پنج راهکار برای نتیجه‌بخش شدن فرایند تحلیل داده‌ها

نزدیک به دو دهه است که «کلان‌داده‌» به واژه‌نامه‌های کسب و کار وارد شده است و در این مدت به اهمیت حضور دانشمندان داده و ابزارهای تحلیل‌ بیش‌ازپیش افزوده شده است. کمی قبل‌تر، بیشترین توجه به فروش کالا و خدمات به مصرف کنندهٔ نهایی (B2C) معطوف بود، اما به‌تازگی این فهم شکل‌گرفته است که در دنیای فروش کالاها و خدمات به شرکت‌ها (B2B)، نیز می‌توان با بهره‌گیری از مزایای فروش داده‌محور و با ارائهٔ محصول مناسب، در زمان مناسب و با قیمت بهینه، رابطهٔ سازنده‌تر و طولانی‌تری با مشتریان داشت.

تجربهٔ محدودی که کسب‌وکارهای سازمانی (B2B) در حوزهٔ تحلیل داده دارند، آنها را در معرض اشتباهاتی قرار می‌دهد که در حوزهٔ کسب و کارهای مربوط به مصرف‌کنندگان نهایی (B2C) نیز مدت‌ها با آن درگیر بوده‌اند. تبعیت از برنامهٔ تحلیلی، بدون اهداف از پیش تعیین شده و صرفاً به دلیل مسحور شدن توسط فناوری خاص، منجر به اتلاف منابع و حصول نتایج ضعیف و غیرسازنده خواهد شد.

تحلیل داده قرار نیست راهی کاملاً جدید در تجارت باز کند؛ بلکه قرار است بینش‌ها و فرصت‌هایی ایجاد کند که مسیر برای فروش بیشتر و عملکردهای پربازده‌تر هموار شود. به‌منظور محک‌زدن نقش کلان‌داده‌ در روند فروش، شرکت مشاورهٔ مکنزی به تعدادی از ‌شرکت‌هایی که مدل کسب‌وکارشان سازمانی (B2B) بود، کمک کرد که به مدت ۲ سال از تحلیل داده استفاده کنند. اولین نتایج حاکی از آن بود که سرعت اولین فروش (first sale) تا ۵۰ درصد ، فروش به مشتریان  جدید ۱۰ درصد افزایش یافته و ریزش مشتری‌ها هم تا ۲۵ درصد کاهش داشته است. عایدی  فروش (return on sales) از طریق قیمت‌گذاری، ۲ تا ۵ درصد افزایش‌ داشته است. روند موفقیت‌آمیز در این ۲ سال ثابت کرد که سازمان‌های بزرگ به این پنج مورد برای قرارگرفتن در مسیر رشد نیازمند هستند:

۱) به‌جای تمرکز بر اهداف اغواگر بر اهداف واضح و شفاف تمرکز کنید

بارهاوبارها مشاهده شده است که بسیاری از سازمان‌ها، فرایند تحلیل را در سازمان خود با این پرسش آغاز می‌کنند که چه ابزارهایی باید به کار گرفته شود. ذی‌نفعان اصلی شرکت‌ها و بخش‌های اجرایی به راحتی ممکن است در این دام بیفتند که راه‌حل‌های پول‌ساز و حاضر و آماده‌ای وجود دارد و تنها کافی است که آنها این از روش‌ها استفاده کنند. هرچند، گاهی هم واقعاً چیزهایی وجود دارد، اما فقط در کوتاه‌مدت مفید واقع خواهند شد.

در عوض، سازمان‌ها باید مراقب اصول اولیهٔ کسب‌وکار خود و موانع موجود باشند و با درنظرگرفتن این چالش‌ها، تحلیل را شروع کنند و پس از آن با استفاده از ابزارهای موجود خود، دانش درون‌سازمانی را از طریق آزمون و یادگیری نهادینه کنند. درعین‌حال، این دوره‌های آزمایشی به جلب حمایت مدیران ارشد سازمان نیز منجر خواهد ‌شد که هم برای تخصیص بودجه و هم برای ایجاد تعهد  در کل سازمان، ضروری است.

پس تنها در صورت فراهم شدن این بستر، به بررسی ابزارهای تحلیل بپردازید.

۲) به تیم فروش خود کمک کنید که به داده‌ها اعتماد کنند

یک کارخانهٔ تولیدکنندهٔ مواد شیمیایی مطرح در عرصهٔ جهانی که متقاعد شده بود که فروش بهتر و بیشتر در گروی پیروی از داده‌ها است، بی‌مقدمه خود را درگیر یک برنامهٔ تحلیل داده کرد؛ اما، متأسفانه تیم فروش این سازمان از ابتدا درگیر فرایند جدید نشد. آن‌ها چون از ورودی‌های برنامه اطلاع نداشتند، در نتیجه به توصیه‌ها و یافته‌ها بی‌اعتنا بودند، زیرا نمایندگان فروش مطمئن بودند که مشتریان خود را به‌خوبی می‌شناسند و ترجیح می‌دادند، در عوض اطمینان به یک برنامهٔ تحلیل که از محتوای آن اطلاعی ندارند، به غریزهٔ خود اعتماد کنند.

