Casen tausta ja tavoitteet
Asiakkaamme haaste
Casen asiakas on tunnistanut tarpeen kehittää myynnin tavoiteasetannan ja tulosseurannan käytäntöjä. Tavoitteena on pystyä seuraamaan myynnin suoriutumista tarkemmin, ja onnistua tunnistamaan ajoissa myyntitulosta ajavat muuttujat ja vaikuttamaan näihin proaktiivisemmin. Talousosasto on kuitenkin jo tällä hetkellä raskaasti työllistetty, joten uudet käytännöt eivät saa aiheuttaa lisää manuaalista analyysi- ja raportointityötä.
Asiakas sanoi: ”Tällä hetkellä tavoiteasentanta on hyvin rakas prosessi, sisältäen paljon manuaalista lukujen murskausta ja pyörittelyä. Se vie paljon aikaa meidän osaavilta controllereilta ja analyytikoilta, joiden aikaa mielellään käyttäisimme tuottavampaankin työhön, kuten tulosten analysointiin ja päätöksentekoon osallistumiseen. Lisäksi meillä ei ole yhteisiä ja säännöllisiä tapoja raportoida ja seurata myynnin suoriutumista tavoitteita vastaan. Tulosseurannan raporttien sisältö sisällöt eivät ole aina yksiselitteisiä tai ymmärrettäviä.
Tämän vuoksi myös myynnin suoriutumisen tarkempi ymmärrys (tavoitteita vastaan), eri osa-alueet ja tärkeimmät ajurit perustuvat tällä hetkellä liian paljon myyntitiimien mutu-tuntumaan eikä tietoa tai hyviä käytäntöjä jaeta esimerkiksi eri markkina-alueiden, avainasiakkuuksien ja tuoteryhmien välillä tarpeeksi hyvin.”
Keskeiset selvitettävät kysymykset
- Mitä on tapahtunut: miten myynti on jakautunut eri kuukausille, asiakkaille, maille, tuoteryhmille jne. historiassa? Onko myynnille asetetut tavoitteet saavutettu, ja miten alkuvuoden myynnin kasvuvauhti ennakoi loppuvuoden kehitystä?
- Miten ja miksi on tapahtunut: antaako data jotain viitteitä syistä, miksi myyntitavoitteita on tai ei ole pystytty saavuttamaan?
- Miten älykäs automaatio voi auttaa näiden kokonaisuuksien hallinnassa: miten myynnille voi asettaa tavoitteita useassa eri ulottuvuudessa, ja miten seurata suoriutumista tavoitteita vastaan?
Keskeiset tulokset
Mitä tietoa analyysimme antoi?
- Käsittelimme myös lyhyesti miten älykkäällä automaatiolla pystytään tukemaan sofistikoitunutta tavoiteasetantaa ja tulosseurantaa, ja minimoimaan manuaalista työtä, jota perinteisillä työkaluilla aiheutuisi.
- Rakensimme automatisoidun työjonon joka laskee myynnille tavoitteet useassa eri ulottuvuudessa yhtäaikaisesti: kokonaistavoite, markkina-aluekohtaiset tavoitteet, sesonkikohtaiset tavoitteet, ja avainasiakaskohtaiset tavoitteet. Malli ottaa huomioon kaikki ulottuvuudet, ja tarkentaa niitä dynaamisesti sitä mukaa kun yhdessä ulottuvuudesssa tehdään uusia oletuksia.
- Lisäksi tarkastelimme tavoitejakson (kalenterivuosi) puolivälissä miten myynti on siihen mennessä selviytynyt kokonaisuudessaan ja erityisesti missä maissa ja asiakkuuksissa löytyy eniten petrattavaa asetettuihin tavoitteisiin nähden, ja miksi.
- Pyrimme myös mallintamaan hyvin yksikertaisella aikasarjamallinnuksella, miten myynti tulee suoriutumaan loppuvuoden aikana (tulevaisuudessa), alkuvuoden menestyksen perusteella.
Mitä hyötyä pystyimme luomaan?
