AI ændrer, hvad kunder betaler for

Eliana Angelova er CRO hos Ison Xperiences, en virksomhed inden for styring af kundeoplevelser med 1.600 virtuelle agenter i produktion.

Vi satte os ned med hende for at høre, hvordan AI ændrer salg og prissætning. Her er, hvad hun fortalte os.

Fra salg af pladser til salg af resultater

Jeg hedder Eliana Angelova og er øverste ansvarlige for omsætning hos Ison Xperiences med base i Dubai.

Ison Xperiences er en virksomhed inden for styring af kundeoplevelser, der håndterer hele livscyklussen for kundeinteraktioner. Med AI-værktøjer, der er tilgængelige overalt, automatiserer vi omfattende internt. Vi har udviklet vores egen AI-intellektuelle ejendom. Det er ikke noget, de fleste BPO'er gør; de fleste køber standardløsninger og sætter deres eget navn på dem. Vi har udviklet SenshAI, vores omnichannel-platform til agentassistance. Vi har også udviklet hAIve til forsikring, Three60 CRM til inkasso og iQumex til kvalitetssikring. Det er ikke prototyper. De er i produktion og kører i dag på tværs af 1.600 virtuelle agenter. Dette danner grundlaget for vores hAI-rammeværk — mennesker plus AI.

Som CRO fortæller de tal, der betyder noget, den virkelige historie om transformationen. For to år siden eksisterede vores offshore-omsætning ikke. I dag udgør den cirka 20 % af vores forretning. Vi er gået fra én offshore-leveringslokation til syv. Vi håndterer over 50 millioner kundeinteraktioner hver måned på tværs af 25 lande og på mere end 60 sprog. Det handler ikke kun om skala; det er den infrastruktur, der gør os relevante for globale virksomhedskunder, som har brug for flersproget levering på tværs af flere tidszoner og med fokus på resultater.

Takket være AI kan vi konkurrere om de samme udbud som virksomheder, der er ti gange større end os.

Tre omsætningssøjler

Min omsætningsorganisation har tre søjler: før-salg og løsninger, salg samt implementering efter salget. Jeg strukturerede den bevidst på denne måde, fordi aftalen ikke slutter ved underskrivelsen i kompleks B2B-outsourcing—implementeringen opbygger eller nedbryder tillid, og jeg ønsker, at den omsætningsledelse, der afgav løftet, også er ansvarlig for at indfri det.

Vores salgsteam ledes geografisk. Vi dækker Indien og APAC, Kina, EMEA, Afrika og SA samt Tyskland, og vi udvider aktivt. I øjeblikket har jeg fem ledige stillinger på markeder, der er afgørende for vores vækststrategi: to i USA, én i Kenya, én i Sydafrika og én i Mellemøsten. Teamet er derfor under opbygning.

Før-salg og løsninger er bevidst placeret side om side med salg i stedet for under salg. De aftaler, vi går efter, er komplekse nok til at kræve en løsningsarkitekt og en GTM-strateg ved bordet fra den første samtale — ikke nogen, der først bliver hentet ind i tilbudsfasen. Denne funktion gør det muligt for os at sælge resultater frem for pladser.

Set fra et GTM-perspektiv går vi til markedet gennem branchevertikaler: telekommunikation og teknologi, BFSI og fintech, e-handel og detailhandel, medier, rejser samt hotel- og restaurationsbranchen. Det er et bevidst valg, fordi historien om AI-transformationen er forskellig i hver vertikal, og generiske salgstaler vinder ikke virksomhedsaftaler.

Vi bevæger os fra en betydelig konkurrent til en førende aktør i Everest PEAK Matrix. Hver beslutning om ansættelser, markedsindtræden og GTM-satsning, vi træffer, har til formål at dokumentere denne udvikling.

Hvordan AI kan ændre den kommercielle model

AI ændrede, hvordan vi prissætter. For tre år siden handlede den kommercielle samtale i BPO som standard om pladser: Du har brug for 200 agenter, her er prislisten, og her er omkostningen til medarbejderne. Kunden bar volumenrisikoen, og leverandøren havde ikke noget reelt incitament til at reducere antallet af henvendelser. Flere henvendelser betød flere agenter, og det betød mere omsætning. Det er en ødelagt model.

