2019 11-12월호 B2B 기업, 머신러닝으로 영업목표 재조정하는 법 마리예 웨버(Marije Weber)
바룬 순쿠(Varun Sunku)
비나이 머시(Vinay Murthy)
이자벨 후버(Isabel Huber)
정덕진(Doug J. Chung)

SALES

B2B 기업, 머신러닝으로 영업목표 재조정하는 법

정덕진, 이자벨 후버, 비나이 머시, 바룬 순쿠, 마리예 웨버

 

 

 

영업실적에 따른 보상은 영업조직의 사기를 올리고 B2B 부문의 성장을 견인하는 데 필요한 핵심 도구다. 예를 들어, 시장 트렌드에 맞춰 보상체계를 조정하면, 영업실적에 미치는 효과가 광고보다 50% 더 클 수 있다는 연구 결과들도 있다. 보상체계가 제대로 작동하게 하기 위해서는 적절한 영업목표를 설정하는 작업이 필수적이다. 필자들의 연구를 통해, 그리고 다양한 산업군에 속해 있는 B2B 기업들과의 공동작업을 통해 알게 된 사실은, 목표 설정이 제대로 되지 않으면실적 보상이 원했던 효과를 내지 못하고 영업조직의 사기마저 꺾는 역효과를 불러오는 경우가 흔하다는 점이다.

 

사실 성공을 보상하는 게 아니라 성공에 벌을 주게 되는 목표 설정 때문에 가장 유능한 영업직 인재들을 잃게 되는 회사가 많다. 일반적인 실책 중 하나는 과거의 실적을 기준으로 한다는 것이다. 가령, 최고의 실적을 보인 직원이 올해 연간 영업목표를 20% 초과 달성하게 되면, 내년 영업목표는 올해 목표의 120%로 설정된다. 반면 올해에 영업목표의 90%밖에 달성하지 못한 직원의 경우 내년 영업목표는 올해와 변함이 없다. 최고의 실적을 보이는 직원들이 이를 불공정하게 여기고 회사를 떠나는 것은 어찌보면 당연한 일이다.

 

다양한 산업분야의 다양한 기업들이 야심차면서도 공정한 목표를 설정하는 데 이처럼 애를 먹는 모습을 많이 보게 된다. 이에 대한 해법을 찾아내는 기업들이 있다. 이런 기업들은 실적을 견인하는 실질적 요인을 찾아내는 데 빅데이터와 IT 시스템을 동원하는 고도의 분석기법을 활용한다. 이를 통해 전례를 찾아보기 힘들 정도로 정확하고 세밀하게 고객의 수요를 잡아낸다. 신뢰도가 더 높은 예측 데이터를 무기로, 보다 더 유의미한 목표를 설정해 내고 있다.

 

더 나은 목표를 설정하기 위해서는 다음 세 가지의 근원적인 질문에 대한 해답을 기업들이 찾아내야 한다. 첫째, KPI를 어떻게 선정해야 하는가? 둘째, 목표가 적절한 수준인지 어떻게 결정하는가? 마지막으로, 새로운 목표 설정은 얼마나 자주 해야 하는가?

 

 

올바른 KPI 선정

 

모든 기업이 다음의 의문을 놓고 고민해 봐야 한다. 인센티브와 보너스가 매출액, 순이익 같은 지표를 기준으로 설정돼야 하는지 아니면 다른 지표를 써야 하는지다. 지표가 잘못 설정되면 결과가 안 좋을 수 있기 때문이다. 한 화학품 제조업체의 경우 물량에 기초한 영업목표를 설정하자, 영업사원들은 판매하기는 어렵지만 회사의 수익성 개선에는 도움이 되는 고()마진 제품보다는 판매하기 쉬운 저()마진 제품에 영업역량을 집중했다.

 

빅데이터와 분석기법을 활용하면 우선순위가 높은 KPI가 무엇인지 파악하는 데 도움이 될 수 있다. 또한, 바람직한 성과를 견인하는 지표가 무엇인지를 규정하는 데도 도움이 될 수 있다. 미국의 한 산업서비스 회사의 경우, 20%에 이르는 높은 고객 이탈률로 어려움을 겪고 있었다. 그 주요 원인은 고객이 원치 않는 서비스를 영업사원들이 끼워 판매하는 등의 공격적인 영업방식에 있었다. 또한 영업사원들은 일단 서비스에 가입한 고객들이 서비스를 잘 사용하도록 돕지도 않았다.그 기업이 제공하는 서비스가 월 단위였기에 가입고객들은 언제든지 서비를스 해지할 수 있었다. 영업사원들의 잘못된 영업행태 때문에 많은 고객들이 실제로 서비스를 해지했다.