- Älykästä automaatiota hyödyntäen monimutkaisetkin ja pieniin osiin pilkotut tulostavoitteet pysytään määrittelemään, laskemaan ja muokkaamaan hyvin pienellä vaivalla. Yhtä helposti pystytään seuraamaan myynnin suoriutumista näistä tavoitearvoja vastaan
- Asiakas sai visuaalisessa muodossa uutta ja pitkälle jalostettua tietoa omista markkina-alueista, asiakkaista ja tuotteista. Näin lisätään ymmärrystä myynnin keskeisistä ajureista, ja tunnistetaan mistä löytyy eniten kehitettävää ja toisaalta opittavaa
- Asiakas sai käyttöönsä valmiit tulokset nopeasti ja tehokkaasti Datainsiten toimittamana. Näin asiakkaan henkilöstö pystyi keskittymään tulosten tulkintaan ja toimenpiteiden suunnitteluun kun aikaa ei mennyt datan ja analyysien työstämiseen
- Älykkäällä automaatiolla varmistamme jatkossa, että analyysit ovat nopeasti toistettavissa tasaisin väliajoin, ja toiminnan kehitystä pystytään helposti seuraamaan
- Kokemukseemme perustuen tarjoamme käytännön neuvonta- ja sparrausapua myynni raportoinnin kehittämisessä, kuten strategian ja tavoitteiden määrittelyssä, mittareiden suunnittelussa ja implementoinnissa, sekä käytännön kehitystyön tyypillisimpien ”sudenkuoppien” tunnistamisessa
Analyysien toteutus ja yksityiskohtaiset tulokset
Tämä artikkeli käsittelee kuinka myynnin suoriutumista ja asetettujen myyntitavoitteiden täyttymistä voidaan mitata, miten tunnistaa helposti ja nopeasti alueita joissa myynti suoriutuu hyvin, ja toisaalta millä alueilla myynnin suoriutuminen on heikointa tavoitteisiin nähden. Pyrimme myös osoittamaan, että älykkäällä automaatiolla pystymme nopeuttamaan merkittävästi tavoiteasentantaan ja suoriutumisen seurantaan liittyviä rutiinitehtäviä, jotta aikaa jää enemmän tavoitteiden suunnitteluun, tulosten analysointiin ja päätöksentekoon. Kehittyneellä business intelligence -osaamisella ja datalla johtamisella voidaan myös kehittää myynnin suoriutumisen mittaristoa, joka antaa mahdollisuuden myynnin yksityiskohtaisempaan budjetointiin, tavoitteiden asettamiseen ja suunnitteluun – mikä taas johtaa suurempaan liikevaihtoon ja parempaan kannattavuuteen. On hyvä kuitenkin ymmärtää että tämä artikkelin tarkoitus ei ole antaa suoria neuvoja siitä minkälaisia myynnin tavoitteita tulisi asettaa tai minkälainen päätöksentekoprosessi tavoitteiden määrittelylle tulisi olla. Nämä riippuvat hyvin paljon liiketoiminnasta ja toimialasta, eikä niitä voi – tai tulisi yrittääkään – sovittaa yhteen ja samaan muottiin.Tämän casen fiktiivinen asiakas myy kulutustuotteita maailmanlaajuisesti jakelijoille ja jälleenmyyjille. Maailmanlaajuisesta toiminnansta huolimatta tarkastelemme vain Euroopan markkinoita casessa. Tarkasteltavaksi organisaatioksi on tarkoituksella valittu tarpeeksi iso ja myynniltään monimuotoinen organisaatio, sillä myynnin analyyseissa pitää pystyä tarkastelemaan monestakin eri näkökulmasta mahdollisia ajureita ja syy-seuraussuhteita. Näin ollen pyrimme myös osoittamaan että jos analyysit toimivat isoissa ja monimutkaisissa kokonaisuuksissa, loogisesti päätellen ne tulisivat toimia myös yksinkertaisemmissa ja pienemmissä organisaatioissa.
Mitä on tapahtunut: miten myynti on jakautunut eri kuukausille, asiakkaille, maille, tuoteryhmille jne. historiassa? Miten myynnille voi asettaa tavoitteita useassa eri ulottuvuudessa, ja miten älykäs automaatio voi tässä auttaa?
Kuvaajassa 1 esitetään edellisen vuoden myyntiluvut. Luvut saadaan suoraan raa’asta transaktiodatasta joka on ajettu ulos toiminnanohjausjärjestelmästä, ja yhdistetty toimipaikka- ja asiakas-masterdataan. Kuvasta huomaamme että toiminta on kausiluonteista ja suurimmat myyntisesongit keskittyvät joulunalusaikaan ja kesään. Keskisyksy ja -kevät ovat hiljaisempaa aikaa myynnin osalta.
