Хотя запуск любой инновации сопряжен с трудностями, мы выявили пять главных шагов, которые сокращают время достижения результатов.
1. Создайте виртуальный контур сотрудничества между сейлами и специалистами по анализу данных
При запуске стратегии роста, основанной на данных, тесное сотрудничество между командами маркетинга, продаж, Customer Success и поддерживающими их командами Data Science имеет решающее значение. Для достижения максимального бизнес-эффекта необходимо, чтобы полевые команды адекватно определяли и описывали свои цели, чтобы модели машинного обучения были оптимизированы для решения наиболее важных бизнес-задач.
Построение эффективного сотрудничества достигается путем создания непрерывных циклов сотрудничества между Sales и Data Science. Используя этот итеративный подход, команды учатся друг у друга и устанавливают взаимовыгодные отношения. Чтобы ускорить эти отношения, обе команды должны привлечь правильное руководство. Руководители команд Data Science в идеале должны иметь личный опыт линейного руководства, чтобы они действительно понимали своих коллег и бизнес-задачи с которыми они сталкиваются. А лидеры продаж должны демонстрировать страсть к влиянию Data Science на бизнес и как минимум, понимать основные возможности машинного обучения.
Как начать: Создайте основную команду BIA (Business Impact from Analytics) с представителями бизнес-функций, а также специалистов Data Science и начните целенаправленную работу по созданию максимального воздействия DS на бизнес. Добейтесь быстрых побед, чтобы набрать обороты.
Как разработать политику управления данными
2. Применяйте гибкий подход, чтобы быстро продвигаться по кривой обучения
Подобно тому, как внедрение гибких методологий значительно улучшило разработку программного обеспечения, гибкий подход к решению бизнес-задач с помощью машинного обучения снижает риск неудачных проектов. Учитывая вечный цикл совершенствования в этой среде, где победитель получает больше, очень важно не упираться в перфекционизм, а выдавать полуфабрикат максимально быстро. Обучение на практике - единственный способ освоить возможности машинного обучения.
Может возникнуть соблазн применить ML к широкому кругу задач маркетинга и продаж. Однако, определение узкой области, в которой существует проблема принятия решений, а затем перевод ее в четко сформулированную постановку задачи помогает сфокусировать усилия и получить максимальный результат. Быстрый переход от понимания к действию гарантирует, что команда постоянно думает не только о том, что показывают данные, но, что еще более важно, как их можно использовать для повышения эффективности бизнеса.
RevOps командам необходимо потратить время, чтобы сформировать базовое понимания технологии машинного обучения и того, как эффективно и результативно работать с этими новыми инструментами. Роль команд RevOps заключается в повышении эффективности принимаемых ими решений благодаря новым знаниям, предоставляемым машинным обучением. Результаты больше не нужно угадывать, их можно моделировать и прогнозировать при наличии достаточного количества исходных данных. Результаты работы ML могут быть ошеломляющими, и потребуется некоторое время, чтобы научиться принимать обоснованные решения, основанные на данных. Необходимо применять здравое деловое суждение для оценки подходящего момента для принятия мер.
Поэтому важно на ранних стадиях внедрения ML найти быстрые победы, не требующие больших затрат, а не пытаться сначала решить самые сложные задачи. Быстрые победы часто можно найти в области скоринга лидов, прогнозирования пайплайна и прогнозирования риска черна.
Как начать: Создайте курс "Аналитика 101" для RevOps и убедитесь, что вы наглядно продемонстрировали, как аналитика может улучшить их повседневную производительность и помочь им превзойти свои цели. Особенно хорошо заходят реальные кейсы на пилотной команде, которая добивается лучшего прогресса, по сравнению с остальными.
90% данных в вашей CRM можно выбросить на помойку
4. Работайте с данными, которыми вы уже владеете, параллельно заполняя пробелы
Слишком многие организации считают, что у них недостаточно данных или нужных данных, чтобы начать работу. Хотя всегда будет необходимость собирать еще больше данных, большинство компаний уже имеют достаточно данных для использования инструментов ML, и не стоит ждать создания идеального набор данных.
Кроме того, успешные пользователи ищут данные, которые могут быть не видны. Например, многие CRM-системы ведут полную историю пайплайна, не все из этих данных доступны через стандартный пользовательский интерфейс. Используя API, эти данные можно собирать и анализировать для улучшения моделей прогнозирования доходов и окупаемости маркетинга.
Как начать: Нет причин ждать лучших данных. "Копайте там, где стоите" и добавляйте дополнительную информацию по мере ее обнаружения.
Возможностей для использования данных в целях стимулирования роста/продаж будет много, и если начать с небольших корректировок в подходе go-to-market, то это приведет к более широким и эффективным инициативам по изменению. Если первое можно осуществить силой воли нескольких сильных лидеров, то второе требует скоординированных, программных усилий.
Успешные команды избегают зацикливания на технологиях и рассматривают влияние операционных изменений от каждой рекомендации. Они оценивают готовность и желание RevOps принять каждое изменение. В случаях, когда изменения значительны и сопротивление может быть высоким, следует инициировать программу управления изменениями, чтобы получить ощутимые преимущества для бизнеса от Data Science.
Как начать: Найдите одного чемпиона в бизнес-команде и одного в команде Data Science, которые могут стать героями BIA вашей компании. Вы поблагодарите их за их усилия, когда обойдете конкурентов).