Hoe u uw bedrijf kunt laten groeien zonder de 'Big' voor 'Data' te zetten

Veel bedrijven die op zoek zijn naar manieren om hun toplineresultaten te verbeteren, horen we uitroepen: "Als we alleen maar Big Data technologie, systemen of... zouden hebben, dan zouden we onze commerciële prestaties drastisch kunnen verhogen" en inderdaad, voor sommige bedrijven zal dit waar zijn. Voor de meeste is dit echter verre van de realiteit.

Bij Big Data voor het verbeteren van commerciële prestaties gaat het niet alleen om het hebben van de feitelijke Big Data of de systemen om ermee te werken, maar ook - en dat is nog belangrijker - om de nieuwsgierigheid om daadwerkelijk in de gegevens te gaan graven en er waardevolle inzichten uit af te leiden.

Deze blog gaat over hoe je data kunt gebruiken om toplineresultaten te verbeteren, zonder de 'Big' ervoor. Noem het 'Medium Data' of zelfs 'Small Data'. In de afgelopen jaren ben ik veel interessante marketing- en salescases tegengekomen die aangeven dat met de juiste hoeveelheid nieuwsgierigheid en de bereidheid om te handelen naar aanleiding van inzichten, veel omzetgroei kan worden bereikt. Hoe vraag je dat? Lees verder!

Om het praktisch te houden, vind je hier 3 verhalen van typische top line verbeteringen, gebaseerd op 'medium of small' in plaats van 'Big' data gedreven inzichten. Aan het einde van deze blog vind je ook een 'algemeen recept' om tot deze waardevolle inzichten te komen.

Een leverancier van industriële onderhoudsdiensten had onlangs te kampen gehad met een terugval in de marktvraag en was op zoek naar manieren om zijn omzet te verhogen. Hoewel het bedrijf een database had van alle geïnstalleerde industriële apparatuur waarop ze onderhoudsservices konden uitvoeren, hadden ze deze gegevens nooit voldoende in detail bekeken om te zien op welke manieren dit tot betere resultaten zou kunnen leiden.

Na onze analyse van de gegevens, gecombineerd met de knowhow van de bedrijven op het gebied van industrieel onderhoud, ontdekten we dat de leeftijd van een bepaald deel van de totale geïnstalleerde basis de oorzaak was van de daling van de onderhoudsmarkt. Deze machines waren al 20 jaar in bedrijf en hadden hun eerste grote onderhoudsronde al achter de rug. De tweede zou over nog eens 10 jaar plaatsvinden.

Gelukkig stond een tweede deel van de wereldwijd geïnstalleerde basis op het punt om zijn grote onderhoudsperiode in te gaan, wat zou kunnen leiden tot verbeterde omzetresultaten voor onze klant. De gegevens gaven inzicht in welke typen machines het betrof en waar deze machines zich geografisch bevonden. Deze informatie vertelde het bedrijf waar ze hun verkopers naartoe moesten sturen en welke mogelijkheden ze aan hun klanten konden verkopen.

Een fabrikant van bouwproducten had voor elk van zijn drie belangrijkste productlijnen een aparte verkoopafdeling. Door deze strategie werd elke geografie (en zelfs sommige klanten) bediend door drie verschillende verkopers. Hun logica was dat de drie verschillende producten werden gekocht door een verschillende koper en in een verschillend koopproces.

Hoewel er slechts beperkte gegevens beschikbaar waren, ontdekten we toch dat deze logica niet klopte en dat de kopers en koopprocessen in feite precies hetzelfde waren voor deze verschillende productlijnen. We besloten om elke verkoper verantwoordelijk te maken voor alle productlijnen in een bepaalde regio en wezen verder veel kleinere geografische regio's toe aan de verkoopteams.

Het resultaat was dat elke verkoper nu een veel hogere dichtheid van klanten had in een kleinere regio en dat hij alle drie de productlijnen aan bijna elke klant kon verkopen. Dit verbeterde de klantcontacttijd van het verkoopteam met een indrukwekkende 50%. Dit leidde tot een aanzienlijke omzetgroei.

Een financiële dienstverlener had zijn hele markt gesegmenteerd op basis van het aantal cases dat een (potentiële) klant kon genereren. Ze gebruikten vijf segmenten die varieerden van slechts enkele cases tot een groot aantal cases. De voor de hand liggende uitkomst voor deze markt leidde tot zware verkoopdruk op bedrijven met veel cases en lichtere verkoopdruk op bedrijven met een kleiner aantal cases. Hun resultaten waren niet geweldig!

Door zorgvuldig te graven in hun financiële en klantgegevens ontdekten we dat er in feite drie soorten klanten waren. Elke klant creëerde een andere waarde voor het bedrijf.