غلبه بر شک و تردید تیم فروش، نیازمند رویکردی اختصاصی برای ایجاد اعتماد است. یافته‌های مکنزی نشان می‌دهد این چهار عنصر برای حصول چنین موفقیتی بسیار مهم است:

• ایجاد شفافیت: هنگامی‌که چگونگی ساخت الگوریتم و نحوهٔ استخراج بینش‌ها شفاف باشد، شرکت‌ها بهتر می‌توانند بخش فروش را برای تبعیت از تحلیل داده متقاعد کنند؛ بنابراین، نه‌تنها برای ارائهٔ نتایج تحلیل داده‌ها به کاربر نهایی، بلکه برای توجیه بخش فروش هم روی اعتماد به داده‌ها و جلب اعتماد آنها پافشاری کنید. مطمئن شوید اعضای بخش فروش به تحلیل داده‌ها اطمینان دارند.
• بخش فروش را نیز درگیر کار کنید: ارتباط نزدیک با بخش فروش، برای آگاهی از نیازهای آن‌ها بسیار ضروری و مهم است. این رابطه باید فراتر از پروتکل‌های استاندارد به‌کارگیری و عرضهٔ یک نرم‌افزار یا ابزار باشد. بهترین تیم‌های تحلیلی، نمایندگان فروش را شریک کاری خود می‌دانند و برای یافتن راه‌حل‌هایی در زمینهٔ شیوهٔ بهبود رابطه با مشتریان از نگاه یک فروشنده، از نظرات تیم فروش استفاده می‌کنند. به دنبال نقاط ضعفی باشید که تحلیل داده می‌تواند به حل آنها کمک کند، به‌عنوان‌مثال، گزینه‌های قیمت‌گذاری بهتر یا ساده کردن فرایند سفارش مجدد (reordering process)، برای بهبود بخشیدن به خدمات به مشتریان (customer service). تولیدکنندهٔ مواد شیمیایی‌ای که در بالا به آن اشاره شد، با نگاه به اشتباهات قبلی خود، کارگاه‌های آموزشی‌ای برای نمایندگان فروش برگزار کرد تا روندهای کاری روزمره آن‌ها و همچنین مسیر سفر مشتریان را مدون کند؛ مسیر سفری که شامل  انگیزه‌ها، اهداف و دردهای مشتریان است. این یافته‌ها مشخص کرد که کدام ویژگی‌ها یا قابلیت‌های سیستم تحلیلی برای نیروی فروش بیشترین ارزش را دارد و به چه دلیل سیستم فعلی سازمان پاسخگوی نیازهای آنها نیست. این شرکت توانست با همکاری یک طراح محصول، نمونه‌ای کاملاً نو از یک محصول حداقلی (MVP) را طراحی کند که نیازهای خاص نیروهای فروش در بازارهای متفاوت را برطرف می‌کرد.
• برای شروع، ساده‌ترین راه را انتخاب کنید: حتی ساده‌ترین برنامه‌های تحلیلی هم می‌توانند بینش‌هایی دربارهٔ اموری مانند دلایل عدم کارایی ساختار بازار بین تأمین‌کنندگان، توزیع‌کنندگان و مشتریان را شناسایی کند. این بینش‌ها در نحوهٔ تعامل سازمان با مشتری، تغییرات قابل‌توجهی ایجاد می‌کند. از ساده‌ترین راه شروع کنید و به پشتوانهٔ پیروزی‌های کوچک (برای مثال، با قیف نرخ تبدیل بهبودیافته (improved funnel conversion)، مسیرتان را ادامه دهید. از این راه به نمایندگان فروش کمک کنید که ارتباط بهتری با بینشی که داده‌ها ایجاد می‌کند، برقرار کنند. با این روش آنها به‌خوبی درک خواهند کرد که چگونه داده‌ها می‌توانند به تصمیمات آنها جهت بدهند.
• ارزش‌ها را در معرض دید بگذارید: خواستهٔ نهایی و غایی تیم فروش، فروش بیشتر است؛ بنابراین، از هیچ تلاش و توضیحی به آنها، در مورد اینکه چگونه تحلیل داده می‌تواند این هدف را میسر کند، دریغ نکنید. بهترین ابزارهای تحلیل، می‌تواند برای فروشندگان و مدیرانشان دریچه‌ای باشند برای مشاهده و درک این مسئله که چطور عملکرد فردی می‌تواند اهداف یک سازمان را تحت‌الشعاع قرار دهد. درحالی‌که تلاش می‌کنید شکاف‌های اجرایی و راه‌حل‌های موجود برای ازبین‌بردن این شکاف‌ها را به بخش فروش نشان دهید، پیشنهاد‌های جزئی، مثلاً در مورد قیمت‌گذاری یک محصول خاص، هم به آنها ارائه بدهید.

