빅 데이터 동향: 2018년 매출 현황

2017년 빅데이터의 주요 트렌드는 무엇이었습니까? 인공 지능(AI)에서 데이터 통합에 이르기까지 업계를 사로잡고 발전시킨 몇 가지 개념과 기술이 있었습니다. 아마도 리드 우선 순위 지정에서 점점 더 정확하고 상황에 맞는 잠재 고객 데이터 제공에 이르기까지 모든 것에 영향을 미치는 자동화만큼 크고 포괄적인 것은 없었을 것입니다. 그러나 새해가 시작되면서 우리는 미래와 내년의 판매 현황으로 시선을 돌립니다.

자동화라는 큰 그림 아이디어가 올해 다시 한 번 바늘을 몰고 갈 것입니다. 기계 학습이 계속 성숙해짐에 따라 조직은 이러한 도구를 활용하여 데이터 수집 전략을 개선할 것입니다. 마찬가지로 기술 데이터는 팀이 새로운 시장을 식별하고 정보에 입각한 비즈니스 결정을 내리는 데 도움이 됩니다. 마지막으로 예측 분석을 통해 팀은 "황금 고객"으로 간주하는 대상을 재정의할 수 있습니다.

더 배우고 싶으신가요? 2018년에 보게 될 가장 큰 트렌드에 대한 예측을 검토해 보겠습니다.

그러나 먼저 빅 데이터에 대한 "빠른" 정의입니다.

그렇다면 2018년 빅데이터는 무엇을 의미할까요? 솔직히 말해서, 널리 받아들여지는 정의는 없습니다. 2014년 Forbes의 "12가지 빅 데이터 정의: What's Yours?"라는 제목의 기사 용어의 기원을 추적합니다. 1997년에 처음 문서화되어 2008년에 대중화된 이 용어는 상당한 변화를 겪었습니다. 2011년 McKinsey & Company 연구에서는 이 논쟁적인 역사를 한 단계 더 발전시켜 빅 데이터를 "크기가 일반적인 데이터베이스 소프트웨어 도구가 캡처, 저장, 관리 및 분석할 수 있는 능력을 넘어선 데이터 세트"로 정의합니다. 연구는 정의가 "의도적으로 주관적"이며 데이터 세트의 크기와 적용에 따라 다르다고 주장합니다.

그렇다면 이 모든 것이 의미하는 바는 무엇이며 2018년에는 무엇을 의미할까요?

먼저 "빅 데이터"라는 용어는 잘못된 이름이며 "빅"이라는 단어가 문제의 근원입니다. 2018년에 이 용어는 사실상 서로 다른 데이터 필드를 의미합니다. 외부 및 내부에서 비정형 및 구조화에 이르기까지 빅 데이터는 수많은 데이터 소스를 이해하려고 시도합니다. 빅 데이터는 필요할 수 있는 모든 데이터를 가질 수 있는 좋은 방법이며 다른 방법으로는 볼 수 없는 데이터를 확인하는 훨씬 더 좋은 방법입니다.

올해 우리가 보게 될 가장 큰 트렌드 중 하나는 기업이 빅 데이터가 무엇이며 어떻게 수집하는지 재정의하는 것입니다. 과거에 기업의 사고방식은 가능한 한 많은 데이터를 수집하는 것이었습니다. 이로 인해 실제로 너무 많은 데이터가 남게 되었고 곧 잠재 고객에 대해 모든 것을 알 필요가 없다는 것을 깨달았습니다. 실제로 2015년 데이터에 따르면 영업 관리자의 53%가 데이터의 양에 압도당했다고 답했으며 38%는 데이터를 얻은 후에는 데이터를 어떻게 처리해야 할지 모르겠다고 말했습니다.

많은 기업들이 너무 많은 데이터를 가지고 있는 것이 사실입니다. 따라서 기업은 더 많은 데이터를 수집하는 대신 데이터 수집 프로세스를 연마하고 개선해야 합니다. 이를 위해서는 영업 팀이 데이터 해석에 도움이 되는 도구 또는 숙련된 개인을 찾아야 합니다. 이와 관련하여 기업이 내년에 성공하려면 올바른 기술을 활용하고 데이터 수집 전략을 자동화해야 합니다. 다음은 이러한 빅 데이터 트렌드를 주도하는 데 도움이 될 세 가지 기술입니다.