• De grootste totale waarde kwam van klanten met zeer grote aantallen cases, maar deze cases waren allemaal klein in waarde, wat leidde tot kleine inkomsten per case.
• De laagste totale waarde kwam van klanten met minder kratten, maar een iets hogere waarde per krat.
• De belangrijkste waarde kwam van klanten met slechts een paar cases (dus niet aantrekkelijk in de oude segmentatiemethode), maar een zeer hoge waarde per case.

Het opnieuw toewijzen van marketing- en verkoopinspanningen aan deze laatste categorie leidde tot een toename van het aantal nieuwe contracten met belangrijke klanten van 15% - dit was bijna 5 keer zoveel als voorheen.

De bovenstaande drie voorbeelden laten zien dat er zelfs zonder Big Data nog veel te winnen valt door slim gebruik te maken van je 'medium' of 'kleine' data. Een 'generiek-altijd-werkend-recept' is niet vanzelfsprekend, maar er zijn wel enkele algemene lessen te trekken uit deze voorbeelden.

1. Nieuwsgierigheid is de sleutel

Uiteraard zul je nooit iets vinden als je de nieuwsgierigheid hebt om in je gegevens rond te dwalen. Het verkrijgen van bovenstaande inzichten en bijbehorende bedrijfsverbeteringen is een beetje als goudzoeken. Je weet nooit wat je precies kunt vinden, maar je moet ervan overtuigd zijn dat er ergens goud is. Verder moet je de nieuwsgierigheid hebben om er voortdurend naar te zoeken. Als je zelf niet zo nieuwsgierig bent, zorg dan voor iemand in je team die dat wel is.

2. Hypotheses opstellen, knelpunten vinden

Ten tweede moet je hypotheses formuleren over wat je groei zou kunnen belemmeren of stimuleren. Het slimste is om een trechter op te bouwen van alle (potentiële) klanten in de markt en de factoren die hun vraag stimuleren. Begin dan de ui te pellen:

• hoeveel van deze weten er van jou?
• met hoeveel heb je daadwerkelijk contact?
• hoeveel van hen zullen waarschijnlijk jouw klant worden?
• hoeveel daarvan daadwerkelijk (kunnen) converteren en jouw klanten worden?
• hoeveel van hen zijn al uw trouwe klanten?
• hoeveel van hen promoten jou binnen hun netwerk?

Als je dat hebt gedaan, stel je hypotheses op over wat potentiële klanten door deze trechter drijft en hoe je dit zou kunnen beïnvloeden. Zo'n analyse laat meestal zien waar de beperkingen in je markt of commerciële proces zitten en leidt je naar hypotheses voor mogelijke verbeteracties.

3. Relevante gegevens vinden

Als je je hypotheses voor verbeteracties hebt geformuleerd, ga dan op zoek naar de gegevens om te zien of je hypotheses kloppen.

• Voor het industriële onderhoudsbedrijf waren dat de geïnstalleerde machines en hun leeftijd.
• Voor de financiële dienstverlener bestonden deze gegevens uit de klanten, hun aantal zaken en de waarde per zaak.
• Voor de fabrikant van bouwproducten waren dit gegevens die de kopers van hun verschillende producten en hun koopproces beschreven.

Allemaal relatief kleine datasets, vaak met de hand samengesteld, maar desalniettemin uiterst nuttig om maatregelen te nemen die leiden tot betere top line resultaten.

4. Wees praktisch

Veel mensen die met gegevens werken, hebben de neiging om eerst uitgebreide databases en analysetools te bouwen en er dan pas mee aan de slag te gaan. Wij raden aan om de slanke aanpak te gebruiken. Begin zo snel mogelijk te werken met gegevens en bouw gaandeweg databases en tools. Dit kan tot spijt leiden (zoals meerdere niet-uniforme datasets die niet in één systeem passen), maar tempo is hier alles. Elke dag dat je een dataset niet gebruikt, kan iemand anders je voor zijn. Wees dus praktisch. Wees niet bang om te beginnen met meerdere spreadsheets, niet goed gedocumenteerde analyses etc.... Ga eerst aan de slag en optimaliseer later.

5. Doe iets!

Last but not least, ACT! Laten we eerlijk zijn, de meeste analyses belanden onaangeroerd of zonder actie in een lade. Wat zonde en wat een verspilling. Dus, zodra je gegevens hebben geleid tot een potentiële bedrijfsverbetering, zet dan een klein experiment op dat leidt tot tastbare resultaten (en dan opschalen!) of tot teleurstelling (het werkte niet). Je manier van werken veranderen door een experiment te starten is meestal gemakkelijker te realiseren dan via grote procesverbeteringen of organisatieveranderingen. Als je de waarde van een nieuwe manier van werken hebt bewezen via een kleinschalig experiment, is het veel gemakkelijker om op te schalen dan om een hele organisatie te laten veranderen alleen op basis van een business case of een onbewezen theorie of concept.