Recentemente, um prospect entrou em contato com a gente interessado em saber mais sobre os nossos conectores.
Ele havia acabado de assumir o papel de Head de Marketing e Vendas da sua empresa e nos mostrou um dashboard do Google Data Studio com as suas métricas de vendas e marketing.
Para obter os KPIs do seu funil de aquisição, ele chegava mais cedo no escritório toda segunda-feira e investia algumas horas para baixar relatórios do Pipedrive e Facebook, copiar no Google Sheets e visualizar no Data Studio.
Com as suas métricas de marketing, ele conseguia ver quantos leads entraram na semana passada e qual foi o CPL do Facebook (custo por lead). Com essas informações, ele resdistribuía o seu budget para as campanhas que tinham um CPL melhor.
Depois dos KPIs de marketing, ele partia para as métricas de vendas e analisava ticket médio, tempo de ciclo de vendas e o funil de vendas por etapa de cada vendedor.
O seu dashboard parava por aí.
Perguntamos para ele como ele calculava a conversão de lead para venda. Ele, então, nos mostrou um outro dashboard, que vinha de duas outras planilhas, que ele alimentava de maneira diferente.
“As primeiras planilhas já estão quase passando do limite máximo de linhas do google sheets”, ele disse.
Nessas outras planilhas, ele baixava os mesmos relatórios da primeira e condensava a informação para obter um gráfico similar ao abaixo:
Ficamos um pouco curiosos sobre o que estava acontecendo: mais leads estavam entrando e menos vendas saindo.
Ele também não conseguia explicar.
Fizemos algumas perguntas e descobrimos uma coisa interessante: o gráfico não era um cohort.
O que isso quer dizer?
O eixo X significa algo diferente para o número de leads e para o número de vendas:
- Para leads: quantos leads foram criados nessa semana
- Para vendas: quantas vendas foram feitas nessa semana
Esse tipo de gráfico, que chamamos de emparelhado, não está relacionando as duas informações. Isso significa que as vendas de uma dada semana, não são necessariamente frutos dos leads dessa mesma semana.
Os gráficos emparelhados são bons para ver duas informações ao mesmo tempo. Mas, não podemos tomar decisões de correlação entre elas.
“Isso faz todo o sentido! O meu ciclo médio de vendas é de 3 semanas, então basta eu empurrar o meu número de leads 3 linhas para cima e o problema está resolvido!”, disse o cliente.
Explicamos que isso não necessariamente é verdade… melhorias ou pioras na qualidade dos leads e tempo de resposta dos vendedores podem afetar o ciclo de vendas, além do mais, o ciclo de vendas é uma média – algumas contas vão fechar na mesma semana e outras em 6 ou 8 semanas.
Sugerimos então que ele olhasse os dados de forma cruzada: “É só fazer um procv entre o facebook e o pipedrive. Então, você coloca no eixo X a data de criação do lead e no eixo Y, você coloca o número de leads e as vendas daquele cohort de leads”.
Com esse gráfico, ele não veria quando a venda foi fechada – isso vai ficar a cargo de outros gráficos – mas a performance dos leads daquele cohort ao longo do tempo. Se os leads daquela campanha foram bons, as vendas irão acompanhar.
Ele entendeu e achou uma ótima, mas não podia fazer isso:
- não conseguia cruzar os dados porque eles estavam em planilhas separadas
- não podia juntá-los na mesma planilha porque não cabiam
- mesmo se estivessem na mesma planilha, os dados estavam agregados – era impossível saber que a venda fechada hoje veio do lead da semana passada
Tudo o que ele tinha eram quantidades por data. A granularidade estava perdida.
Suspeitamos também de outro problema: como ele analisava leads e vendas separadamente, a otimização das suas campanhas estava sendo prejudicada.
Olhando apenas para o CPL e número de leads, ele alocava budget para as campanhas que traziam mais leads a um CPL mais barato. O problema é que esses leads baratos não tinham uma conversão tão boa. Mas ele nunca suspeitaria disso sem olhar facebook e pipedrive de maneira conjunta e alocar budget para as campanhas que mais vendiam, ao invés de alocar para as que traziam os leads mais baratos.
Os seus SDRs e vendedores estavam engargalados e sua conversão caindo – os leads eram ruins. Ele estava com vagas na área de vendas abertas e expandindo o time – estava jogando dinheiro no problema, quando a solução na verdade era uma análise mais profunda e unificada.
Com a Kondado, ele conseguiu trazer os dados que precisava, na granularidade certa para encontrar os padrões que ajudaram ele a aumentar a conversão, sem gastar dinheiro contratando mais vendedores. Algumas semanas depois, sua área de CS também integrou o Zendesk para acompanhar o onboarding dos novos clientes e começou a dar inputs para vendas e marketing que ajudaram a reduzir o churn.
Publicado em 2019-11-06