Handbok för HubSpot-datamodellering för tillväxt

När säljarna arbetar i ett CRM, marknad mäter i ett annat lager och kundteamet förlitar sig på kalkylblad, är problemet sällan brist på data. Problemet är att ingen har bestämt hur datan ska representera affären. Den här handbok för HubSpot datamodellering handlar därför inte om att skapa fler fält. Den handlar om att bygga en struktur som visar vilka affärer som är värda att driva, vad som bromsar dem och var intäktsmotorn tappar fart.

För B2B-bolag med långa säljcykler är detta avgörande. Ett enskilt köp kan omfatta flera beslutsfattare, flera affärsenheter, en lång utvärderingsperiod och produkter som säljs, implementeras och förnyas i olika steg. Om HubSpot-modellen bara är en kontaktlista med några pipelinefält blir rapporteringen missvisande och automatiseringen skör. Då får teamen mer administration, inte bättre beslut.

Börja med intäktsprocessen, inte med objekten

HubSpot erbjuder standardobjekt som kontakter, företag, affärer, aktiviteter, produkter och ärenden. Det är en bra grund, men inte en datamodell i sig. En datamodell är beslutet om vilka entiteter som spelar roll i er affär, vilka relationer de har och vilken information som ska vara sann i respektive steg.

Börja därför med att kartlägga hur en intäkt faktiskt skapas. Inte den process som står i säljpresentationen, utan den som teamet följer när en komplex affär går från okänd marknad till kund och vidare till expansion. Vilken enhet köper? Vilka personer påverkar? När blir ett initiativ en kvalificerad möjlighet? Hur hanterar ni flera parallella affärer hos samma koncern? Vad räknas som vunnet om avtal, implementation och fakturering sker vid olika tidpunkter?

Det här arbetet kan kännas mindre spännande än att bygga dashboards. Det är också där den verkliga hävstången finns. Om definitionen av en kvalificerad affär skiljer sig mellan marknad och sälj kommer ingen rapport att lösa problemet. CRM:et kommer bara att dokumentera oenigheten mer konsekvent.

Handbok för HubSpot-datamodellering: modellera verkligheten

En fungerande modell skiljer på information som hör hemma på kontakt-, företags- och affärsnivå. Den skillnaden låter självklar, men är en vanlig källa till dålig data.

En kontakts roll, senioritet och samtycke hör till personen. Segment, bolagsstorlek, marknad och kundstatus hör vanligen till företaget. Belopp, sannolikhet, förväntat stängningsdatum och nästa steg hör till den specifika affären. När samma uppgift ligger i flera objekt uppstår snabbt motstridiga värden. Då börjar teamet välja det fält som råkar passa den rapport de vill ta fram.

För mer avancerade försäljningsmodeller behöver ni ofta också beskriva sådant som standardobjekten inte fångar tillräckligt väl. Det kan vara en produktlinje, en aktiv implementation, ett dotterbolag, en partnerrelation eller ett köputskott. Anpassade objekt kan vara rätt svar när entiteten har ett eget liv, egna egenskaper och relationer till flera andra objekt.

Men anpassade objekt är inte ett bevis på mognad. De ökar komplexiteten och ställer högre krav på integrationer, behörigheter, rapportering och förvaltning. Om ett behov kan lösas genom en tydlig association, en pipeline eller några välstyrda egenskaper är det ofta bättre. Målet är inte den mest sofistikerade modellen. Målet är den minsta modell som gör viktiga affärsbeslut möjliga.

Definiera relationerna före fälten

I komplex B2B är relationerna ofta viktigare än själva fälten. En kontakt kan vara knuten till flera bolag. Ett moderbolag kan ha flera dotterbolag med egna köpcenter. En affär kan påverkas av en rådgivare, medan avtalet skrivs med en annan juridisk enhet. Om sådana samband saknas i modellen blir account-based arbete och forecasting snabbt opålitligt.

Bestäm vilka associationer som ska vara möjliga och vilka som ska vara obligatoriska. Ska varje affär ha ett primärt företag? Ska en beslutsfattare alltid vara kopplad till affären? Ska partnerpåverkade affärer märkas med en association eller ett fält? Här bör ni prioritera det som förändrar hur ni arbetar, inte varje tänkbar informationsbit.

Ett bra test är enkelt: Kan en säljchef se vilka konton som är aktiva, vilka personer som driver beslutet och vilka affärer som konkurrerar om samma budget? Om svaret är nej saknar modellen sannolikt en central relation.

Bygg egenskaper med ett tydligt jobb

Fält skapas ofta som svar på en akut fråga: ”Kan vi lägga till en dropdown för det?” Efter ett år finns hundratals egenskaper, många utan ägare, definition eller faktisk användning. Det gör formulär svåra att fylla i, integrationer känsliga och analysen långsam.

