И вот тогда кто-то из нас вспомнил об аналитическом исследовании, которое в свое время провел Пат Хейз, менеджер по операциям Microsoft в центральном регионе Северной Америки. Пат искал оптимальное распределение бюджета службы разъездного персонала между участками, на которых большинство клиентов проживало в одном крупном городе, таком как Чикаго, и участками с клиентской базой, разбросанной по мелким населенным пунктам нескольких штатов. Его анализ выявил несколько отдаленных небольших городов, имевших тем не менее высокую концентрацию владельцев ПК. Он задался вопросом — а не являются ли именно эти города потенциально самым лучшим источником увеличения оборота?
Перед Патом и его небольшой группой стояла задача определения оптимальных новых направлений маркетинга в целом регионе, включающем восемнадцать штатов США и всю территорию Канады. История этой работы, выполненной за достаточно короткий срок — с ноября 1996 по январь 1997 года, — хорошо иллюстрирует, каким образом типовые электронные инструменты, которые уже есть у большинства интеллектуальных работников, могут сопрягаться с серверными финансовыми системами для решения задачи роста продаж компании.
Как бы вы стали искать города с наибольшим потенциалом прироста продаж среди сотен населенных пунктов самого различного размера? Какие параметры нужно измерять? Как разработать результативную маркетинговую программу, не требующую дополнительного привлечения десятков сотрудников и затрат в десятки миллионов долларов? Первое, что вы должны сделать, — это выжать все возможное из имеющейся у вас информации.
Пат и еще двое сотрудников начали с выборки данных из MS Sales, нашей основной системы учета доходов и поддержки принятия решений. В хранилище данных этой системы аккумулируется информация о продажах каждой версии каждого из наших продуктов каждым из наших реселлеров во всем мире. Более четырех тысяч сотрудников регулярно пользуются MS Sales для поддержки принятия решений, управления сетью поставок, расчета выплат сотрудникам службы продаж, подведения баланса в конце каждого месяца, составления финансовых смет, планирования исследований и разработок и анализа структуры рынка.
Затем группа извлекла из Интернета полученные в ходе переписи населения США сведения о среднем числе сотрудников в компаниях разных городов. У внешней консалтинговой фирмы группа получила данные о количестве ПК в каждом городе. У региональных менеджеров по маркетингу группа запросила информацию о проведенных в каждом городе семинарах и других маркетинговых мероприятиях. Наконец, группа составила список, в котором для каждого города указывалось количество партнеров Microsoft, работающих в этом городе. В это исследование, начатое всего двумя людьми, использовавшими электронную почту, интрасеть и телефон, в результате оказались вовлечены десятки людей по всей стране.
Собрав воедино и очистив от ошибок все эти данные, Пат и его группа начали их анализировать несколькими различными способами. Работая то порознь, то коллективно, но всегда с использованием наших электронных инструментов, они пытались выявить связь между объемом продаж и интенсивностью маркетинговых мероприятий в городах различного масштаба. Система MS Sales предоставила для анализа два набора данных, которые оказались особенно полезными: объемы продаж последнего года, по которым можно было вычислять прирост продаж, и оборот, разбитый по зонам с общим почтовым индексом. Такое разбиение оборота позволило проводить весьма детализированный по регионам анализ. Пользуясь данными переписи и сведениями о количестве ПК в каждом городе, наши аналитики получили возможность определить еще два важных показателя: оборот компании в расчете на один ПК и в пересчете на одного сотрудника компании.
В начале января, отобрав 80 городов в качестве наиболее перспективных кандидатов на проведение новых маркетинговых кампаний, Пат и его группа встретились с Джеффом Райксом. Джефф предложил им определить для каждого города две характеристики маркетинга — коэффициент эффективности и коэффициент активности. Эти величины должны были служить той самой общей мерой, которую они искали для определения зависимости между объемами продаж, плотностью ПК и интенсивностью маркетинга. Коэффициент эффективности определялся как отношение доли оборота Microsoft в данном городе в общем объеме продаж к вычисляемой аналогичным образом доле города по количеству ПК; у коэффициента активности в числителе стояла доля города по числу участников мероприятий Microsoft, а знаменатель был таким же, как у предыдущего коэффициента. Значение коэффициента больше единицы означало, что данный город превосходит другие по этому показателю, и наоборот.
