Muutama vuosi takaperin Harvard Business Review ennusti, että 2000-luvun ensimmäisen vuosisadan kiinnostavin työnkuva kuuluu Data Scientisteille. Kyseisiltä moniosaajilta edellytetään paitsi ohjelmointiosaamista ja liiketoiminnan ymmärrystä myös kykyä hyödyntää tilastotieteen ja tietojenkäsittelyn mekasnismeja. Heidän tärkein tehtävänsä on louhia valtavista tietomassoista yrityksen bisneksen kannalta relevanttia tietoa ja puristaa ja muokata se ymmärrettävään muotoon.
Jos povataan ruusuista tulevaisuutta data scientisteille, toisin on B2B-myyjien laita. Heidän elinajan ennuste on karua luettavaa. Gartner ennusti vuonna 2011, että 18 miljoonasta Yhdysvaltojen B2B-myyjästä on jäljellä alle neljäsosa vuoteen 2020 mennessä. Mutta mitä tapahtuu kun data science alkaa ravistelemaan myös B2B-myyntiorganisaatioita? Voisivatko nämä mystiset data scientistit jopa pelastaa B2B-myynnin edellä mainitulta uhkakuvalta?
Tulevaisuuden myyntijohtajalla on yksi olennainen osaamisalue: hän on erittäin hyvä hyödyntämään räjähdysmäisesti kasvavaa tietomassaa - big dataa.
Markkinointia on kohdennettu analytiikan avulla jo vuosikaudet ja viime aikoina myös B2B-puolella on markkinointisisältöjä pyritty personoimaan potentiaalisen asiakkaan käyttäytymisen ja muun käytettävissä olevan datan perusteella. Jostain syystä myyntiorganisaatiot ovat kuitenkin laahanneet kehityksestä jäljessä.
Vielä viime vuosiin asti tulosta takovan myyntijohtajan tunnusmerkeiksi ovat riittäneet kyky kehittää ja optimoida myyntiprosessia, taito innostaa organisaatiota ja näytöt henkilökohtaisesta tuloksentekokyvystä. Kyseiset taidot ovat rautaa jatkossakin, mutta tulevaisuuden myyntijohtajalla on lisäksi yksi olennainen osaamisalue: hän on erittäin hyvä hyödyntämään räjähdysmäisesti kasvavaa tietomassaa - big dataa.
Valitettavan harva organisaatio arvottaa esimerkiksi nykyistä asiakaskuntaa lisämyyntipotentiaalin näkökulmasta tai luo kohderyhmiä muiden kuin yritysten perustietojen perusteella. Edelläkävijät ovat hoksanneet tehdä asiat toisin. Heillä nykyisestä asiakaskunnasta on segmentoitu vaaravyöhykkeellä olevat sekä suurimman lisämyyntipotentiaalin omaavat.
Aika on viimein kypsä sille, että aito reaaliaikainen data voidaan ottaa käyttöön myös yksittäisen myyjän tasolla.
Tämä lokerointi ei perustu pelkästään yritysten toimialaan ja liikevaihtoon tai palvelun käyttöasteeseen vaan mukaan on otettu strukturoimatonta dataa kuten asiakasyrityksissä hiljattain tapahtuneet merkittävät muutokset ja asiakkaan tapa käyttää palvelua. Pisimmälle ennustavan analytiikan vieneet yritykset hyödyntävät lisäksi koneoppimista, jolloin ennustavat mallit muuttuvat päivä päivältä tarkemmiksi.