Seuravaksi asetetaan myynnille tavoitteet. Määritellään ensin joitain olettamuksia myynnin tavoitteista. Oletetaan että casen organisaatio on asettanut konserninlaajuisen 10 prosentin kasvutavoitteen myynnille. Ennen tavoitatasojen asettamista liikkeenjohto on jo miettinyt ja määritellyt myynnin tärkeimmät fokusalueet, joiden kehittämiseen tullaan erityisesti panostamaan, jotta 10 prosentin kasvutavoite saavutettaisiin. Näitä fokusalueita käsitellään tarkemmin alla. Ennen kuin menemme eteenpäin tarkastelemaan eri fokusalueiden tavoitteita, on hyvä ymmärtää mallistamme pari asiaa:
- Kun kasvutavoite nousee joillekin fokusalueille, kuten kohdemaalle, kuukausille tai asiakkuuksille, tulee muiden alueiden kasvutavoite laskea saman verran suhteessa kokonaiskasvutavoitteeseen, jotta kokonaiskasvutavoite pysyy 10 prosentissa.
- Jos spesifejä kasvutavoitteita asetetaan monelle eri fokusalueelle yhtäaikaisesti, esim. sekä kohdemaalle, kuukausille että asiakkuuksille, tulee nämä allokoida keskenään, ja lopullinen absoluuttinen kasvutavoite määräytyy missä kohdemaassa, minä kuukautena ja mille asiakkaalle myyntitavoite asetetaan, jotta kokonaiskasvutavoite pysyy 10 prosentissa.
- Toisin sanoen, vaikka maakohtaisissa tavoitteissa maalle määriteltäisiin kasvutavoitteeksi tasan 20%, sen lopullinen laskettu tavoite ei välttämättä ole tasan 20 %, koska maakohtaiseen tavoitteeseen vaikuttaa sesongit ja avainasiakaskohtaiset tavoitteet.
Katsotaan tätä seuraavaksi käytännössä casen datan avulla. Näille fokusalueille määritellään spesifit kasvutavoitteet:
- Kuvaaja 2: Ensinnäkin, liikkeenjohto on tunnistanut neljä selkeää kasvumarkkinaa: Iso-Britannia, Puola, Ranska ja Saksa. Näillä alueilla tavoitellaan 10 prosenttiyksikköä keskimääräistä suurempaa kasvua, 20% kasvua. Toisaalta, liikkeenjohto on nähnyt ettei Pohjoismaissa markkinaosuus on jo niin suuri ettei ole realistista tavoitella aivan konserninlaajuista 10 prosentin kasvutavoitetta, joten Pohjoismaille asetetaan 7% kasvutavoite.
- Kuvaaja 3: Tuotteiden kysyntä on kausiluonteista, ja vuodessa on kaksi selkeää sesonkia: joulunalus ja alkukesä. Liikkeenjohto on määritellyt että joulunalusaikana (marras-joulukuu) tavoitellaan 5 prosenttiyksikköä suurempaa kasvua kuin muina kuukausina, eli 15% kasvua.
Kuvaaja 4: Lisäksi liikkeenjohto on asettanut spesifioidut kasvutavoitteet tietyille avainasiakkuuksille. Oletus on että yhteensä 11 asiakkaan myynti kasvaa 5% keskimääräistä enemmän. Nämä asiakkaat ovat siis myös suurimpien joukossa yllämainituilla kasvumarkkinoilla.
Kuten yllä mainittiin, kun tiettyjen markkinoiden kasvutavoite nousee, ”muiden markkinoiden” kasvutavoite tulee laskea saman verran suhteessa kokonaiskasvutavoitteeseen, jotta kokonaiskasvutavoite pysyy 10 prosentissa. Sama pitää huomioida myös kuukausi- ja asiakaskohtaisia tavoitteita asetettaessa. Tälle voidaan määritellä laskentakaava myös matemaattisesti. Esimerkiksi maille se on:
Samanlainen laskutoimitus tehdään ensin maakohtaisille tavoitteille, sitten kuukausikohtaisille tavoitteille ja lopuksi asiakaskohtaisille tavoitteille. Lopputuloksena saamme useamman näihin ulottuvuuksiin pilkotut kasvutavoitteet, ja niiden mukaiset euromääräiset myyntitavoitteet summautuvat samaan lukuun kuin 10% kokonaistavoite.
