunnen gebruiken om te berekenen hoe groot de kans is dat een klant (opnieuw) zal kopen, op basis van gegevens over uw eerdere verkoopactiviteiten en klanten?
Er wordt vaak gezegd dat dit alleen mogelijk is met een "big data”-benadering. Maar als u een voorspellend model wilt bouwen, hebt u eigenlijk alleen uw CRM- en ERP-gegevens nodig, en hoeft u slechts drie stappen te volgen:
Het model zal na verloop van tijd steeds nauwkeuriger worden. De voorspellingen worden immers telkens door de werkelijke verkoopgegevens gevalideerd.
Prioriteren op basis van de succeskans
Wanneer het voorspellend model is gevalideerd, maakt het een rangschikking van alle prospects op basis van de kans dat ze opnieuw zullen kopen. De prospects die bovenaan de lijst staan moeten eerst worden opgebeld. Het succespercentage ligt daar immers hoger ten opzichte van de tijd die nodig is om de verkoop te realiseren.
Vervolgens wordt een zogenaamd "cutoff point" bepaald. Onder dit punt is de kans dat de prospect opnieuw zal kopen niet hoog genoeg en zijn de tijd en inspanning die het kost om contact op te nemen het dus niet waard.
Hoger conversiepercentage
Bij een autodealer die begon te werken met repurchase analytics steeg het conversiepercentage aanzienlijk. De datagestuurde aanpak zorgde voor bijna een verdubbeling van het aantal conversies, en het conversiepercentage steeg met 80%.
De datagestuurde aanpak zorgde voor bijna een verdubbeling van het aantal conversies, en het conversiepercentage steeg met 80%
Integratie in het bestaande IT-landschap
U hoeft niet te investeren in een nieuw platform om prospects te kunnen rangschikken. Dit voorspellend model kan naadloos worden geïntegreerd in bestaande platforms zoals Salesforce. De lijst met gesprekken kan bovendien worden weergegeven in rapportagetools zoals Power BI of Qlik. Salesmanagers kunnen de lijst eenvoudig filteren en de resultaten vastleggen in een CRM-systeem. De rapportagetool wordt vervolgens automatisch bijgewerkt.
Handig 360°-overzicht van klanten
Het voorspellend model biedt twee weergaven. De oproeplijst bevat basisgegevens (zoals contactgegevens) en een tweede weergave biedt meer diepgaande informatie, zoals eerdere verkopen. De salesmedewerkers en de salesmanager kunnen deze informatie gemakkelijk filteren en een totaalbeeld van elke klant krijgen, zonder manueel werk.
Objectieve evaluatie
Repurchase analytics biedt ook voordelen voor het managementteam. Prospects kunnen immers worden ingedeeld op basis van de kans dat ze opnieuw zullen kopen. Hierdoor kunnen de prestaties van de salesmedewerkers veel objectiever worden beoordeeld.
Het voorspellend model biedt niet alleen een hoger conversiepercentage, maar vormt ook de basis voor een meer datagestuurde aanpak in het algemeen. Dit model is gebaseerd op een uniform en gecentraliseerd platform voor klantgegevens, waarbij datasilo's worden afgebroken. Als een klant inlogt op de website, kan hij onmiddellijk worden geïdentificeerd. Dit biedt interessante mogelijkheden voor een gepersonaliseerde klantenervaring.
De sales- en marketingteams kunnen deze klantgegevens ook gebruiken voor hun campagnes en om een gepersonaliseerd aanbod te creëren via de website, mailingen en advertenties.
Cegeka beschikt over een ijzersterke basis in ERP- en CRM-systemen. Hierdoor kunnen we end-to-endoplossingen aanbieden om uw datagestuurde transformatie te ondersteunen. Met onze beproefde referentiearchitectuur verrijken we bedrijfsprocessen met artificiële intelligentie en integreren we dit model in bestaande tools.
Laten we dan samen ontdekken hoe we u kunnen helpen om een datagestuurde organisatie te worden.
Kristel Demotte
Global VP Data Solutions