Fijar mejores objetivos de ventas con la analítica

La compensación de ventas es una palanca fundamental para motivar a la fuerza de ventas e impulsar el crecimiento en el sector de empresa a empresa: los estudios muestran que revisar la compensación en función de las tendencias del mercado puede tener un impacto un 50% mayor en las ventas que los anuncios, por ejemplo. Una parte vital para obtener una compensación correcta es fijar los objetivos de venta adecuados. Los objetivos mal establecidos suelen fallar, no ofrecen los beneficios esperados y, en el proceso, desmoralizan a la fuerza de ventas. Vemos que las empresas de muchos sectores se esfuerzan por fijar objetivos ambiciosos pero justos que motiven a los vendedores a lograr un crecimiento orgánico. Algunas empresas están encontrando soluciones: utilizan análisis avanzados para identificar los verdaderos impulsores de los resultados empresariales y utilizan los macrodatos y el aprendizaje automático para entender la demanda de los clientes con un nivel de precisión y granularidad sin precedentes. Con proyecciones más fiables, pueden establecer objetivos más significativos.

••• La compensación de ventas es una palanca fundamental para motivar a la fuerza de ventas e impulsar el crecimiento en el sector de empresa a empresa: los estudios muestran que revisar la compensación en función de las tendencias del mercado puede tener un impacto un 50% mayor en las ventas que los anuncios, por ejemplo. Una parte vital para obtener una compensación correcta es fijar los objetivos de venta adecuados. Tanto las investigaciones académicas como nuestra experiencia trabajando con empresas B2B en diversos sectores indican que los objetivos mal establecidos suelen fallar, no ofrecen los beneficios esperados y, en el proceso, desmoralizan a la fuerza de ventas. De hecho, las organizaciones suelen perder a los mejores talentos de ventas debido a la fijación de objetivos, lo que penaliza el éxito. Un traspié común es utilizar las rentabilidades pasadas como criterio. Si una de las mejores empresas supera su objetivo anual un 20%, su objetivo para el año que viene se fija en el 120% del del año en curso, mientras que el objetivo del año que viene para un representante que alcance solo el 90% del objetivo de este año se mantiene sin cambios. No es sorprendente que los mejores actores encuentren esto injusto y, a menudo, abandonen el barco. Vemos que muchas empresas de muchos sectores se esfuerzan también por fijar objetivos ambiciosos pero justos que motiven a los vendedores a lograr un crecimiento orgánico. Algunas empresas están encontrando soluciones: utilizan análisis avanzados para identificar los verdaderos impulsores de los resultados empresariales y utilizan los macrodatos y el aprendizaje automático para entender la demanda de los clientes con un nivel de precisión y granularidad sin precedentes. Con proyecciones más fiables, pueden establecer objetivos más significativos. Para fijar mejores objetivos, las empresas deben responder a tres preguntas fundamentales: ¿Cómo debemos seleccionar nuestros indicadores clave de rendimiento o KPI? ¿Cómo debemos determinar el nivel correcto para nuestros objetivos? ¿Y con qué frecuencia debemos poner otros nuevos? ### **Identificar los KPI correctos** Todas las empresas deben enfrentarse a esta pregunta: ¿Deberían basar las comisiones y las bonificaciones en las cifras de ventas, los beneficios o algún otro indicador? Una métrica mal elegida puede generar malos resultados. Cuando un productor de productos químicos utilizaba objetivos basados en el volumen, sus representantes recurrían a lanzar productos con márgenes bajos que requerían un esfuerzo limitado para venderse, en lugar de productos con márgenes altos que requerían más esfuerzo, pero que habrían hecho más para aumentar la rentabilidad. Los macrodatos y la analítica pueden ayudar a identificar los KPI que mejor se alinean con las prioridades empresariales y pueden ayudar a definir métricas granulares que pueden impulsar los resultados deseados. Una empresa estadounidense de servicios industriales estaba experimentando una alta rotación de clientes (un 20%), en gran parte porque los representantes habían adoptado tácticas de venta agresivas, como incluir elementos que los clientes no habían pedido. Y una vez que los clientes se inscribieron, los representantes no se quedaron para garantizar una incorporación adecuada. La oferta consistía en un servicio de suscripción mensual, lo que permitía a los clientes cancelar en cualquier momento y, gracias a la mala experiencia de venta, muchos lo hicieron. Los análisis mostraron que si los clientes se quedaban seis meses, normalmente se quedaban un año completo. Así que la empresa rediseñó los incentivos de los representantes en torno a lo que llamamos _persistencia de ingresos_ métrica: la parte de los ingresos que se mantiene más de seis meses después de una venta. Esto redirigió a los representantes de «cazar» a «cultivar»: mejoró el proceso de incorporación y mantuvo la relación con los clientes. ### **Fijar los objetivos correctos** A medida que las ofertas proliferan y los procesos de venta se hacen más complejos, la demanda de los clientes se hace cada vez más volátil y difícil de predecir, y los enfoques tradicionales de arriba hacia abajo para fijar los objetivos pueden resultar insuficientes. Algunas empresas utilizan técnicas innovadoras de aprendizaje automático para predecir el comportamiento de los clientes. Para complementar los datos de arriba hacia abajo, se basan en previsiones a nivel de territorio o cuenta, incluidos datos históricos de fuentes externas e internas. Los algoritmos supervisan y responden a los factores que afectan a la fiabilidad de sus predicciones, por lo que son más precisos cuanto más tiempo se utilizan. En un fabricante mundial, la volatilidad de la demanda dificultaba fijar los objetivos de ventas. Los gerentes de ventas se esforzaron por determinar el momento y el grado de intervención que mejorarían el rendimiento de primera línea cuando los volúmenes mensuales estaban en riesgo. Sin datos de ventas sólidos y detallados, las previsiones se realizaban de forma manual y se basaban en gran medida en las estimaciones de los directivos. Así que la empresa creó un «lago de datos» con varias fuentes internas y recurrió al aprendizaje automático para analizar los patrones de venta de cada producto en cada distribuidor. La gran cantidad de puntos de datos acumulados (para productos, niveles de existencias, precios, hora de venta, etc.) le permitió agrupar a los revendedores en grupos similares y desarrollar un algoritmo de previsión para cada uno de ellos, que se mejoró mediante la manipulación de las entradas a lo largo del tiempo. Los resultados fueron impresionantes: la precisión de las previsiones mejoró un 80%. Tener previsiones más precisas permitió a los directores de ventas ajustar los objetivos a lo largo del año para asegurarse de que no estaban premiando ni penalizando a los socios de primera línea y de canal por la evolución del mercado ajena a su control. ### **Elegir la frecuencia correcta de revisión** ¿Con qué frecuencia se deben restablecer los objetivos? Revíselos con demasiada frecuencia y sus costes administrativos y los desafíos de comunicación aumentarán; revíselos con demasiada lentitud y podría perder la capacidad de respuesta a los cambios del mercado y socavar el compromiso de los representantes. Una empresa de servicios industriales utilizó técnicas de aprendizaje automático para calcular la probabilidad de abandono de cada cliente; su algoritmo identificó correctamente el 60 por ciento de los que abandonaban y el 95 por ciento de los que no lo hacían. Con la ayuda de representantes cuidadosamente seleccionados, la empresa diseñó un nuevo modelo de fijación de objetivos. Según él, a los representantes se les pagaba una bonificación por contactar con los clientes identificados como en riesgo de pérdida de clientes. Tras experimentar con los objetivos establecidos en diferentes intervalos, utilizando las predicciones del algoritmo junto con los comentarios sobre el comportamiento de los clientes sobre el terreno, la empresa determinó que la frecuencia óptima de revisión era trimestral. Al utilizar el modelo para identificar a los clientes en riesgo con los que los representantes pudieran contactarlos cada trimestre, se redujo su tasa de abandono en un 5%. ### **Hacer que suceda** Las empresas deberían examinar si las métricas que utilizan para recompensar a los representantes están alineadas con sus objetivos estratégicos. Deberían fijar objetivos individuales basados no en el rendimiento pasado sino en el potencial de la cartera de clientes de cada representante. Y pueden aumentar la motivación de los representantes estableciendo y revisando los objetivos de acuerdo con los ciclos de compra de los clientes y, al mismo tiempo, realizando experimentos para llegar a la frecuencia óptima. Por el camino, las empresas pueden tener dificultades con datos imperfectos y con el escepticismo por parte de los representantes o la dirección, o ambos. El éxito probablemente requiera un experimento tras otro: probar modelos de fijación de objetivos, revisar los objetivos de ventas y utilizar los nuevos objetivos para optimizar los planes de compensación. Las plataformas de datos y los sistemas de gestión de datos centralizados pueden proporcionar una fuente uniforme de información fiable para respaldar los análisis en tiempo real. Y atraer talentos como científicos de datos y «traductores» (intermediarios que explican las necesidades empresariales a los especialistas en tecnología y explican los aspectos de la tecnología a los líderes empresariales) también puede ser clave. Si sigue los pasos descritos anteriormente y persevera una iteración tras otra, las organizaciones pueden obtener un mejor desempeño con mayores ventas, mejores márgenes y una fuerza de ventas más motivada.