 

분석해 보니, 고객들은 이 서비스에 가입된 상태가 6개월간 유지되면 일반적으로 1년까지도 유지되는 경향을 보였다. 이 결과에 기반해, 이 회사는 영업사원의 인센티브 구조를 재정비했고 그 과정에서 이른바매출 지속성revenue persistency지표를 활용했다. , 매출액이 6개월 이상 지속되는 경우에 한해 그 일부를 영업사원에게 인센티브로 제공하는 방법이었다. 그 결과, 영업사원들은사냥하는 방식에서경작하는 방식으로 자신의 영업전략을 수정했으며, 고객이 서비스를 잘 사용할 수 있도록 돕고, 관계 유지에도 더 신경을 쓰게 됐다.

 

 

올바른 영업 목표 설정

 

제품과 서비스의 종류가 다양해지고 영업 프로세스가 더 복잡해짐에 따라, 고객 수요의 변동성이 커지고 예측하기도 힘들어지고 있다. 그래서 전통적인 톱다운 방식의 목표 설정으로는 미흡한 결과를 낳을 수도 있다.

 

혁신적인 머신러닝 테크닉을 활용해 고객의 행동을 예측하는 기업들이 있다. 톱다운 방식에 기반한 데이터를 보완하기 위해 기업 안팎에서 가져온 실적데이터와 함께 지역별, 고객별 예측데이터를 활용해 예측작업을 수행한다. 컴퓨터에 입력된 알고리즘이 예측의 신뢰성에 영향을 주는 요인을 모니터하고 이에 따라 스스로를 개선해 나간다. 그러므로 이 시스템을 오래 활용하면 할수록 예측은 더 정확해지는 구조다.

 

한 글로벌 제조업체의 사례를 보자. 이 회사는 시시각각 변하는 수요로 인해 영업목표를 설정하는 데 어려움을 겪고 있었다. 월간 판매량이 저조하면 영업담당 매니저들이 언제, 어느 수준으로 개입할지를 결정해야 하는데 그 결정 때문에 골머리를 앓았다. 정확하고 세밀한 영업데이터 없이 사람이 손으로 예측작업을 했고, 담당자의 추정에 크게 의존해야 했다. 그래서 이 기업은 다수의 내부 정보소스를 활용해데이터 호수data lake를 만들고 머신러닝 테크닉을 활용해 유통파트너별로, 제품별로 영업패턴을 분석했다. 제품, 재고수준, 가격, 판매시점 등에 관한 데이터가 풍부했기 때문에 유사한 대리점별로 그룹을 만들고 그 그룹별로 예측 알고리즘을 만들 수 있었다. 이 예측 알고리즘은 입력값을 계속해서 조정하는 작업을 통해 정확성이 향상돼 갔다.

 

결과는 매우 좋았다. 예측의 정확도가 80%나 향상된 것이다. 예측의 정확도가 높아진 덕에 영업담당 매니저들은 1년 내내 지속적으로 목표를 조정할 수 있었다. 또 외부 상황으로 인해 실적이 올라가거나 내려가는 상황에서 불필요하게 영업담당자와 대리점에게 상을 주거나 벌을 주는 일도 예방할 수 있었다.

 

 

올바른 목표 재설정 주기 설정

 

얼마나 자주 영업목표를 재설정해야 하는가? 그 주기가 너무 짧으면, 재설정에 따른 관리비용이 상승하고 의사소통과 관련된 어려움도 증대된다. 반면 그 주기가 너무 길면, 시장 변화에 대한 대응력이 떨어지고 영업활동의 활력을 떨어뜨릴 수 있다.

 

한 산업서비스 업체는 머신러닝 테크닉을 활용해 각 고객이 이탈할 확률을 산출해냈다. 알고리즘을 돌려봤더니 이탈위험군에 속하는 고객의 60%를 정확히 판별해냈고 비()이탈위험군에 속하는 고객의 95%를 판별해냈다. 엄선된 영업사원들의 협조를 얻어 이 회사는 새로운 목표설정모형을 설계했다.