Vasemmassa reunassa löytyy maakohtainen jaottelu, ylempänä karttanäkymästä ja alempana maat listattuna järjestykseen edellisvuoden myynnin ja tämän vuoden tavoitteen perusteella. Punaisen värin tummuus kertoo myös tavoitteiden koosta – mitä tummempi, sitä suurempi kasvutavoiteprosentti. Värit erottavat selkeästi ne maat joille asetetiin muita korkeampi kasvutavoite: Iso-Britannia, Puola, Ranska ja Saksa. Huomionarvoista on (kuten yläpuolella teoriaosuudessa käsiteltiin), ettei näidenkään maiden kasvutavoite ole tasan sille määritelty 20%, eikä muidenkaan maiden prosentuaaliset kasvutavoitteet ole keskenään saman suuruisia. Tämä johtuu sesonkikuukausille ja valituille avainasiakkaille spesifioiduista tavoitteista. Kuvaajassa 6 (alla) nähdään esimerkki tästä kun vertaillaan Iso-Britanniaa ja Puolaa.
Sekä sesonkiajan myynnissä että avainasiakkuuksien kasvuodotuksissa nähdään eroja näiden kahden välillä: sesonkiaika edusti viime vuonna Iso-Britannissa 24,6 % koko vuoden myynnistä ja Puolassa vain 19,8 %. Lisäksi Isossa-Britanniassa odotetaan poikkeuksellisen kovaa kasvua kahdelta kolmesta sen suurimmista asiakkaista. Puolassa taas myynti 1) keskittyy enemmän yhdelle isoimmalle asiakkaalle ja 2) poikkeuksellisen suurta myyntiparannusta ei odoteta tältä, ja muutenkin vain yhdeltä kolmesta suurimmasta asiakkuudesta. Näin ollen Isossa-Brintanniassa on järkevääkin tavoitella kokonaisuudessaan hieman kovempaa kasvuvauhtia kuin Puolassa.
Kuvaaja 6 Ranskan ja Puolan erot tavoitteissa
Myös sesonkiajat ja niiden merkiitävyys koko vuoden myynnistä näkyy tavoitteissa. Kuvaajassa 7 nähdään esimerkki Suomen markkinoilta. Suomen markkinoille ei ole asetettu erityistä maakohtaisia tavoitetta, eikä yhdellekään Suomen markkinoille allokoidulle asiakkaalle ole asetettu asiakaskohtaista tavoitetta. Silti esimerkiksi kahdelle suurimmalle asiakkaille myyntitavoitteet ovat hyvin erilaisia. Kun kasvutavoite koko Suomen markkinalle on 5,7 %, suurimman asiakkaan kasvutavoite 5,9 % on huomattavasti suurempi kuin toiseksi suurimman asiakkaan kasvutavoite 4,9 %. Tämä johtuu siitä (muun muassa) että suurimman asiakkaan, jonka myyntitavoite on korkeampi, myynti on hyvin keskittynyt sesonkiaikaan, ja kun taas toiseksi suurimmalla asiakkaalla myynti ei keskity juurikaan sesonkiaikaan.
Kuvaaja 7 Suomen markkinoiden kaksi suurinta asiakasta ja niiden kasvutavoitteen muodostuminen
Älykkäällä automaatiolla pystymme rakentamaan työjonon joka nopeuttaa kasvutavoitteiden laskentaa ja poistaa manuaalisen laskennan kokonaan. Oikein rakennettuna älykkään automaation malli mahdollistaa myös tavoitemääreiden ja -tasojen nopean muokkauksen, ja tavoitteiden ristivaikutuksien yksityiskohtaisen laskemisen esimerkiksi jokaiselle markkina-alueelle, kuukaudelle, asiakkuudelle, tai mille tahansa ukottuvuudelle jolle halutaan asettaa tavoite. Perustason BI-työkaluja (Excel, Access, Powerpoint yms.) tällaisen analyysin tekemiseen kestäisi helposti tunteja, jopa päiviä, riippuen transaktioiden määrästä, asetetuista tavoitteista ja analysoijan kokemuksesta. Älykkäällä automaatiolla sama voidaan tehdä muutamassa minuutissa. Näin analyytikot, controllerit ja muut asiantuntevat henkilöt voivat käyttää aikansa tuottavampaan työhön, eli tulosten analysointiin ja tiedolla johtamiseen.
Mitä on tapahtunut: onko myynnille asetetut tavoitteet saavutettu? Miten alkuvuoden myynnin kasvuvauhti ennakoi loppuvuoden kehitystä, miten älykäs automaatio voi auttaa meitä mallintamaan tulevaa myyntiä?
