Vendas

Como definir melhores metas de vendas com ferramentas analíticas

Doug J. Chung, Isabel Huber, Vinay Murthy, Varun Sunku e Marije Weber
5 de agosto de 2019

A remuneração é fator crítico para a motivação da força de trabalho e para o crescimento de vendas no setor B2B. Estudos apontam, por exemplo, que a atualização da remuneração de acordo com as tendências de mercado pode ter um impacto 50% maior nas vendas do que os anúncios.  Para se estabelecer a remuneração correta, é essencial que a definição de metas de vendas seja adequada.  Tanto a pesquisa acadêmica quanto nossa experiência de trabalho em B2B em vários setores indicam que metas que não são definidas corretamente levam a um resultado contrário ao desejado, deixando de apresentar os benefícios esperados e desmotivando a força de vendas no processo.

Leia também:

7 maneiras de como as equipes de vendas podem definir metas melhores

Vendedor(a), pare de se preocupar com a simpatia

De fato, as organizações, muitas vezes, perdem os melhores talentos de vendas porque as metas definidas acabam punindo em lugar de recompensar o sucesso.  Um erro muito comum é o uso do desempenho passado como critério. Se um dos melhores representantes de vendas ultrapassa sua meta anual em 20%, sua meta para o próximo ano será definida em 120% do resultado obtido no ano atual – enquanto para um representante que alcance somente 90% da meta do ano atual, a meta do ano seguinte permanecerá inalterada.  Não é de se surpreender que os representantes com melhor desempenho considerem esse sistema injusto e, muitas vezes, caiam fora.

Vemos diversas empresas em muitos setores lutando do mesmo modo para definir metas ambiciosas, mas justas, que motivarão o pessoal de vendas a apresentar crescimento orgânico.  Algumas empresas já encontram soluções: utilizam ferramentas analíticas avançadas para identificar os verdadeiros motivadores para se alcançar resultados comerciais, bem como big data e aprendizado de máquina para entender a demanda do cliente com nível inédito de precisão e granularidade. De posse de projeções mais confiáveis, podem definir metas mais significativas.

Para definir metas mais adequadas, as empresas devem responder a três perguntas fundamentais: Como devemos selecionar nossos indicadores-chave de desempenho? Como devemos determinar o nível correto das metas? E com que frequência devemos definir novas metas?

Indicadores-chave de desempenho

Toda empresa deve se debater com essa questão: devemos basear as comissões e bônus em resultados de vendas, lucros, ou em outra métrica? A métrica mal escolhida pode levar a resultados sofríveis. Quando um fabricante de produtos químicos baseou suas metas em volume, seus representantes passaram a empurrar produtos de baixa rentabilidade, que exigiam pouco esforço de venda, em vez de produtos de margens altas que exigiam mais esforço, mas que teriam feito mais para impulsionar os lucros

Big data e ferramentas analíticas podem ajudar a identificar os indicadores-chave de desempenho que estão mais bem alinhados com as prioridades do negócio e que podem definir métricas granulares, podendo levar a resultados desejados. Uma empresa norte-americana de serviços industriais experimentava alta taxa de desistência de clientes – 20% – principalmente, porque os representantes tinham adotado táticas agressivas de vendas como, por exemplo, elementos de verticalização que os clientes não haviam solicitado. E, após os clientes terem concordado com a compra, os representantes não estavam mais por perto para assegurar o conhecimento adequado dos clientes. A oferta era para um serviço de assinatura mensal, que significava que os clientes podiam cancelar o serviço a qualquer hora – e graças à experiência desastrosa de vendas, muitos o fizeram.

As análises demonstraram que, em geral, se os clientes ficavam por seis meses, permaneciam o ano todo. Assim, a empresa recriou os incentivos tendo em conta o que chamamos de métrica de persistência de receita: a parte da receita que continua por mais de seis meses após a venda. Isso levou os representantes a mudar de direção, eles deixaram de “caçar” para “cultivar”: melhoraram o processo de conhecimento do produto por parte do cliente e mantiveram o relacionamento com o cliente.

Como definir metas adequadas

À medida que as ofertas se proliferam e os processos de vendas se tornam mais complexos, a demanda do cliente se torna cada vez mais volátil e difícil de se prever – e as abordagens tradicionais de cima para baixo na definição de metas ficam comprometidas.

Algumas empresas estão utilizando técnicas inovadoras de aprendizado de máquina para prever o comportamento do cliente. Para complementar dados de cima para baixo, realizam previsões em nível de território ou de conta, incluindo dados históricos de fontes internas e externas. Os algoritmos monitoram e respondem a fatores que afetam a confiabilidade de suas previsões, de modo que, quanto mais tempo são utilizados, mais precisos se tornam.