При наличии такого согласованного набора показателей нашей небольшой группе уже не нужно было разводить долгих философских дискуссий о том, к какому из характерных регионов США следует отнести тот или иной город, или о том, что в таком-то районе экономика вообще развита хорошо, и поэтому наши продажи должны здесь пойти вверх. Подобные обсуждения заменил математический анализ. Членам группы оставалось только сравнить коэффициент эффективности любого города с показателями других городов и с наличием или отсутствием маркетинговой активности в этих городах. Самое главное, они получили метод экстраполяции потенциального объема продаж в таких городах, где до сих пор никаких маркетинговых мероприятий еще не проводилось. В результате оказалось, что многие небольшие города имеют весьма неплохие перспективы.
Я впервые услышал об этом проекте на совещании руководства в конце января 1997 года, когда Джефф представлял полученные в его ходе данные. Мы все были заинтригованы и дали ему «добро» на реализацию разработанной стратегии маркетинга сначала в нескольких из предложенных им небольших городов. Такая схема соответствовала принятому у нас в компании принципу «опробование, потом инвестиции» — прежде чем вкладывать действительно серьезные средства, мы стараемся проверять работоспособность любой новой идеи на небольшом пробном проекте. Джефф послал Пату электронное письмо с указанием составить окончательный набор рекомендаций для пилотной программы и в течение двух недель представить его для совместного обсуждения.
За день до намеченной встречи Пат с коллегой работали над окончательным вариантом своих предложений, и, опираясь на имеющийся список партнеров Microsoft, Пат придумал новый числовой коэффициент, характеризующий развитость партнерских связей компании и выражающий относительный потенциал результативности совместных маркетинговых мероприятий в каждом городе. В порядке очередного эксперимента Пат с коллегой решили попробовать применить разработанные ими коэффициенты для разделения городов на несколько категорий и выработать для каждой из них соответствующую рекомендацию. В одну из категорий вошли города с высокой маркетинговой активностью и высоким коэффициентом эффективности. Рекомендация для таких городов состояла в том, чтобы снизить активность и пронаблюдать, произойдет ли падение эффективности. Если она останется на прежнем хорошем уровне, это будет означать, что здесь компания сможет сэкономить расходы, получая те же результаты.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134
Перед Патом и его небольшой группой стояла задача определения оптимальных новых направлений маркетинга в целом регионе, включающем восемнадцать штатов США и всю территорию Канады. История этой работы, выполненной за достаточно короткий срок — с ноября 1996 по январь 1997 года, — хорошо иллюстрирует, каким образом типовые электронные инструменты, которые уже есть у большинства интеллектуальных работников, могут сопрягаться с серверными финансовыми системами для решения задачи роста продаж компании.
Как бы вы стали искать города с наибольшим потенциалом прироста продаж среди сотен населенных пунктов самого различного размера? Какие параметры нужно измерять? Как разработать результативную маркетинговую программу, не требующую дополнительного привлечения десятков сотрудников и затрат в десятки миллионов долларов? Первое, что вы должны сделать, — это выжать все возможное из имеющейся у вас информации.
Пат и еще двое сотрудников начали с выборки данных из MS Sales, нашей основной системы учета доходов и поддержки принятия решений. В хранилище данных этой системы аккумулируется информация о продажах каждой версии каждого из наших продуктов каждым из наших реселлеров во всем мире. Более четырех тысяч сотрудников регулярно пользуются MS Sales для поддержки принятия решений, управления сетью поставок, расчета выплат сотрудникам службы продаж, подведения баланса в конце каждого месяца, составления финансовых смет, планирования исследований и разработок и анализа структуры рынка.
Затем группа извлекла из Интернета полученные в ходе переписи населения США сведения о среднем числе сотрудников в компаниях разных городов. У внешней консалтинговой фирмы группа получила данные о количестве ПК в каждом городе. У региональных менеджеров по маркетингу группа запросила информацию о проведенных в каждом городе семинарах и других маркетинговых мероприятиях. Наконец, группа составила список, в котором для каждого города указывалось количество партнеров Microsoft, работающих в этом городе. В это исследование, начатое всего двумя людьми, использовавшими электронную почту, интрасеть и телефон, в результате оказались вовлечены десятки людей по всей стране.