Kuvaajassa 8 näemme yleiskatsauksen vuoden myynnin suoriutumisesta tavoitteita vastaan, kun vuotta on mennyt 6 kk (tammi-kesäkuu). Vuoden loput kuukaudet on ennustettu viimeisen 3 kk rullaavan myynti vs. tavoite -keskiarvon perusteella.
Huomaamme että Euroopan kokonaismyynti on lähes tavoitteiden tasolle mutta kuitenkin hieman jäljessä (-0,1 %), ja ennustekin loppuvuodelle on myös negatiivinen (-0,3 %). Sesonkikausi (marras-joulukuu) tulee olemaan kuitenkin hyvin kriittinen lopputuloksen kannata, koska niille kuukausille on ajoittuu suurin osa vuosittaisesta myynnistä ja niille myös asetettiin poikkeuksellisen isoja kasvutavoitteita. Jos sesonkikautena jäädään tavoitteista suhteessa yhtä paljon kuin aiempina kuukausina, voidaan odottaa että vuotuisesta tavoitteesta jäädään n. 1,5 miljoonaa euroa (-0,3 %). Pystymme vasemmalla reunalle olevista palkkikuvioista myös huomaamaan, että tavoitteisiin on osittain päästy mutta osittain ei. Näin on käynyt sekä poikkeuksellisien myyntitavoitteiden maiden ja tuotteiden (tummat palkit) osalta, että muidenkin maiden ja tuotteiden osalta. Palataan tähän vielä tarkemmin seuravaassa osiossa (’miksi on tapahtunut?’).
Älykkäällä automaatiolla pystymme rakentamaan työjonon joka nopeuttaa myyntiennusteen laskentaa. Tässä casessa tyydymme tekemään yksinkertaisen ennusteen perustuen edellisten kuukausien myyntilukuihin. Hypoteesina: onko edellisinä kuukausina tavoite täyttynyt kyseessä oleville maille ja tuotteelle. Jos dataa löytyy kyseessä olevalle tuotteelle ja maalle viimeisen 3 kuukauden ajalta, käytetään 3 kuukauden rullaavaa keskiarvoa, jos löytyy vain viimeisen 2 kuukauden ajalta, käytetään 2 kuukauden rullaavaa keskiarvoa, ja jos vain 1 kuukauden ajalta, käytetään 1 kuukauden arvoa. Matemaattinen kaava tälle on:
Ennusteen tekeminen on myös hyvin riippuvainen organisaation ja toimialan luonteesta. Yksi mielenkiintoinen lisämuuttuja ennusteeseen voisi olla esim. kuinka hyvin poikkeuksellisia sesonkiaikojen myyntitavoitteita on aiemmin pystytty saavuttamaan.
Miksi on tapahtunut: antaako data jotain viitteitä syistä, miksi myyntitavoitteita on tai ei ole pystytty saavuttamaan?
Kuvaaja 9 eri maiden suoriutuminen myynnin kasvutavoitteita vastaan. Korkean tavoitetason, matalan tavoitetason ja muut mmat eriteltynä
Katsotaan seuraavaksi dataa hieman tarkemmin. Keskitytään erityisesti fokusalueisiin, eli fokusmaissa ja -asiakkuuksissa myyntitavoitteet ollaan saavutettu ja toisaalta missä tavoitteista ollaan jäljessä. Kuvaajassa 9 näemme että neljästä korkean tavoitetason maasta:
- Yksi korkean myyntikasvutavoitteen maa (Ranska) on ylittänyt tavoitteet 4,3 prosentilla
- Kolme korkean myyntikasvutavoitteen maata (Iso-Britannia, Puola ja Saksa) ovat kasvutavoitteesta jäljessä. Eniten jäljessä on Saksa (-2,8 %) ja vähiten jäljessä Iso-Britannia (-0,5 %)
- Pohjoismaat, joilta ei odotettu niin suurta kasvua, ovat 0,6 prosenttia kasvutavoitteen yläpuolella. Ainoastaan Norja on jäänyt tavoitteestaan
- Muut 32 maata (joille ei ole asetettu niin kunnianhimoisia myyntitavoitteita) ovat kokonaisuudessaan suoriutuneet juuri tavoitteiden mukaisesti, 22 maassa myynti on ylittänyt tavoitteet ja 10 maassa myynti ei ole yltänyt tavoitteisiin
Kuvaaja 10 poikkeuksellisen korkean kasvutavoitteen asiakkaat
Yksi mielenkiintoinen kysymys on, pystyttiinkö näissä maissa pääsemään niiden asiakkaiden osalta tavoitteisiin, joille määriteltiin poikkeuksellisen suuri myyntitavoite, ja onnistuttiinko näiden asiakkaiden osalta ns. ”muita asiakkaita paremmin”. Kuvaajassa 10 näemme että yhteensä 11 asiakkaalle on spesifioitu tavallista korkeampi myynnin kasvutavoite. Kaikki nämä asiakkaat löytyvät korkean tavoitetason maista ja niiden tavoitteet ovat täyttyneet seuraavasti:
Kuvaaja 11 Ranskassa (FR), jossa kokonaismyyntitavoite ylittyi (4,3 prosentilla): kaikki korkeamman myyntitavoitetason asiakkaista ovat selvästi saavuttaneet niille asetetut tavoitteet, ja näiden osalta yhteenlaskettua kasvua on tullut 14,6 prosenttia. Muiden asiakkaiden osalta kasvua tuli n. 0,6 prosenttia eli ei niin paljoa. Kuitenkin avainasiakkuuksien hyvän tuloksen vuoksi Ranska on saavuttanut sille asetetun kokonaistavoitteen.
