Comment nous avons amélioré l’enrichissement des données et la notation des comptes chez Snowflake

Comment nous avons amélioré l’enrichissement des données et la notation des comptes chez Snowflake

Le paysage CRM

Les équipes de mise sur le marché (GTM) exploitent de manière proéminente les plateformes CRM comme source de vérité pour les informations sur les comptes afin de piloter la stratégie B2C et B2B. Les données de compte sont intrinsèquement complexes, et maintenir à jour une plateforme CRM avec des informations de compte enrichies et de haute qualité est un défi majeur.

En fin de compte, une plate-forme CRM optimisée fournit des informations et des informations accessibles, des processus et des mises à jour automatisés et des analyses intégrées au flux de travail d’une équipe GTM. La nature manuelle de la collecte de données et la puissance de calcul limitée des plateformes CRM rendent cet état d’aspiration difficile ou impossible à atteindre.

Chez Snowflake, nous avons rencontré ces mêmes défis lors de notre implémentation Salesforce CRM. Le manque de données cohérentes entre le système CRM et les outils de reporting utilisés par l’équipe commerciale, l’absence d’un système fiable et stable prenant en charge les données GTM ont conduit à une érosion de la confiance dans nos données et à l’incapacité de notre équipe GTM à prendre des décisions stratégiques sur les comptes à grande échelle .

Au début de notre parcours CRM, notre responsable des ventes a formulé une demande apparemment simple :

« S’il vous plaît, améliorez la notation de notre compte. »

L’équipe des ventes travaillait avec un ancien mécanisme de notation de compte, mais n’avait aucun contexte autour des données qui lui étaient fournies et aucune idée de la façon d’interpréter le modèle de notation. La notation des comptes était devenue non fiable, inutilisée et non pertinente. Et donc nous avons réalisé que nous avions en fait deux problèmes à résoudre :

  • Améliorez la précision et l’interprétabilité du mécanisme de notation des comptes.
  • Regagnez la confiance de l’équipe des ventes et l’engagement de l’équipe avec les données de compte et la qualité de la notation.

Pour simplifier et englober l’ampleur et la profondeur du défi des données à relever, nous avons tiré parti des trois étapes suivantes :

1. Définir Exigences de mise en œuvre du CRM pour garantir une haute qualité des données. La qualité des données est le fondement des informations stratégiques basées sur les données pour toutes les applications métier, et elle est nuancée et complexe dans les systèmes CRM.

2. Améliorer enrichissement du compte avec de multiples sources de données internes et externes

3. Redéfinir la méthodologie de notation pour inclure la science des données et l’intuition humaine.

Ces objectifs primordiaux guident désormais notre stratégie Salesforce CRM et continuent de produire des résultats phénoménaux pour notre entreprise en matière de croissance, de coûts et de risques.

Comment nous avons amélioré l’enrichissement des données chez Snowflake

Nous avons décidé de changer enrichissement des données en utilisant les solutions de Snowflake, car nos données CRM étaient l’un des éléments clés des décisions commerciales qui devaient être améliorées.

  • Définir. Après avoir examiné ce qui entraînait une mauvaise qualité des données dans le système CRM, nous avons identifié ces principaux facteurs :
    • – Aucune norme de données n’a été utilisée.
    • – Aucune qualité minimale des données n’a été définie ou appliquée.
    • – Il n’y a pas eu de processus d’enrichissement des données.
    • – Il y avait une déconnexion entre la disponibilité des données des fournisseurs et le système CRM.
  • Améliorer. Nous avons fait ce qui suit pour cette étape :
    • – Mettre en place des normes minimales de qualité des données pour chaque entité et assurer une classification uniforme
    • – Snowflake utilise le partage de données sécurisé avec les fournisseurs de données pour permettre un accès plus facile et une fréquence d’actualisation des données plus rapide
    • – Écrit des algorithmes pour trouver un consensus sur la source de fournisseur de données à choisir
    • – Automatisation du processus pour qu’il s’exécute quotidiennement avec un nombre toujours croissant de points de données surveillés et actualisés
  • Redéfinir.
    • Comme nous avons partagé les données et Analyse des données outils avec les membres de l’équipe commerciale, nous avons rapidement appris les lacunes de certains partenaires de données et l’ampleur des implications de données obsolètes, car les données sont désormais largement utilisées au sein de l’entreprise dans de multiples processus critiques de reporting et de planification. En conséquence, nous avons voulu évoluer vers une approche de données de « propriété hybride » où les fournisseurs de données et l’équipe commerciale sont ensemble responsables de la qualité des données des entreprises avec lesquelles ils s’associent via Snowflake. La propriété hybride est activée en fournissant à l’équipe des ventes un système qui encourage la fourniture de commentaires sur la qualité des données à travers un certain nombre de boucles de rétroaction possibles, ce qui génère à terme un écosystème de données où les données des partenaires de données sont connectées par enrichissement à l’équipe des ventes. L’équipe commerciale vérifie ensuite les données et fournit des commentaires sur les données. Les commentaires sont examinés par les équipes de planification pour approbation.

