Datastrategi och CRM för B2B-företag: guide

Alla är överens om att data och CRM-system (customer relationship management-system) är viktiga för att styra ett företag. Men bara ett fåtal B2B-företag omsätter den insikten i praktiken och driver en målinriktad datastrategi.

Det är skrämmande: en publikation från Harvard Business Review (2018) om "data growth" visar att runt 60% av alla beslutsfattare satsar hårt på investeringar i dataanalys. Det som låter bra vid första anblicken betyder omvänt att hela 40% ägnar big data och dataanalys liten eller ingen uppmärksamhet.

När det gäller datamängderna i B2B och hur B2B-företagarna själva bedömer deras kvalitet är det rimligt att tala om en kris. En aktuell studie från CapGemini visar till exempel att bara 27% av cheferna är nöjda med datakvaliteten och att bara 20% litar på sin egen data (CapGemini Research Institute, 2021). Det är farligt i en miljö där data är grunden för framgång. Datakvaliteten kommer att ha ett avgörande inflytande på företagets framgång i framtiden.

Dålig datakvalitet bromsar processoptimering, automatisering och digitala transformationer, vilket ofta leder till onödigt merarbete. I den digitala eran, där data genereras i stora mängder, är det avgörande att hantera data med effektiva metoder. Även de mest avancerade teknikerna, som maskininlärning, är värdelösa om de bygger på felaktig data. Därför måste du först förbättra kvaliteten i dataunderlaget.

I den här artikeln visar vi vilken information du bör samla in till ditt dataunderlag för att stärka kundlojaliteten och få potentiella kunder att köpa. Här kan du använda CRM-system som Hubspot.

Introduktion till datastrategi

Den grundläggande betydelsen av högkvalitativ data

Högkvalitativ data är fundamentet som företaget står på. Den formar kundrelationen, antalet kunder och effekten av de marketing automation-system du använder (t.ex. Hubspot). Det kan vara tröttsamt att arbeta sig igenom långa tabeller och statistik, men några få siffror som jämförs regelbundet räcker för en genomtänkt affärs- och marknadsstrategi.

Få datapunkter betyder inte liten effekt. Det betyder: samma siffror, varje vecka, i samma format. Exakt vilka visar jag längre ner i veckogenomgången.

Definiera och avgränsa datastrategin

En datastrategi är en formulerad, målinriktad processplan som gör det möjligt för ett företag att utvinna kunskap ur data. Planen fungerar som en roadmap för att med dataanalys optimera den befintliga affären och eventuellt utveckla nya affärsmöjligheter. Den ska skiljas från en digital strategi, som fokuserar på digitalisering och nya digitala kanaler, medan datastrategin fokuserar på vinstorienterad användning av data.

Datastrategins viktigaste delar

Mål och ramar

Datastrategin sätter tydliga mål, inklusive tidsramar. Den omfattar den förväntade resursanvändningen och de nödvändiga ramvillkoren, som tekniska och juridiska krav (dataskydd, datasäkerhet), för att nå målen. Dessutom kontrolleras om befintliga medarbetare har den kapacitet och kompetens som krävs eller om det behövs utbildningsinsatser.

Undvik irrelevant datainsamling

En genomtänkt datastrategi hjälper dig att inte fastna i irrelevanta datainsamlingar och i stället fokusera på projekt som tar företaget framåt. Det förebygger frustration och säkerställer att bara relevant data stödjer företagets tillväxt.

Datastrategins tre pelare

Din strategi bör bygga på följande data:

1. Definiera ansvar: Om det inte är tydligt definierat vem som ansvarar för vilken data och i vilken omfattning, kommer ingen att bry sig om den i slutänden. Det handlar inte bara om att samla in och analysera rätt data, utan också om att peka ut ansvaret för datahygien och dataskydd.
2. Kvalitet före kvantitet: Rena datamängder tar dig ingenstans. För en hållbar datastrategi behöver du en tydlig struktur som gör din data användbar. Du måste ha kundresan i åtanke och exakt definiera vilken data som ska samlas in i varje fas.
3. Aktualitet: Med varje aktivitet förändras också kunddatan. Håll koll på det, för bara aktuell data ger ett stabilt beslutsunderlag. Här är kontinuitet den viktigaste egenskapen för att utveckla en långsiktig strategi med din datagenomgång.

Självklart kan du använda många verktyg för att samla in och utvärdera data. För customer relationship management i B2B är CRM-system som Hubspot användbara.

Den minimala datamodellen: 3 nyckeltalsfamiljer i stället för oändliga obligatoriska fält

De flesta CRM-projekt misslyckas inte på grund av verktyget. De misslyckas på frågan om vad systemet egentligen ska svara på. Det stramaste svaret jag känner till kommer från Jacco van der Kooij i SaaS Sales Method: ett CRM ska leverera exakt 3 familjer av nyckeltal. Volym, konverteringsgrader längs kundresan och tiden mellan stegen.