Kuvaaja 11 Ranska: poikkeuksellisen suurten kasvutavoitteiden avainasiakkaiden suoriutuminen tavoitteita vastaan, ja verrattuna muihin asiakkaisiin
Kuvaaja 12 Iso-britanniassa (GB), jossa kokonaistavoitteesta ollaan himen jäljessä (-0,5 %): kahdesta poikkeuksellisen suuren myyntitavoitteen avainasiakkaasta toinen on ylittänyt tavoitteet ja toinen on jäänyt tavoitteista. Yhteenlaskettuna nämä ovat jääneet hieman (-0,5 %) tavoitteesta. Koska myös suurin osa muista asiakkaista jäivät myyntitavoitteistaan (yhteenlaskettuna 0,6 %), Iso-Britannia on hieman kokonaismyyntitavoitettaan jäljessä, mutta ei kuitenkaan niin merkittävästi, ettei eroa pystyisi kuromaan umpeen onnistuneella joulusesongilla.
Kuvaaja 12 Iso-Britannia: poikkeuksellisen suurten kasvutavoitteiden avainasiakkaiden suoriutuminen tavoitteita vastaan, ja verrattuna muihin asiakkaisiin
Kuvaaja 13 ja 14 Saksa (DE) ja Puola (PL) jäävät myyntitavoitteistaan yhteenlaskettuna 2,5 % (Saksa 2,8 % ja Puola 1,8 %): näistä maista vain yksi viidestä korkeamman tavoitetason avainasiakkaasta pääsi tavoitteeseensa. Yhteenlaskettuna avainasiakkaat jäivät tavoitteesta 5,5 prosenttia (Saksassa 6,1 % ja Puolassa 2,6 %). Myöskään suurin osa muista asiakkaista ei saavuttanut tavoitteitaan, ja yhtenlaskettuna nämä jäävät -1,7 prosenttia tavoitteestaan (Saksa -1,6 % ja Puola 1,7 %).
Kuvaaja 13 Saksa: poikkeuksellisen suurten kasvutavoitteiden avainasiakkaiden suoriutuminen tavoitteita vastaan, ja verrattuna muihin asiakkaisiin
Kuvaaja 14 Puola: poikkeuksellisen suurten kasvutavoitteiden avainasiakkaiden suoriutuminen tavoitteita vastaan, ja verrattuna muihin asiakkaisiin
Näyttäisi siltä että tässä tapauksessa löytyy selkeä korrelaatio maakohtaisten ja avainasiakkuuksien tavoitteiden saavuttamisen välillä, eli jos maan ”avainasiakkuuksien” tavoitteet saavutettiin, saavutettiin silloin myös maakohtainen tavoite. Ranskassa, jossa kokonaistavoitteet saavutettiin, poikkeuksellisten suurten myyntitavoitteiden avainasiakkaiden kasvu oli jopa selkeästi kovempaa kuin muiden asiakkaiden. Toisaalta Saksa ja Puolassa, jossa tavoitteista jäätiin, avainasiakkaat jäivät suhteessa vielä enemmän tavoitteistaan kuin muut asiakkaat.