 

이 새로운 모형하에서, 영업사원들은 이탈할 위험이 있다고 파악된 고객에게 다가가 영업활동을 펼치면 보너스를 받았다. 이런 현장활동에서 얻은 피드백과 더불어 알고리즘을 통해 얻은 예측자료를 활용해 각기 다른 기간 동안의 영업목표들을 놓고 실험을 해본 끝에, 이 회사는 최적의 영업목표 재설정 주기는 분기별이라고 결론지었다. 이 모델을 사용해 영업사원이 고()이탈위험 고객에게 분기별로 다가가도록 함으로써 고객이탈률을 5%나 줄일 수 있었다.

 

 

실행 방법

 

기업은 영업사원에게 인센티브를 주기 위해 활용하는 지표가 기업의 전략적 목표와 맥을 같이 하고 있는지 점검해야 한다. 과거의 실적이 아니라 각 영업사원의 영업잠재력에 기초한 개인별 맞춤 영업목표를 설정해야 한다. 또한, 고객의 구매주기를 고려해 목표를 설정·수정하고, 그와 동시에 최적의 재설정 주기를 찾기 위한 실험을 계속 병행한다면 영업사원들의 사기를 더욱 올릴 수 있다.

 

그 과정에서 데이터가 부정확해서 어려움을 겪을 수도 있고, 영업조직이나 경영자 또는 양측 모두로부터 회의적인 시각에 부딪치게 될 수도 있다. 이를 뚫고 성공하기 위해서는 실험을 한 번 하고, 또 해야 한다. 목표설정 알고리즘을 테스트해 보고, 그 결과에 따라 영업목표를 수정해 보고, 수정된 목표에 따라 영업조직 보상체계를 최적화시키는 것을 반복해야 한다. 데이터 플랫폼과 중앙집중형 데이터 관리 시스템을 활용하면 신뢰할 수 있는 데이터를 찾을 수 있는 정보의 소스가 어디인지 찾아낼 수 있으며 실시간 분석도 할 수 있다. 그리고, 데이터과학자와통역가같은 인재도 필요하다. 통역가란, 엔지니어와 경영자 중간에 서서 엔지니어들에게는 이런 시스템이 왜 필요한지를 사업적 측면에서 설명해 주고, 경영자에게는 기술적 측면에서 설명해 줄 수 있는 중간매개자를 말한다.

 

위에서 강조한 방법들을 활용하고 계속 시도한다면 더 훌륭한 기업이 될 수 있을 것이다. 매출도 더 상승하고, 이윤도 더 늘어날 뿐 아니라 영업조직의 의욕이 넘치는 그런 기업 말이다.

 

 

번역 이종호 에디팅 조진서

 

정덕진(Doug J. Chung)은 하버드경영대학원 마케팅 교수로 재직 중이다. 주요 연구분야는 영업조직 보상체계이며 전 세계 기업들과 공동 작업을 통해 인센티브 체계를 효과 있게 만드는 일에 힘쓰고 있다.

 

이자벨 후버(Isabel Huber)는 맥킨지의 마케팅·영업컨설팅 부문 파트너로 재직 중이다. 주요 활동분야는 첨단산업과 에너지 부문의 영업 운영 및 실적 개선이다.

 

비나이 머시(Vinay Murthy)는 맥킨지의 마케팅·영업컨설팅 부문 파트너로 재직 중이다. 주요 활동분야는 B2B IT기업의 매출 성장이다.

 

바룬 순쿠(Varun Sunku)는 맥킨지의 마케팅·영업컨설팅 부문 지식전문가다. 주요 활동분야는 B2B B2B2C 기업의 실적 개선과 영업 증대다.

 

마리예 웨버(Marije Weber)는 맥킨지의 마케팅·영업컨설팅 부문의 컨설턴트다. 주요 활동분야는 B2B B2B2C[1]기업의 실적 개선이다.

 

[1] B2B B2C를 결합시킨 기업 형태. 기업을 모집해 소비자와 연결해 주고, 해당 기업에 소개 대가를 받는 구조

페이스북 트위터

2019 11-12월호 다른 아티클 보기

목록보기

무료 열람 가능 아티클 수 0/1 회원가입 | 서비스상품안내