Em uma fabricante global, a demanda volátil fez com que as metas de vendas se tornassem muito difíceis. Os gerentes de vendas tinham dificuldade em discernir quando e qual nível de intervenção iria melhorar o desempenho de linha de frente quando os volumes mensais estavam em risco.  Sem dados de vendas robustos e granulares, a previsão era feita manualmente, e confiava fortemente nas estimativas dos gerentes. Desse modo, a empresa construiu um data lake utilizando fontes internas múltiplas e adotou o aprendizado de máquina para analisar padrões de vendas para cada produto em cada revendedor. A riqueza de pontuação de dados obtida – para produtos, níveis de estoque, preços, horário de venda etc. – permitiu agrupar os revendedores em grupos semelhantes e desenvolver um algoritmo de previsão para cada um, que foi melhorado por meio da manipulação de inputs com o tempo.

Os resultados foram impressionantes. A precisão das previsões melhorou 80%. Com previsões mais precisas, os gerentes de vendas puderam ajustar as metas durante todo o ano, para assegurar que não estavam compensando, nem penalizando os parceiros do canal e da linha de frente para avanços além de seu controle.

Como escolher a frequência correta para revisão

Com que frequência devemos redefinir as metas?  Se as metas forem revisadas muito frequentemente, os custos administrativos e os desafios de comunicação aumentam; se demorarem a ser revisadas, você pode perder a responsividade às mudanças do mercado e subestimar o engajamento dos representantes.

Uma empresa de serviços industriais utilizou técnicas de aprendizado de máquina para calcular a probabilidade de desistência de cada cliente; seu algoritmo identificou corretamente 60% de desistentes e 95% de não-desistentes. Com a ajuda de representantes, escolhidos a dedo, a empresa criou um novo modelo de definição de metas.

De acordo com este novo modelo, os representantes recebiam um bônus para atendimento diferenciado a clientes identificados como sendo de risco de desistência. Após fazer uma experiência com metas definidas em diferentes intervalos, utilizando previsões de algoritmos juntamente com feedback sobre comportamento de clientes da área, a empresa determinou que a frequência ideal de revisão era trimestral.  Ao utilizar o modelo para identificar clientes em risco, para representantes darem atenção diferenciada a cada trimestre, reduziu a taxa de desistência em 5%.

Como fazer acontecer

As empresas devem examinar se as métricas que utilizam para recompensar os representantes estão alinhadas com os objetivos estratégicos. Devem definir metas individuais baseadas não em desempenho passado, mas no potencial da carteira de clientes de cada representante. E podem aumentar a motivação dos representantes ao definir e revisar as metas de vendas, de acordo com os ciclos de compras dos clientes ao mesmo tempo que realiza experimentos visando a chegar à frequência ideal.

Nesse processo, as empresas podem se deparar com dados imperfeitos e com o ceticismo por parte dos representantes ou da administração – ou ambos.  O sucesso exigirá provavelmente vários experimentos – testar modelos de definição de metas, revisando as metas de vendas e utilizando-as para otimizar os planos de remuneração. As plataformas de dados e os sistemas de gestão de dados podem fornecer uma fonte uniforme de informações confiáveis para suporte das análises em tempo real.
E trazer talentos tais como cientistas de dados e “tradutores” – intermediários que explicam as necessidades do negócio para especialistas em tecnologia e explicar os aspectos da tecnologia para líderes de negócios – pode ser também muito importante.

Ao tomar as medidas definidas acima e persistindo por meio de iteração após iteração, as organizações podem ter melhor desempenho, com mais vendas, melhores margens, e uma força de vendas mais motivada.


Doug J. Chung é professor associado da classe de 1962 de MBA na unidade de Marketing da Harvard Business School. A pesquisa realizada por Chung tem como enfoque a remuneração da força de vendas. Chung trabalhou com empresas em âmbito mundial para desenvolver sistemas efetivos de remuneração de incentivos de empregados.  Chung ministra um curso sobre vendas e gestão de força de vendas na Harvard Business School.]


Isabel Huber é sócia da divisão de Marketing & Vendas da McKinsey & Company. O principal enfoque de Isabel são as operações de vendas e as transformações de excelência comercial em indústrias avançadas e nos setores de energia.


Vinay Murthy é sócio associado da divisão de Marketing & Vendas da McKinsey & Company. O principal enfoque de Murthy são as transformações no crescimento de vendas para empresas B2B de alta tecnologia.


Varun Sunku é especialista em conhecimento da divisão de Marketing e Vendas da McKinsey & Company. O principal enfoque de Sunku são excelência comercial & aceleração de vendas em empresas de B2B e de B2B2C.


Marije Weber é consultora da divisão de Marketing e Vendas da McKinsey & Company. O principal enfoque de Weber é o aumento da excelência comercial com empresas B2B e B2B2C.

 

 

 

Compartilhe nas redes sociais!