Собрав воедино и очистив от ошибок все эти данные, Пат и его группа начали их анализировать несколькими различными способами. Работая то порознь, то коллективно, но всегда с использованием наших электронных инструментов, они пытались выявить связь между объемом продаж и интенсивностью маркетинговых мероприятий в городах различного масштаба. Система MS Sales предоставила для анализа два набора данных, которые оказались особенно полезными: объемы продаж последнего года, по которым можно было вычислять прирост продаж, и оборот, разбитый по зонам с общим почтовым индексом. Такое разбиение оборота позволило проводить весьма детализированный по регионам анализ. Пользуясь данными переписи и сведениями о количестве ПК в каждом городе, наши аналитики получили возможность определить еще два важных показателя: оборот компании в расчете на один ПК и в пересчете на одного сотрудника компании.
В начале января, отобрав 80 городов в качестве наиболее перспективных кандидатов на проведение новых маркетинговых кампаний, Пат и его группа встретились с Джеффом Райксом. Джефф предложил им определить для каждого города две характеристики маркетинга — коэффициент эффективности и коэффициент активности. Эти величины должны были служить той самой общей мерой, которую они искали для определения зависимости между объемами продаж, плотностью ПК и интенсивностью маркетинга. Коэффициент эффективности определялся как отношение доли оборота Microsoft в данном городе в общем объеме продаж к вычисляемой аналогичным образом доле города по количеству ПК; у коэффициента активности в числителе стояла доля города по числу участников мероприятий Microsoft, а знаменатель был таким же, как у предыдущего коэффициента. Значение коэффициента больше единицы означало, что данный город превосходит другие по этому показателю, и наоборот.
При наличии такого согласованного набора показателей нашей небольшой группе уже не нужно было разводить долгих философских дискуссий о том, к какому из характерных регионов США следует отнести тот или иной город, или о том, что в таком-то районе экономика вообще развита хорошо, и поэтому наши продажи должны здесь пойти вверх. Подобные обсуждения заменил математический анализ. Членам группы оставалось только сравнить коэффициент эффективности любого города с показателями других городов и с наличием или отсутствием маркетинговой активности в этих городах. Самое главное, они получили метод экстраполяции потенциального объема продаж в таких городах, где до сих пор никаких маркетинговых мероприятий еще не проводилось. В результате оказалось, что многие небольшие города имеют весьма неплохие перспективы.
Я впервые услышал об этом проекте на совещании руководства в конце января 1997 года, когда Джефф представлял полученные в его ходе данные. Мы все были заинтригованы и дали ему «добро» на реализацию разработанной стратегии маркетинга сначала в нескольких из предложенных им небольших городов. Такая схема соответствовала принятому у нас в компании принципу «опробование, потом инвестиции» — прежде чем вкладывать действительно серьезные средства, мы стараемся проверять работоспособность любой новой идеи на небольшом пробном проекте. Джефф послал Пату электронное письмо с указанием составить окончательный набор рекомендаций для пилотной программы и в течение двух недель представить его для совместного обсуждения.
За день до намеченной встречи Пат с коллегой работали над окончательным вариантом своих предложений, и, опираясь на имеющийся список партнеров Microsoft, Пат придумал новый числовой коэффициент, характеризующий развитость партнерских связей компании и выражающий относительный потенциал результативности совместных маркетинговых мероприятий в каждом городе. В порядке очередного эксперимента Пат с коллегой решили попробовать применить разработанные ими коэффициенты для разделения городов на несколько категорий и выработать для каждой из них соответствующую рекомендацию. В одну из категорий вошли города с высокой маркетинговой активностью и высоким коэффициентом эффективности. Рекомендация для таких городов состояла в том, чтобы снизить активность и пронаблюдать, произойдет ли падение эффективности. Если она останется на прежнем хорошем уровне, это будет означать, что здесь компания сможет сэкономить расходы, получая те же результаты.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134