برگردیم به همان کارخانهٔ تولیدکنندهٔ مواد شیمیایی. بعد از اینکه آنها با شفافیت بیشتر برنامهٔ تحلیل دادهٔ خود را دوباره بازنویسی کردند، متوجه فرصت‌هایی برای فروش جانبی شدند؛ بر این اساس که  مشتری‌هایی با ویژگی‌های مشابه  از نظر اندازه، صنعت و محل، چه خریدهایی انجام داده‌اند. به این شیوه، نمایندگان فروش هم منطق پشت پیشنهادهای ارائه شده را درک می‌کردند. وقتی کار روی این یافته‌ها آغاز شد، هم فروش بیشتر شد و هم رضایت مشتریان ۲۵ درصد رشد کرد. با این روش، آنها سهم بازار خود را هم چهار درصد افزایش دادند.

۳) راه استفاده از داده را آسان کنید

قوی‌ترین بینش‌ها زمانی می‌توانند منجر به نتایج قابل اندازه‌گیری شوند که که بخش فروش توانایی کار، بر اساس آن بینش‌ها را داشته باشد. بهترین گروه‌های تحلیل داده، از روش هایی مثل تفکر طراحی (Design Thinking) برای تولید ابزارهایی استفاده می کنند که هسته اصلی آن تجربه کاربری کارشناسان فروش است. این به معنای توسعهٔ ابزارهایی است که استفاده از آنها ساده است. ابزارهایی که اطلاعاتی ارائه می‌کنند که درکشان ساده است و بینش یا توصیه‌هایی فراهم می‌کنند که عمل بر اساس آنها آسان است. اطمینان حاصل کنید که درک بینش‌های موردنظر شما برای مدیران و نمایندگان آسان باشد. برای مثال، بینش تولید شده توسط فرایند تحلیل باید در ابزارهایی که نیروی فروش از آن‌ها استفاده می‌کند، قابل پذیرش و اجرا باشد، زیرا هیچ‌کس دوست ندارد وقت خود را صرف یادگیری ابزارهای جدید کند. داشبوردها باید قابل‌فهم و نحوهٔ استفاده از آنها باید ساده و واضح باشد.

۴) با داده‌های سهل‌الوصول شروع کنید

ترکیب کردن داده‌ها برای ایجاد یک مجموعهٔ دادهٔ کامل (perfect data set)، ممکن است خسته‌کننده باشد. این واقعیت هنگامی خسته‌کننده‌تر می‌شود که برنامهٔ تحلیلی بخواهد روی چند سیستم که هیچ ارتباطی با یکدیگر ندارند، کار کند. این همان جایی است که بسیاری از این تلاش‌ها به دلیل تاخیرهای متوالی برای کامل کردن داده‌ها شکست می‌خورند.

تجربه نشان می‌دهد که برنامه‌‎های موفق با داده‌هایی آغاز می‌کنند که به‌راحتی در یک سیستم یا در چند سیستم که با هم تعامل سازنده دارند، قابل‌ دسترس است. آغاز کار یک برنامهٔ تحلیلی، زمان مناسبی برای جستجوی اطلاعات شخص ثالث (third-party information) و صرف زمان برای مذاکره در مورد دسترسی و ادغام خوراک‌های(feeds) لازم برای برنامه تحلیلی  نیست.

فقط داده‌های مربوط به چالش‌ِ مد نظر باید پاکیزه و به یک بازار داده (data mart) متصل شود. این مراحل می‌تواند به‌صورت دستی انجام شود، چرا که تنها هدف آن باید تهیهٔ اولین نسخه از انبار داده‌ای باشد که باید به‌عنوان ورودی در الگوریتم در آن وارد شود. این فرایند شامل جمع‌آوری داده‌ها از طریق یک خروجی ساده از فایل CSV، یا راه‌اندازی سریع پروتکل اتصال به پایگاه داده باز (ODBC) است. در واقع، با تمرکز بر سرعت و با نگاهی عمل‌گرایانه، می‌توان اولین نسخه از انبار داده را، معمولاً در عرض چند هفته، حتی گاهی چند روز، آماده کرد؛ بنابراین، اگر این مرحله بیش از چهار تا شش هفته طول بکشد، یعنی مسیری که در آن قرار دارید، اشتباه است.