1. 머신러닝

거듭 강조했지만 올해 가장 유망한 빅 데이터 트렌드 중 하나는 데이터 수집 프로세스를 자동화하는 것입니다. 현재 위치를 이해하기 위해 먼저 시간이 지남에 따라 데이터가 수집된 방식을 살펴보겠습니다. 과거에는 일반적으로 담당자가 CRM에 데이터를 수동으로 입력해야 했습니다. 이는 프로세스에 주관성의 요소가 있었기 때문에 본질적으로 편견을 만들었습니다.

기계 학습 알고리즘은 미리 결정된 요소를 분석하고 수작업을 제거하여 이 프로세스를 간소화합니다. 예를 들어, 음성-텍스트 분석은 최근 몇 년 동안 점점 더 신뢰할 수 있게 되었습니다. 이러한 도구를 통해 영업 담당자는 영업 통화 중에 말한 내용을 분석하고 결과와 비교할 수 있습니다. Gong, Chorus 및 ExecVision과 같은 회사는 이미 음성-텍스트 패러다임에 도구를 추가하고 조직에서 볼 수 있도록 하고 있습니다.

궁극적으로 데이터 수집을 표준화하면 직감이 제거되고 분류 및 수집 프로세스를 자동화하면 등식에서 인적 요소가 제거됩니다. 기계 학습 기술 공급업체는 시스템의 정확성을 개선하는 것 외에는 기득권이 없기 때문에 이 접근 방식은 판매 관리자에게 파이프라인 상태에 대한 객관적인 개요를 제공합니다.

2. 기술 데이터

기업은 고객 기반을 더 잘 이해하기 위해 오랫동안 인구 통계 및 기업 통계에 의존해 왔습니다. 소비자 마케터는 이 데이터를 활용하여 연령, 성별, 가구 소득과 같은 속성을 중심으로 메시지를 맞춤화할 수 있습니다. 이러한 속성은 2018년에도 여전히 적용 가능하지만 영업 팀은 기술 데이터를 활용하여 노력을 강화할 수 있습니다. 기술 자료는 회사의 기술 스택을 분석하여 영업 관리자가 잠재 고객이 사용하는 도구와 기술을 정의하는 데 도움이 됩니다.

기술 도구를 사용하면 영업 팀이 고객에 대한 이해를 더 깊이 파고들 수 있습니다. 이 기술은 프로젝트 관리 도구에서 CRM, 마케팅 자동화 도구에 이르기까지 모든 것을 기반으로 외부 웹 및 네트워크 프로필을 구축하기 위해 인터넷을 검색합니다. 이를 통해 조직은 잠재 고객을 대상으로 한 영업 통화에 참여하고 그들의 솔루션과 제품이 이상적인지 여부를 결정할 수 있습니다.

담당자가 리드가 사용하는 기술을 이해하면 더 많은 정보에 입각한 대화를 나눌 수 있습니다. 이 메시지는 잠재 고객의 실제 문제를 중심으로 조정할 수 있습니다. 팀은 또한 새로운 시장을 식별하고 정보에 입각한 비즈니스 개발 및 제품 계획 결정을 내릴 수 있습니다.

3. 예측 분석

예측 분석은 트렌드에 대해 낯선 일이 아닙니다. Inc.는 과거에 이를 차세대 혁신이라고 불렀습니다. 이러한 도구는 데이터 마이닝, 기계 학습 및 통계를 활용하여 잠재 고객과 잠재 고객을 예측하고 이들을 참여시키는 가장 좋은 방법을 보여줍니다. 예측 모델은 회사 규모, 판매 주기 및 구매 내역과 같은 미래 결과에 영향을 미치는 요소로 구성됩니다. 수십 가지의 다양한 분석 도구가 있지만 결국 이는 본질적으로 기업이 프로그램의 상태나 조건을 빠르게 볼 수 있도록 하고 활동과 추세를 시각화하는 대시보드입니다.