Tämä on sinänsä intuitiivista, jos liikkeenjohdon strategia oli kasvattaa myyntiä etunenässä suurimpien asiakkaiden kautta niillä markkinoilla, joissa oli vielä varaa kasvaa. Vaikkakaan pelkästä datasta on vaarallista vetää liian pitkälle johtopäätöksiä siitä mitkä syyt ovat johtaneet avainasiakkuuksien menestykseen tai epäonnistumiseen ja tai mitä pitäisi tehdä seuraavaksi, on varmasti järkevää tämä pohjalta tutkia empiirisesti mitä on tehty eri tavalla esim. Ranskassa, Saksassa ja Puolassa. Tämän jälkeen voidaan jakaa tietoa ja hyviä käytäntöjä näiden maiden välillä, jotta mahdollisimman moni korkean tavoitetason maat pääsisi tavoitetasolleen loppuvuoden aikana.
Bonus: miten myynti on kasvanut suurimpien tuotteiden osalta?
Vaikka tässä casessa emme asettaneet tuotteille tai tuoteryhmille spesifioituja tavoitteita, niiden lisääminen malliin onnistuu älykästä automaatiota hydöyntämällä varsin vaivattomasti vain muutamalla hiiren klikkauksella. Lisätään tuoteaspekti allokointimalliin, jossa aiemmin oli mukana maat, asiakakat ja kuukaudet. Sen jälkeen muokatun työjonon juoksutus kestää muutaman minuutin, ja tulokset ovat valmiina ja allokoituna myös tuotteille. Tuotteiden kasvutavoiteprosentti tässä tapauksessa siis määräytyy muiden asetettujen kasvutavoitteiden osalta, eli se riippuu miten sen kokonaismyynti ja transaktiot jakautuvat eri maihin, asiakkaisiin ja kuukausiin.
Kuvaajasta 7 tarkstelemme tuotteiden tavoitteiden saavuttamista Iso-Britannian markkinoilla, joka on vuoden puolivälissä lähellä omaa maakohtaista tavoitettaan (kuitenkin hiukan jäljessä). Tuotetasolla (kuvaajan oikea reuna) huomaamme, että myyntiluvultaan suurimmat tuotteet ovat jääneet kasvutavoitteestaan jälkeen, mutta top-5 tuotteiden jälkeen alkaa löytymään myös tuotteita jotka ovat tavoitteet saavuttaneet.
Voisiko siis top-5 tuotteisiin lisäpanostus nostaa myyntiluvut tavoitteiden mukaiselle tasolle? Ehkä, mutta tämä on liian pitkälle viety johtopäätös ainoastaan datan perusteella. Voihan myös olla että myynnissä tulee fokusoitua enemmän asiakasnäkökulmasta niihin asiakkaisiin jotka ovat jääneet tavoitteesta. Käytännössä seuraavaksi pitäisikin antaa tämä data myynnin johdon käyttöön, joka pystyisi käyttämään tätä pohjana suunnitellessaan kokomukseensa ja osaamiseensa perustuen, miten myyntiä pystytään käytännössä kasvattamaan.
Loppupäätelmät
Tässä casessa mallinsimme myynnille tavoitteet useassa eri ulottuvuudessa historialliseen transaktiodataan perustuen: kokonaistavoite, kuukausitavoitteet, maakohtaiset tavoitteet ja avainasiakastavoitteet. Rakensimme mallin, joka ottaa huomioon kaikki kolme ulottuvuutta, ja niiden perusteella muokkaa muita ulottuvuuksia dynaamisesti kun yhdestä ulottuvuudesta tehdään uusia oletuksia. Ideana oli, että olettamuksien lisääntyessä muiden ulottuvuuksien tulee muuttua samassa suhteessa, jotta kokonaiskasvutavoite (10 %) pysyy ennallaan. Lisäksi tarkastelimme tavoitejakson (kalenterivuosi) puolivälissä miten myynti on tähän mennessä selviytynyt kokonaisuudessaan ja erityisesti niissä maissa ja asiakkuuksissa, joille määriteltiin poikkeuksellisen korkeat myynnin kasvutavoitteet. Pyrimme myös mallintamaan hyvin yksikertaisella aikasarjamallinnuksella, miten myynti tulee suoriutumaan loppuvuoden aikana (tulevaisuudessa), alkuvuoden menestyksen perusteella. Käsittelimme myös lyhyesti, miten älykkäällä automaatiolla pystytään tukemaan sofistikoitunutta tavoiteasetantaa ja tulosseurantaa sekä minimoimaan manuaalista työtä, jota perinteisillä työkaluilla aiheutuisi.