این فرایند را بارها و بارها انجام دهید تا مجموعه داده‌ها ساخته شود و الگوریتم‌های درحال‌توسعه را مدام اصلاح کنید تا برنامه همواره با موفقیت کار کند. برای سرعت بخشیدن به فرایند شناسایی و هدف قراردادن مشتریان جدید، «شتاب بخشیدن به مسیر رشد»(accelerate pipeline growth)، «بهبود کانال نرخ تبدیل» (channel conversion rates) و نیز «بهبود عملکرد فروشندگان» از فرایند‌های آزمون و یادگیری استفاده کنید. تنها اجرا کردن این روند است که می‌تواند منجر به خودکار شدن این فرایند شود.

۵) ذهنیت گروه‌محور ایجاد کنید

ساختن یک برنامهٔ تحلیلی موفق اغلب به معنای ازبین‌بردن سیلوهای قدیمی داده و تحلیل است. به‌عنوان‌مثال، به طور معمول می‌بینیم که سازمان‌ها تنها در صورت ازبین‌بردن موانع عملکردی بین فروش، بازاریابی و تیم‌های تولیدی خود می‌توانند رویکرد مسیر فروش (sales-pipeline) خود را اصلاح کنند. به طور معمول، هر تیم، ابزار و منابع دادهٔ خود را دارد که ممکن است باعث ایجاد چندین نقطهٔ کور در روند تحلیل شود. برای غلبه بر آن، تمامی عملکردهای سازمان باید در راستای تشکیل گروهی یکپارچه برای به اشتراک گذاشتن داده‌ها و بهبود تحلیل فرایند فروش باشد.

روشی کاملاً مؤثر، برای رسیدن به این هدف‌ها، راه‌اندازی مجموعه‌ای از آزمون و خطاها

(a series of test-and-learn pilots) است تا از این طریق به  «شناسایی و هدف قراردادن مشتری جدید»، «شتاب بخشیدن به مسیر رشد»، «بهبود عملکرد فروشندگان» و «بهبود کانال نرخ تبدیل» برای یک گروه محصول خاص برسیم.

با تحقق هر «پیروزی» (هدف تحقق‌یافته)، گروه‌هایی که کارکرد بین واحدی دارند (cross-functional team)، داده‌ها را از بخش‌های متفاوتی همچون مدیریت ارتباط با مشتری (CRM)، برنامه‌ریزی منابع سازمانی (ERP) و جریان‌های دیگرِ مرتبط با محصول، جمع‌آوری و ادغام می‌کند و سپس داده‌های اولیه را با داده‌های برون‌سازمانی، مانند داده‌های رقیبان، داده‌های مرتبط با نیت مشتریان (intent) و مانند اینها، غنی‌سازی می‌کند. این روند باعث ایجاد ظرفیت بیشتر برای آسان‌تر شدن به‌کارگیری فرایندهای داده‌محور است.

این تحلیل‌های مشترک است که می‌تواند به توسعهٔ برنامه‌های تحلیلی پیش‌بینی کننده بینجامد. به‌عنوان‌مثال، راغب‌ترین گروه های مشتریان  (highest-propensity microsegment) را شناسایی کرده، پیام‌ها را به آنها مخابره کند و سپس بر اساس ارزش بالقوه (value potential) و اولویت‌های خرید، سرنخ‌های فروش (leads) را اولویت‌بندی کند و به کانال‌های فروش بسپارد.

در طول این فرایند، سازمان‌ها معمولاً متوجه می‌شوند که پرداختن به ذهنیت عمومی و سبک‌کار افراد برای رسیدن به موفقیت، حیاتی است. بازخورد سریع و ایجاد مشوق برای استفاده از داده، بخشی از روش‌هایی است که برای شکل‌دادن به ذهنیت گروه‌محور لازم است. ارزیابی و اندازه‌گیری موفقیت گروهی به‌جای پاداش دادن به موفقیت‌های شخصی، به ایجاد و رشد همبستگی گروه کمک می‌کند. همچنین رویکرد آزمون و یادگیری، چابکی بیشتری فراهم می‌کند که این خود فرصتی بزرگ در راستای ایجاد تمایل بیشتر برای نوآوری است.

در نهایت می‌توان به این موضوع اذعان داشت که شرکت‌هایی که مدل کسب‌وکارشان سازمانی است، معمولاً در پذیرش مزایای کلان‌داده‌ کند هستند. زیرا نمی‌توانند به‌وضوح بفهمند که چه امکان‌هایی در دسترس‌شان قرار می‌گیرد و پیچیدگی‌ها آنها را مرعوب می‌کند. اما تنها رقبایی که آمادهٔ ورود به این عرصه‌اند و بخش فروش خود را با استفاده از بینش‌های کسب شده تقویت می‌کنند، به بالاترین حد سود و فروش دست پیدا خواهند کرد و نه کسانی که از راه‌افتادن می‌ترسند.