Käytännössä jokaikisen myyntiorganisaation käytettävissä olevan tiedon määrä kasvaa, ja myyntijohtajalle hyödynnettävissä oleva data kertyy pääasiassa kolmesta lähteestä:
- Organisaation sisäinen data (CRM, ERP jne)
- Käyttäytymisdata (nettisivut, yrityksen tarjoama tuote)
- Ulkoinen data (asiakas-, kilpailija- ja toimialatieto, joka on yrityksen omien järjestelmien ulkopuolella esimerkiksi esim. Vainusta löydettävissä)
Aika on viimein kypsä sille, että aito reaaliaikainen data voidaan ottaa käyttöön myös yksittäisen myyjän tasolla. Perinteinen myyntisuppilo rakentuu soittojen, tapaamisten, tarjousten ja voitettujen asiakkuuksien varaan. Viime aikoina on myös väännetty peistä inboundin ja outboundin välillä ja yritetty miettiä, onko fiksumpaa olla asiakkaiden löydettävissä vai itse löytää asiakkaansa. Data scientistit tuskin kääntävät näitä malleja päälaelleen mutta tulevat vuorenvarmasti tarjoamaan keinot myyntisuppilon eri vaiheiden konversioasteiden merkittävään parantamiseen ja antamaan myyjille keinot optimoida päivittäistä työtänsä olipa kyseessä sitten inbound- tai outbound-vetoinen organisaatio.
Esimerkiksi prospektoinnin voi hyvin pitkälle automatisoida. Jokainen yritys osaa ainakin jollain tasolla kuvata oman kohderyhmänsä ja usein vielä nimetä tiettyjä signaaleja, jotka tekevät potentiaalisesta asiakkasta erityisen mielenkiintoisen. Datan avulla voidaan erittäin helposti osoittaa organisaation kohderyhmän suurimman potentiaalin prospektit ja tunnistaa vieläpä otollisin ajankohta myyntiprosessin eri vaiheille.
Koneoppimista hyödyntävät mallit lisäksi oppivat koko ajan fiksummiksi ihan samalla tavoin kuin meille kaikille tutut kuluttajapalvelut Netflix ja Amazon, jotka ennustavat aiemman käyttäytymisen perusteella parhaita ehdotuksia seuraavaksi ajanvietteeksi tai ostokseksi. Vielä tähän päivään asti ahkerin prospektoija on ollut usein myös paras prospektoija. Jatkossa paras prospektoija on se, joka osaa hyödyntää dataa fiksuiten.
Myyntiprosessista tulee selkeämpi ja miellyttävämpi niin myyjille kuin ostajille. Palveluntarjoaja osaa valita datan avulla aiempaa paremman ajankohdan yhteydenotolle ja todennäköisesti ymmärtää myös ratkaista ongelmia jopa ennen kuin niitä hoksataan kysyä. Myyminen on luontevaa, koska asiakasymmärrys on parantunut ja toimintaa ei enää ohjaa pelkästään oman organisaation erilaiset kampanjat vaan relevantti tieto siitä mitä merkityksellistä asiakasyrityksissä ja heidän käyttäytymisessään on tapahtunut. Perinteinen huippumyyjä on ollut se, joka on ahkera, sitkeä ja erinomainen kommunikoija. Jatkossa myynnin top-listojen kärkeen nousevat yhä useammin ne, jotka ovat ymmärtäneet valjastaa datan omaksi henkilökohtaiseksi kartanlukijakseen.
Ehkäpä kaikkein suurin muutos on kuitenkin se, että data tekee meistä kaikista myyjiä, olimmepa osa virallista myynti- ja markkinointiorganisaatiota tai emme. Vielä nykyisin turhan harva tuoteinsinööri asiakkaalla käydessään hoksaa myydä mitään, koska se ei kuulu hänen toimenkuvaansa. Tulevaisuudessa asiakasdata on oikeaan aikaan oikeassa paikassa, ja silloin käyttöönottoprojektia asiakkaalle toteuttava tuoteinsinöörikin vetää silloin tällöin myyntihaalarit jalkaan ja tekee lisäkauppaa, koska siihen tarvittava tieto ja osaaminen saavuttaa hänetkin. Kuka tietää, ehkä vuonna 2020 me kaikki nauramme kymmenen vuoden takaisille ennustuksille myyntimiesten kuolemasta, kun meistä jokainen tekee enemmän tai vähemmän myyntiä?