역사적으로 예측 분석은 예측 또는 비즈니스에 무슨 일이 일어날지 알려주는 아이디어를 기반으로 구축되었습니다. 예측 분석은 비즈니스에 이론적인 설명을 제공하는 것 이상으로 나아가 다양한 속성의 조합을 기반으로 어떤 일이 발생할 수 있는지, 그리고 가장 중요한 것은 비즈니스가 이러한 결과를 실현할 수 있는 방법을 설명해야 합니다. 2018년에 기업은 판매량, 가격 또는 기타 속성과 같이 원하는 결과에 가장 큰 영향을 미치는 것이 무엇인지 이해하기 위해 예측 논리를 사용하는 방법을 배워야 합니다.

우리가 예측 분석에서 본 가장 유망한 빅 데이터 트렌드 중 하나는 클러스터링의 개념입니다. 과거에 기업은 단일 속성을 사용하여 하나의 황금 고객을 식별했습니다. 그러나 기업에는 5~6개의 서로 다른 유형 또는 변형된 황금 고객이 있을 수 있습니다. 2018년에는 예측 분석을 사용하여 인구 통계를 클러스터링하여 이상적인 고객에 대한 아이디어를 확장하여 조직에서 중요한 리드를 식별할 수 있습니다. 또한 과거에 놓쳤을 수 있는 리드를 간과하지 않도록 도와줍니다.

실행 중인 빅 데이터

자동화 및 분석을 통해 조직은 리드에 대한 360도 보기를 더 잘 달성할 수 있습니다. 기계 학습 도구, 기술 데이터 및 예측 분석을 적용하는 성공적인 조직은 최대한의 노력을 기울입니다. 예를 들어, 잠재 고객에 대한 기술 데이터를 수집하고 이를 예측 분석과 결합하면 리드가 사용하는 도구와 입증된 기술 및 추세를 중심으로 판매 대화를 조정하는 방법을 설명하는 데 도움이 될 수 있습니다.

미래 지향적인 기술을 통합하면 고객에 대한 완전한 관점을 제공할 수 있습니다. 데이터를 통합하고 구성하는 방법을 알면 시간과 비용을 절약할 수 있을 뿐만 아니라 두통도 줄일 수 있습니다. 그러나 자동화는 하루아침에 이루어지지 않습니다. 설정과 확립된 접근 방식이 필요하며 가장 확실하게 정확한 데이터가 필요합니다. Aberdeen의 연구에 따르면 동급 최고의 조직은 "잠재고객 및 고객의 행동에 대한 데이터 정확성에 투자"합니다.

적절하게 실행되면 데이터 수집 전략을 통해 팀은 실제 결과를 산출하는 실제 통찰력을 기반으로 개인화되고 맞춤화된 전략을 구현할 수 있습니다. 새로운 시장, 부문 및 지역에 진입하려고 할 가능성이 큽니다. 그러나 오늘날에는 정확한 시장 정보를 얻는 것이 지루하고 시간이 많이 소요될 수 있습니다.

그렇다면 조직이 빅 데이터에 대비할 수 있도록 어떻게 준비할 수 있습니까?

전문가에게 영업 활동을 아웃소싱하면 데이터에 생명을 불어넣어 이 프로세스를 단순화하는 데 도움이 됩니다. 따라서 중요한 추세를 추적하고 충성도를 분석하고 전체 지원 전략을 평가할 수 있습니다. 아웃소싱 판매 솔루션은 최신 기술과 도구를 통합하여 최고의 성과를 낸 직원의 성공 요인에 대한 가시성을 제공합니다. 이러한 전문가는 또한 프로그램 요구 사항을 평가하기 위한 분석 및 보고 기능을 제공하므로 조직이 예측 가능하고 반복 가능한 결과를 생성하는 비즈니스 결정을 내릴 수 있습니다.

MarketStar는 1988년(30년!)부터 고객에게 실제적이고 가시적인 결과를 제공해 왔습니다. 당사의 광범위한 솔루션은 성공적인 판매 프로그램의 기초가 되는 견고한 데이터를 제공했습니다. 우리는 팀이 적은 시간에 전담 인력을 배치할 수 있도록 하지만 품질은 향상됩니다. 당사의 아웃소싱 판매 솔루션을 통해 조직은 중요한 데이터를 실현 가능한 수치로 변환할 수 있습니다.

또한 빅 데이터 동향을 파악하여 2018년과 그 이후에 성공할 수 있습니다.

이 기사는 Kyle Richardson과 Paul Brown의 기여로 작성되었습니다.