В чём была проблема
Топ-менеджеры юрфирмы по банкроству физлиц тратили несколько часов в день на подготовку к еженедельной планёрке. Например, руководитель колл-центра делал кучу выгрузок в amoCRM, открывал каждую сделку вручную, копировал и вставлял её в Excel.
На еженедельных планёрках собирались сразу несколько отделов — маркетинг, колл-центр, продажи и отдел качества. Каждый отдел готовил отчёт вручную, опираясь на свои источники данных. В итоге на обсуждении цифры не сходились.
Чтобы понять, где правда, приходилось каждый раз договариваться, по каким правилам считать показатели. У каждого были свои фильтры в Excel и своё понимание, какие лиды учитывать, а какие нет. Иногда открывали CRM и пытались восстановить данные вручную.
Но в CRM было 12 000 карточек. Проверить каждую невозможно. В CRM множество тегов и параметров, и договорённости по фильтрации были плавающими. В результате большая часть времени на планёрках уходила не на обсуждение результатов, а на попытки согласовать, какие данные считать корректными.
В Экселе было невозможно построить сквозную аналитику, поэтому было сложно сказать, кто накосячил: маркетинг, колл-центр, продажи и т.д. Из-за этого регулярно вспыхивали конфликты между отделами.
Маркетинг утверждал: «Мы привели лиды, а вы просто не умеете продавать». Продажи отвечали: «Ваши лиды — говно».
Итоговое решение, кто прав, а кто виноват, принимал владелец, пытаясь разобраться в разрозненной и противоречивой информации.
Что изменилось:
Начали одинаково считать показатели
Мы стремились создать один единый дашборд вместо кучи разных эксель-табличек. В него должны были входить данные как от маркетинга, так и от продаж.
Первым шагом мы разобрались с терминологией: что считаем квалифицированным лидом, а что – сделкой, и как будем их считать.
Квалификация лида проходила на встрече. Продавец задавал уточняющие вопросы, чтобы проверить пришедшего лида по критериям. Если лид подходил, то продажник закрывал его на сделку.
Приняли решение, что лид считается квалифицированным, если он удовлетворяет критериям, которые мы внесли в CRM.
Так мы сделали первый шаг к тому, чтобы данные наконец-то начали сходиться.
Построили сквозную аналитику
Мы начинали брать данные из рекламных кабинетов и информации по расходам на подрядчиков, проверили корректность utm меток, согласовали модель атрибуции расходов по периодам. Собрали всю информацию по движению лида по статусам воронки в crm и подготовили отчеты по полям отдела контроля качества.
В итоге стали понятны все расходы и доходы до каждой сделки в crm.
Повысили доверие к данным
Между отделами постоянно возникали конфликты, так как данные в разных таблицах не совпадали. Нам нужно было решить эту проблему и повысить доверие к данным, чтобы команда регулярно пользовалась системой аналитики.
Чтобы создать доверие к системе, мы придумали единую методику расчёта показателей, которую будут использовать разные отделы.
Дальше мы взяли выборку данных в дашборде и в crm и сравнили их между собой, чтобы там были одинаковые цифры.
Когда мы сделали 3-5 таких ручных проверок и убедились, что данные точные, то у команды возникло доверие к дашбордам.
Здесь BI-системы выигрывают у Excel, так как можно быстро перейти в конкретную сделку и проверить, откуда были взяты данные. В Excel же можно написать что угодно, так как труднее верифицировать данные.
Другое преимущество BI – любые изменения в прошлых сделках сразу отображаются на дашбордах.
Научились быстро фиксировать ошибки
Иногда всё равно возникали ситуации, когда сотрудники не верили в цифры на дашборде, хотя методика подсчёта была верная.
Как оказалось, проблема была не в дашборде, а в ошибках в системе-источнике данных, в данном случае в CRM. Например, выставили неправильную дату обращения клиента или приписали к другому менеджеру.
Мы сделали отдельную вкладку в дашборде, где можно было найти каждую сделку и вручную её проверить. Чтобы найти ошибку, теперь нужно сделать в десятки раз меньше кликов, что ускорило её поиск.
Стали оценивать эффективность работы отделов
На предыдущих шагах мы договорились о единой терминологии для всех отделов, выбрали методику расчёта показателей и обосновали её, построили сквозную аналитику, научились фиксировать ошибки в данных. Теперь компания была готова, чтобы оценивать эффективность работы отделов.
У каждого отдела появилась ключевая метрика:
у маркетинга – кол-во квалифицированных лидов;
у колл-центра – кол-во назначенных встреч
у продавцов – кол-во продаж
Теперь отделам стало сложно перекладывать ответственность друг на друга, так как у каждого появился свой целевой показатель.
Например, маркетинг привёл 1000 квалифицированных лидов, а колл-центр назначил всего 50 встреч. Тут уже не обвинишь маркетологов в том, что «лиды говно». Колл-центру нужно придумывать, как повысить конверсию в назначение встречи.
Упростили создание новых отчётов
Из-за того, что топ-менеджеры тратили много времени на составление ручных отчётов в Excel, у них не было возможностей добавить новые метрики.
В BI-системе данные самостоятельно подтягиваются из разных источников, их не нужно заносить вручную. А это значит, что топ-менеджеры больше не тратят своё личное время на ведение отчётов. И теперь можно смело добавлять новые метрики и отчёты, не боясь перегрузить топов.
Что это дало
У собственника появилась прозрачность. Теперь собственник видит, что происходит в каждом из отделов компании, кто выполняет поставленные показатели, а кто нет.
Стали управлять средним циклом сделки. Раньше в компании даже не знали, что от первой точки контакта до заключения сделки проходит 2 месяца. Теперь коммерческий отдел может строить гипотезы, как сократить этот срок.
Ввели контроль всех звонков. Аналитика начала считать весь цикл звонков: время ответа в секундах, долю пропущенных, долю перезвонов, среднюю длительность разговора и конверсию звонка в назначение следующего шага
Облегчили коммуникацию между отделами. Данные теперь берутся из одного дашборда, а не из множества разноформатных отчётов в Excel.
Рассчитали ЗП для каждого менеджера. Благодаря отдельному дашборду зарплата считается автоматически.
Начали проверять больше гипотез. Так как у компании появилось больше данных, то теперь проверить эффективность гипотезы можно через изменения в показателях, а не на интуитивном уровне.