Varje egenskap bör ha ett tydligt jobb. Antingen används den för att kvalificera, prioritera, automatisera, rapportera eller uppfylla ett krav på datastyrning. Om den inte gör något av detta bör den normalt inte finnas.

Särskilt viktiga är fält som påverkar överlämningar mellan marknad, sälj och kundteam. Exempelvis kan marknad behöva ange källa och kampanjkontext, medan sälj ansvarar för affärsproblem, nästa steg, beslutsprocess och konkurrensläge. Kundteamet behöver i sin tur se vad som såldes, till vem och vilka förväntningar som skapades under säljprocessen.

Koppla också fält till tydliga definitioner. ”Målmarknad” är för vagt om olika team tolkar det som geografi, vertikal eller bolagsprofil. ”Kvalificerad” är för vagt om det inte finns konkreta kriterier och en ansvarig funktion. Datamodellering är till stor del språkdisciplin. När begreppen är oklara blir processerna oklara.

Låt pipeline-stegen styra beteendet

En pipeline ska inte bara beskriva hur långt en affär har kommit. Den ska styra vad som måste vara känt för att affären får gå vidare. Annars blir stegen en känsla, och prognosen blir en gissning med decimaler.

Kräv inte allt för tidigt. Det skapar dålig användning och tomma standardvärden. Men när en affär når ett sent steg ska teamet kunna svara på grundläggande frågor: vilket problem kunden vill lösa, vilka beslutsfattare som är involverade, vilken lösning som utvärderas, vad som kan stoppa köpet och vilket nästa åtagande som finns.

Använd validering, villkorade egenskaper och automatisering för att göra rätt beteende enklare än fel beteende. Om en affär flyttas till offert kan CRM:et till exempel kräva kommersiell omfattning och beslutsdatum. Om en möjlighet går förlorad ska orsak och konkurrent fångas på ett sätt som går att analysera. Det här ger marknad bättre signaler, sälj bättre coaching och ledningen en forecast som går att agera på.

Sätt datakvalitet i drift

Datakvalitet är inte ett städprojekt som genomförs en fredag i kvartalet. Det är en operativ funktion. Om värden blir fel när de skapas, eller om ingen ansvarar för dem när verkligheten förändras, kommer CRM:et gradvis att förlora trovärdighet.

Bestäm därför vem som äger kritiska datafält, hur de fylls i och vad som händer när de saknas. Marknad kan äga käll- och kampanjdata. Sälj kan äga affärsdata. RevOps kan äga modellens regler, dokumentation och förändringsprocess. Ägarskapet behöver inte vara byråkratiskt, men det måste vara synligt.

Följ få men relevanta kvalitetsmått: andel affärer med definierat nästa steg, andel konton med rätt segmentering, andel stängda affärer med komplett vinst- eller förlustorsak och antalet dubbletter som påverkar aktiva processer. Mät inte fullständighet för sakens skull. Mät de databrister som leder till sämre prioriteringar, missade uppföljningar eller fel investeringar.

Koppla rapportering till beslut som faktiskt tas

Många CRM-implementationer börjar med frågan: ”Vilka dashboards vill ledningen ha?” En bättre fråga är: ”Vilket beslut behöver teamet kunna ta snabbare och med mindre osäkerhet?”

Om ni vill veta vilka marknadsinvesteringar som skapar pipeline behöver källa, kampanj, företagssegment och affärsassociation fungera tillsammans. Om ni vill bedöma produktmarknadsanpassning i en ny marknad behöver ni kunna jämföra konvertering, säljcykel, förlustorsaker och genomsnittligt affärsvärde mellan segment. Om ni vill minska risk i forecasten behöver ni se ålder per steg, aktivitet, beslutsprocess och tydliga hinder.

Rapporteringskraven ska forma modellen, men de ska inte producera ett fält för varje framtida fråga. Bygg för återkommande beslut först. När teamet litar på svaren kommer användningen av CRM:et att öka. När teamet inte litar på dem börjar de exportera data och bygga egna sanningar vid sidan av systemet.

Gör förändring möjlig utan att skapa kaos

En datamodell blir aldrig färdig. Nya marknader, produkter, prissättningar och team förändrar behoven. Därför behöver ni en enkel förändringsprocess: vilket problem löser förändringen, vilket objekt och vilka processer påverkas, vem äger den och hur mäts resultatet efteråt?

Det skyddar er från två ytterligheter. Den ena är ett CRM som fryser fast eftersom alla är rädda för att ändra något. Den andra är ett CRM där fält, workflows och pipelines skapas utan helhetsbild. Båda bromsar tillväxten.

Börja med en konkret friktion i er egen säljprocess. Välj till exempel överlämningen från kvalificerat lead till aktiv affär, och kontrollera om data, ansvar och nästa steg följer med hela vägen. Om de inte gör det har ni hittat en plats där bättre datamodellering kan ge effekt långt före nästa stora systemprojekt.