Comment nous avons amélioré la notation des comptes chez Snowflake

Auparavant, l’intuition humaine était utilisée dans le processus de prise de décision des ventes, ce qui entraînait un degré plus élevé de préjugés inconscients sur les territoires de vente. De plus, de nombreux comptes potentiellement bons n’ont pas été investis. Au fur et à mesure que l’organisation des ventes grandissait, la complexité du processus de notation des comptes augmentait et il devenait de plus en plus difficile pour l’équipe des ventes de construire, modifier et étendre les territoires.

  • Définir.
    Nous avons identifié un certain nombre de points douloureux pour cette étape :
    • – L’intuition n’évolue pas.
    • – L’intuition n’est pas basée sur les données, ce qui laisse place à beaucoup d’erreurs.
    • – Le processus a été externalisé et n’est pas aligné sur les utilisateurs métier. Par conséquent, les résultats ne correspondaient pas aux besoins du terrain.
    • – Il était incorrect de se fier à l’intuition et de ne pas tenir compte des besoins du terrain.
    • – Il y avait une déconnexion entre les créateurs des processus CRM et les utilisateurs finaux quant aux informations qui seraient utiles pour orienter les décisions et le cycle de vente

Nous avons décidé de résoudre ce problème en utilisant des modèles d’apprentissage automatique (ML) qui visaient à répondre aux questions suivantes :

  • Quel est le potentiel de chaque compte avec Snowflake (gestion technique de compte) ?
  • Quelle est la probabilité que nous acquérions un compte si nous essayons de l’acquérir (propension au compte) ?

Les équipes Data de Snowflake se sont attaquées aux problèmes et ont développé les premières versions de modèles ML en exploitant les fonctionnalités et l’infrastructure de partage de données de Snowflake.

  • Améliorer. Pour cette étape, nous avons procédé comme suit :
    • – Identifié les comptes obsolètes et redondants qui créaient du bruit dans les modèles ML, puis les a supprimés
    • – Comptes réévalués à l’aide d’un processus interne et d’un fournisseur externe tel qu’Everstring qui fournissait des services de données
    • – Mener des entretiens avec les équipes pour les aider à déterminer les variables de résultats
    • – Création d’une couche de calcul humain pour tenir compte de l’intuition humaine
  • Redéfinir.
    • – En opérationnalisant les modèles ML, nous avons appris un certain nombre de leçons sur la manière de maximiser le rôle de l’équipe commerciale dans les processus de vente. La leçon la plus importante était que l’équipe doit avoir un rôle très clair dans le processus et une idée claire de ce qu’elle vise à améliorer. En doublant leur cas d’utilisation pour le processus de planification et d’échange/permutation de compte, nous avons pu redéfinir les rôles du modèle ML et les spécialiser pour une tâche particulière.
    • – Modélisation de la propension centrée sur la vitesse d’acquisition pour inciter les commerciaux à concentrer leur activité sur les comptes « chauds », ce qui à terme a raccourci le cycle de vente et permis aux équipes des opérations commerciales d’attribuer de meilleurs comptes et d’augmenter le nombre de leads actifs.
    • – Le modèle de marché adressable total s’est concentré sur la recherche de comptes plus grands et meilleurs, ce qui a permis à terme une segmentation optimisée qui a été découverte en utilisant une combinaison de plus de 100 fonctionnalités de compte fortement axées sur la compréhension des dépenses informatiques et de l’indice cloud de chaque entreprise.
    • – En termes de résultats, les deux initiatives ont apporté un certain nombre d’améliorations à nos équipes dans toute l’entreprise et ont amélioré la façon dont les données sont perçues et utilisées. Spécifiquement pour l’organisation des ventes, ces améliorations se sont traduites par de meilleurs représentants commerciaux sur de meilleurs comptes et une meilleure productivité. Pour Snowflake, cela s’est traduit par une stratégie GTM meilleure et plus adaptable.

Assurer le succès

Les équipes opérationnelles doivent déterminer une architecture optimale suffisamment flexible et agile pour s’adapter aux besoins futurs de l’entreprise. Lorsqu’elle est mal gérée, une plate-forme CRM peut être encombrée de données inexactes, non critiques et obsolètes, entraînant des décisions incorrectes.

Avoir une stratégie GTM réussie nécessite d’intégrer et de rapprocher de nombreuses sources de données, d’exécuter des analyses avancées complexes et d’assurer une cadence qui maintient les données de la plate-forme propres.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.