Big Data und die Implementierung von agilem Verkaufen
Cold-Calling ja, aber…
Früher feierten wir Verkäufer, welche 20, 30, 50 Anrufe für einen Termin getätigt haben. Wie viele dieser Anrufe waren Zeitverlust, weil sie jemand angesprochen haben, der niemals gekauft hätte?
Wenn wir sehen, dass eine Firma, die in der Vergangenheit im Durchschnitt immer ca. zwanzig Stellenangebote publiziert hatte und jetzt keine, ihre Kreditwürdigkeit gerade von A auf C heruntergestuft wurde und sie gerade zwei Büros geschlossen hat, würden wir dort anrufen, um Bürobedarf zu verkaufen? Das wäre sehr wahrscheinlich sinnlos.
Wir haben heute viel mehr Informationen und sehr spezifische Parameter, um die Kauferfahrung personalisierter zu gestalten.
Jetzt rufen wir an und sagen:
„… ich sehe, dass Sie zwanzig neue Personen einstellen. Möglicherweise brauchen Sie mehr Arbeitstische und Stühle. Vielleicht brauchen Sie auch mehr Tonerpatronen für Drucker, da Sie normalerweise jede sechs Wochen bestellen und Ihre letzte Lieferung vor acht Wochen stattgefunden hat…“.
Damit erreichen wir:
eine effizientere Verkaufsarbeit (nicht alle Leads werden bearbeitet, sondern nur diejenigen, welche wirklich und bewiesenermassen „heiss“ sind)
eine höhere Präzision in der Akquise (da die Wahrscheinlichkeit eines Abschlusses beweisbar höher ist)
eine hoch personalisierte Kundenerfahrung dank eines massgeschneiderten, kontextuellen Kundengesprächs.
Noch mehr Beispiele gefällig?
Zu den möglichen Big Data-Quellen für diese Art „vorhersagende Verkaufs-Analyse“ zählen z.B. Personaländerungen in der Führungsebene, neue oder mehr Mitarbeiter, Patentanmeldungen, Eröffnung neuer Büros, neue Finanzierungen und vieles mehr abhängig vom Businessumfeld.
Die ideale Mischung kommt von firmeneigenen Daten und Informationen aus Nachrichten und sozialen Medien.
In der Vergangenheit, haben die Verkäufer alle Interessenten gleich eingestuft. Heute brauchen sie mehr als nur Instinkt, um erfolgreich zu sein. Hier ist es wo die „vorhersagende Verkaufs-Analytik“ (predictive sales analytic) die Hauptrolle spielt.
Dieses Konzept ist für alle Arten von Business geeignet, auch für non-profit-Organisationen. Ein Beweis dafür? Wie schätzen wir die Wahrscheinlichkeit ein, dass jemand spenden will / kann und noch dazu in etwa wieviel?
Mit unzureichenden Informationen riskieren wir entweder auf Spendengelder zu verzichten, oder zu viel, bzw. zu wenig anzupeilen.
Diese Problematik löst z.B. Raiser‘ Edge, eine Fundraising- und Spendenmanagement-Software. Zusammen mit historischen Daten (Spenden-Gewohnheiten in der Vergangenheit) kann diese Lösung Informationen aus zahlreichen Quellen über (z.B.) Grundeigentum und dessen Bewertung, Spenden an andere Organisationen, Einkommens-Daten aus Geschäftsberichten und Beiträgen an politische Organisationen kombinieren.
Damit wird der Spender sehr genau vorqualifiziert und das Gespräch mit ihm zielgerecht geführt mit einer sehr hohen Erfolgswahrscheinlichkeit.
Die Krönung der persönlichen Iteration ist erreicht, wenn die Technologie die Verkäufer informiert und ihnen erlaubt, ihren Kunden mit einer einzigartigen Erfahrung basiert auf individuelle Situationen zu begeistern.
Wir sprechen von einer agilen Verkaufsstrategie, welche der seinerseits one-size-fits-all-Verkaufsaufwand in modernen just-in-time Verkaufs-Agilität umwandelt.
Welche Beispiele haben Sie für diese Agilität an der Schnittstelle zwischen Verkauf und Analytik?
Ich freue mich auf Ihre Erfahrungen.