Volym betyder: hur många kontakter, möten och opportunities kommer in per vecka? Konvertering betyder: hur mycket av det tar sig vidare till nästa steg, från första svar till förnyat avtal? Tid betyder: hur länge väntar en deal mellan 2 steg? Van der Kooij betonar att det är väntetiden mellan stegen som driver säljcykeln, inte aktiviteten i sig.

Bakom det ligger hans kärnmening: intäkter är inte summan av affärer utan produkten av konverteringsgrader. Om ditt CRM inte kan svara på dessa 3 familjer samlar du fält i stället för kunskap. Varje extra obligatoriskt fält är då exakt den irrelevanta datahög som varnades för ovan.

Han lägger till en varning: en och samma metodik måste spänna över marknadsföring, försäljning och customer success. Om marknadsföring mäter leads, försäljning mäter avslut och customer success mäter ärenden, varje team i sin egen logik, går kundresan sönder i överlämningarna. Det är exakt där data, kontext och till slut kunder försvinner.

Leading indicators: så läser Mark Roberge CRM-data

Mark Roberge, Hubspots första försäljningschef, tar det ett steg längre i The Science of Scaling. Hans disciplin: använd din egen CRM-data för att definiera ett enda mätbart användningsmoment som signalerar customer success. Validera sedan den indikatorn mot retention.

Hans genomräknade exempel: kunder som nådde det definierade momentet stannade kvar till 93%. Kunder som missade det, bara till 39%. Först det gapet bevisar att indikatorn är värd något. För kontext: Roberge arbetar med konstruerade exempelföretag från amerikansk SaaS. Siffrorna är illustration, inte en studie. Metoden bakom kan du ändå tillämpa på din egen data redan den här veckan.

Roberges andra poäng är governance i praktiken. Han kräver en ändringslogg för ICP, ideal customer profile, eller helt enkelt din målkundsprofil. Varje ändring dateras, motiveras och är synlig för styrelsen. Det låter byråkratiskt. Det är exakt ansvaret, kvaliteten och aktualiteten från de 3 pelarna ovan, samlat i ett enda dokument.

Vilka siffror hör hemma i din veckogenomgång?

5 till 7 siffror, varje måndag, alltid samma. Mätta på opportunities och intäkter, inte på klick och öppningsfrekvenser. Behöver du fler siffror för att förklara läget i din pipeline mäter du fel siffror.

En beprövad praxis är ett måndagsscorecard med fast format: veckans nya kvalificerade opportunities, konvertering per steg, väntetid per steg, pipeline coverage mot kvartalsmålet, vunna och förlorade intäkter. Plus 1 leading indicator för customer health, som Roberge beskriver ovan. Det är den minimala datamodellen, komprimerad till en veckorytm.

Två tumregler hjälper vid urvalet. För det första: mät svar i stället för öppningsfrekvenser. Allt som mottagaren inte aktivt gör är brus. För det andra: planera pipeline coverage med god marginal över målet, eftersom en del av varje pipeline alltid dör. Var den datan kommer ifrån på ett rent sätt tar jag upp i min artikel om kunddata i B2B-försäljning.

Ta hjälp av en expert

Ju större och mer komplexa dina datamängder är, desto mer talar för att ta in en expert här. Det betyder inte att du måste anställa en dataanalytiker. Det räcker att ta in någon för den första uppsättningen för att undvika misstag i marketing automation, särskilt om företaget saknar kompetensen internt.

En MarTech-stack (marketing technology stack) omfattar alla tekniker, som verktyg, CRM och IT-system, som ett företag eller dess marknadsavdelning använder för att hantera, genomföra, mäta och optimera marknadsåtgärder, och kan användas som ett utmärkt dataunderlag.

Vad förändras med AI-agenter?

Ingenting i logiken, allt i hävstången. AI-agenter, alltså mjukvara som på egen hand sköter research, berikning eller första kontakten, kan bara arbeta med data de kan läsa. Din datastrategi blir kontextlagret för varje automatisering.

En agent som researchar konton eller skriver mejlutkast är exakt så bra som CRM-systemet under den. Garbage in, garbage out. Saknas fältet för kundens nuvarande lösning hittar agenten på ett rimligt antagande. Är ICP:n inte dokumenterad skriver den till alla. Dålig data blir inte bättre med AI, den blir bara synlig snabbare.

Därför betalar sig arbetet med de 3 nyckeltalsfamiljerna och ändringsloggen dubbelt. Människor förlåter dataluckor eftersom de fyller i dem i huvudet. Agenter gör det inte. Fler operatörsanteckningar om den här stacken finns i hubben för marketing- och säljautomatisering.

Slutsats

En effektiv datastrategi är ryggraden i varje framtidsinriktat företag. Den gör det möjligt att utvinna värdefull kunskap ur data och underbygga affärsbeslut.

Genom att sätta tydliga mål, definiera ansvar och säkra datakvalitet och aktualitet kan företag använda sina resurser optimalt, undvika ineffektiv datainsamling och utnyttja marknadsföringens fulla potential.

Expertstöd kan hjälpa till att utforma och optimera den här processen effektivt. Men det finns också många verktyg, som Hubspot, som tar över automatiseringsprocesser och hjälper dig med uppgifter som CRM.