12 avril 2013-
Par Doug Fuehne
Les big data représentent indéniablement un enjeu de taille pour les équipes de vente et les dirigeants. Pour vous donner une idée de ce que cela signifie, une étude de Chango montre que les gens dans le monde entier envoient 145 milliards de courriels, 340 millions de tweets et 2 millions de requêtes de recherche sur Google tous les jours.
Cette montagne de données, qui va des transactions par carte de crédit aux points de fidélité, en passant par les appels téléphoniques, les clics sur le web et les courriels, recèle une valeur importante qui peut changer la donne. Le volume et la vitesse de ces données augmentent à un rythme sans précédent. Mais pour les entreprises qui réussissent à relever le défi et à saisir l'opportunité du big data, il peut en résulter une série d'informations susceptibles d'avoir un impact rapide et significatif sur les taux de réussite, la taille des contrats et la durée du cycle de vente - et, selon Gartner, elles peuvent augmenter les marges brutes de plus de 2 en moyenne (inscription obligatoire).
Jugement collectif d'un marché libre
Comment cela se produit-il ? À bien des égards, cela s'apparente aux principes identifiés par James Surowiecki dans son ouvrage de référence, La sagesse des foulesLa sagesse des foules est une notion qui décrit la manière dont de grands groupes de personnes peuvent collectivement apporter des réponses précises à différentes questions. Le Big Data nous offre une opportunité sans précédent d'agréger des informations provenant de sources diverses, disparates et indépendantes et de reproduire la sagesse des foules dans un contexte marketing, en particulier en matière de tarification. Cette question se prête idéalement à la sagesse des foules. Fondamentalement, qu'est-ce qu'un prix si ce n'est le jugement collectif d'un marché libre ?
Dans de nombreuses entreprises, l'entreposage de données est aujourd'hui à la base des initiatives de reporting et d'analyse, et cette stratégie apporte une certaine valeur ajoutée. Les représentants commerciaux peuvent répondre à quelques questions de base : Quel est le secteur d'activité de ce client ? Quelle est la taille de son entreprise ? Dans quelle région est-elle située ? Mais cela laisse sans réponse la question la plus importante dans toute vente : Qu'est-ce que ce prospect est réellement prêt à payer ? Et pour répondre à cette question, il faut trouver des corrélations importantes entre une variété beaucoup plus grande de facteurs cachés dans des piles de données provenant de l'intérieur et de l'extérieur de l'organisation.
Trouver des corrélations cachées
L'analyse des prix cherche aujourd'hui à définir des milliers de segments de clientèle sur la base de points communs entre des dizaines, voire des centaines, de variables indépendantes. En trouvant les corrélations cachées basées sur des historiques de données riches et profondes, nous pouvons prendre des décisions plus intelligentes et poursuivre des stratégies de vente, de marketing et de tarification ciblées qui ont beaucoup plus de chances de réussir. Cela signifie plus de revenus et des cycles de vente plus rapides.
Laissez la foule vous aider à répondre à la question clé
À l'aide d'une série d'analyses statistiques sophistiquées et d'infrastructures informatiques révolutionnaires capables de traiter des téraoctets, voire des pétaoctets de données, les scientifiques des données exploitent la valeur cachée des big data pour élaborer des stratégies de vente et de tarification plus efficaces. Ils fournissent des conseils cruciaux au moment même de la transaction. Ils exploitent les systèmes ERP, les historiques CRM, les analyses concurrentielles, les données économétriques de tiers, les sources d'abonnement et bien d'autres choses encore. Ils recherchent la meilleure réponse à la question clé : Quel est le montant maximum que ce prospect est prêt à payer ?
Cette analyse commence par une stratégie de segmentation efficace : analyser et ré-analyser des montagnes de données historiques pour créer des groupes de clients et de prospects qui présentent des comportements d'achat similaires et qui ont une valeur prédictive significative. Mais il ne s'agit pas simplement de regrouper les prospects dans des groupes rudimentaires A, B et C. Nous voulons créer des centaines, des milliers, voire des milliers de groupes. Nous voulons créer des centaines, des milliers, voire des dizaines de milliers de segments étroitement définis par des dizaines de variables (ou dimensions de données), telles que la taille de l'entreprise, le secteur d'activité/code NAICS, l'État, le code postal, la fréquence des commandes, la taille moyenne des commandes, le statut de fournisseur privilégié, la préférence en matière d'expédition, la compétitivité du marché, le canal de vente (téléphone par rapport à Internet par rapport au magasin), la méthode de paiement préférée, le score de crédit D&B, le temps passé sur le site Web au cours des 30 derniers jours et le nombre d'appels téléphoniques reçus au cours des six derniers mois.
Supposons que vous vendiez des fournitures de bureau. Un segment du groupe de référence pourrait être constitué de consommateurs basés dans l'est du Massachusetts, qui ont un historique d'achat d'au moins six mois et effectuent des achats tous les 30 à 40 jours sur le site web. Leur carte de crédit préférée est MasterCard. Ils ont accepté une recommandation de vente incitative au cours de l'année écoulée. Ils passent en moyenne 10 minutes par mois sur le site web de l'entreprise et passent en moyenne huit appels au centre d'assistance à la clientèle tous les six mois.
Avec les volumes de données généralement disponibles, ce type de segmentation peut donner lieu à des problèmes de rareté. Mais avec les big data, même un nombre massif de cellules peut être peuplé de suffisamment de données pour obtenir des résultats statistiquement significatifs. Nous pouvons vérifier la valeur de ces dimensions à l'aide d'analyses simples et les assembler dans un modèle prédictif. Cela permet aux ventes et au marketing d'exploiter plus efficacement la sagesse des foules et de formuler des stratégies et des niveaux de prix optimaux.
Là où le big data a le plus d'impact
On pourrait être tenté de supposer que les modèles prédictifs basés sur les big data sont très utiles aux équipes de vente directe qui réalisent des ventes complexes et importantes. En réalité, nous constatons que l'impact du big data peut être le plus important dans les organisations de vente et de marketing présentant deux caractéristiques clés : un grand nombre de références (plusieurs dizaines de milliers) et un réseau de clients horizontaux couvrant différents secteurs d'activité et zones géographiques. Dans les ventes directes d'articles à prix élevé, les équipes de vente ont moins de transactions à gérer et peuvent consacrer des ressources à des analyses de prix individuelles. Toutefois, dans les organisations de distribution, les marges sont généralement assez minces et le pouvoir de la tarification est souvent amplifié.
La rapidité est un autre avantage stratégique des analyses de prix fondées sur des données. Comme le dit l'adage, le temps tue les affaires. Nous pouvons augmenter considérablement les taux de réussite sans sacrifier les marges en présentant le prix optimal le plus tôt possible dans le cycle de vente. En évitant les tactiques de négociation prolongées et dépassées à l'approche de la conclusion de l'affaire, l'équipe de vente peut éviter les perturbations et les retards.
Pour les organisations de vente et de marketing qui cherchent à optimiser leur tarification, la meilleure solution consiste peut-être à exploiter le pouvoir caché du big data et à acquérir de nouvelles connaissances sur les facteurs contribuant à l'élasticité et à la sensibilité des prix.