Tämä case-artikkelin keskeisimmät tulokset löytyvät enemmän teknisen toteutukseen puolelta kuin business-näkökulmasta. Yksi keskeinen tulos on, että myös monimutkaiset ja pieniin osiin pilkotut tulostavoitteet pysytään ajamaan nopeasti automatisoitujen työjonojen läpi niin että tulokset ovat oikeita, tarkkoja ja intuitiivisia. Tavoitearvojen muuttaminen ja jopa uusien tavoiteulottuvuuksien (esim. tuote- tai tuoteryhmäkohtaiset tavoitteet) lisääminen tai pois ottaminen onnistuu hyvinkin pienellä vaivalla perinteisiin työkaluihin verrattuna. Kehittyneillä BI-kaluilla pystymme myös rakentamaan visuaalisesti selkeitä ja näyttäviä kuvaajia, joilla voidaan nopeastikin porautua eri tavoitteisiin, ja ymmärtää mistä ja miksi ne ovat saaneet tavoitearvonsa.
Myynnin tulosseurannan osalta näimme miten BI-kuvaajien avulla voimme myös nopeasti ymmärtää, miten myynti on suoriutunut tavoitteita vastaan. Pystymme nopeasti porautumaan kokonaistavoitetasolta syvemmälle, tarkastelemaan maa- tai asiakaskohtaista suoriutumista, ja ymmärtää mitkä näistä ovat olleet hyvän/huonon kokonaissuoriutumisen takana. Rakensimme myös yksinkertaisen aikasarjamallin jolla ennustimme myynnin tulevaisuutta loppuvuoden ajalta. Jätimme tämn mallin kuitenkin tarkoituksella yksinkertaiselle tasolle, koska myynnin ennustaminen on tunnetusti hyvin riippuvaista toimialasta ja organisaatiosta.
Ilmeinen kysymys casen tuloksien ymmärtämisen jälkeen on: ”pystytäänkö datasta näkemään mitä pitäisi tehdä eri tavalla tulevaisuudessa, myynnin tehostamiseksi?”. Kuten tässäkin case-artikkelissa todettiin useaan eri otteeseen, datan pohjalta ei ole kannattavaa vetää liian pitkälle vieviä johtopäätöksiä, ja myynnin menestys on aina loppupeleissä kiinni myyntihenkilöstön kokemuksesta, asiakastuntemuksesta ja osaamisesta. Business intelligence -osamainen pystyy kuitenkin tuottamaan dataan pohjautuvaa, kvantitatiivisesti läpinäkyvää tietoa myynnin tueksi, jolloin myynti pystyy ohjaamaan toimintaansa mitattuihin faktoihin perustuen, kun ilman BI-tukea se perustuisi paljon enemmän ’mutu-tuntumaan’ ja karkeisiin arvioihin.
Käytimme analyyseissämme tyypillistä toiminnanohjausjärjestelmän dataa, jota muokkaamalla pystyimme vastaamaan artikkelin alussa esitettyihin keskeisiin kysymyksiin.
Kaikkien tämän artikkelin lukevien on tärkeää ymmärtää että artikkelin tarkoitus ei ole suoraan neuvoa kuinka myynnin tavoiteasetantaa tai suoriutumisen raportointia tulisi tehdä, vaan esittää konkreettisia esimerkkejä, miten pitkälle jalostettu analytiikka ja älykäs automaatio voivat helpottaa monimutkaisien kokonaisuuksien ymmärtämistä ja tuoda tehokkaasti faktoja johdolle strategian suunnittelun ja päätöksenteon tueksi. Teimme tämän artikkelin analyyseissa paljon yksinkertaistuksia ja oletuksia, joita ei oikeassa elämässä tulisi tehdä ilman perusteellista harkintaa (jos silloinkaan). Yllä kuvattuja metodeja ei tulisi käyttää sellaisenaan ilman syvällistä ymmärrystä kohdeorganisaation yksilöllisistä piirteistä ja tarpeista.
Tarvitsetko apua data-analytiikassa – Ole meihin yhteydessä niin keskustellaan lisää.
Lähetä yhteystietosi, ja olemme sinuun yhteydessä ja sovitaan aika keskustelulle ja demolle palveluistamme.
"*" näyttää pakolliset kentät