Da vi havde tilstrækkeligt med AI i driften, kunne vi forudsige og styre resultater i stedet for blot at bemande efter volumen. I det øjeblik man kan styre resultater, kan man prissætte ud fra dem. Derfor flyttede vi aftaler over til resultatbaseret prissætning, knyttet til reduktion af AHT, CSAT-scorer og løsning ved første kontakt. Kunden betaler nu for resultatet, ikke for antallet af medarbejdere.

Den kommercielle betydning af dette skift går i to retninger. For det første vinder vi nu flere aftaler, især med europæiske og amerikanske virksomhedskøbere, der er sofistikerede nok til at vide, at en kontrakt baseret på antal brugere blot er en administreret lønregning. Når vi kommer ind og siger: "Vi prissætter efter resultater og påtager os præstationsrisikoen", bliver det en helt anden samtale. For det andet fastholder vi kunderne på en anden måde, for hvis du står til ansvar for resultaterne, forbedrer du hele tiden driften i stedet for blot at vedligeholde den. Fornyelser bliver langt mere sikre. Det sikrer en vedvarende langsigtet omsætning.

Så hvad blev forbedret? Vinderprocenterne på virksomhedsaftaler, kontraktlængderne, kvaliteten af kunderelationerne og den interne disciplin. Når din omsætning er knyttet til kundens KPI'er, er alle i organisationen rettet mod det samme tal. AI ændrede ikke bare vores produkt. Det ændrede vores kommercielle model.

En arbejdsgang fra virkeligheden til at vinde nye logokunder

Jeg vil gennemgå vores nye arbejdsgang til at vinde nye logokunder i dag, fordi det er den arbejdsgang, der er blevet mest forandret.

1. Det begynder med udvælgelse af konti. Vi starter ikke længere med en territorieliste og uopfordret opsøgende kontakt. AI identificerer målkonti baseret på virksomhedsdata, købsignaler og overensstemmelse med den relevante branche. Modellen identificerer konti, der viser interessesignaler: ændringer i ledelsen, meddelelser om ekspansion og aktivitet inden for teknologianskaffelser. Teamet starter med en prioriteret kortliste, ikke med et blankt ark.
2. Derfra personaliserer vi den opsøgende kontakt i stor skala. Når vi tager den første kontakt, ved vi allerede, hvad kontoens sandsynlige udfordringer er, hvilken teknologiplatform den bruger, og hvem de relevante interessenter er.
3. Når en konto kommer ind i salgspipelinen, opdaterer vi løbende dens score baseret på engagement. Hvis en aftale går i stå, markerer modellen det. Teamet opdager ikke en død aftale ved kvartalets afslutning. De ser signalet tidligt og kan handle.
4. På tilbudsstadiet bruger før-salgsteamet denne viden til at opbygge en kommerciel model baseret på resultater: de KPI'er, der betyder noget for denne kunde, vores leveringsplatforms forpligtelser og den optimale prissætning. Og alt er baseret på data, ikke intuition. Løsningsteamet arbejder med AI, der har adgang til alle tidligere aftaler, vi har vundet eller tabt, alle leveringsmodeller, vi har anvendt, alle prisstrukturer, vi har brugt, og alle kunderesultater, vi har forpligtet os til.
5. Efter aftalens indgåelse følger vi implementeringen efter salget op mod de KPI'er, vi har forpligtet os til. Hvis vi er på vej væk fra målet, ser vi det, før kunden gør. Det er det, der gør fornyelse til en anden samtale.

AI er ikke magi. Magien opstår, når du holder op med at lade information leve i siloer.

Hvorfor ledere med ansvar for omsætning skal lære forskellen mellem AI-værktøjer og AI-løsninger

Eliana deler

I begyndelsen forvekslede vi AI-værktøjer med AI-løsninger…De fleste organisationer begynder med værktøjer og kalder det transformation. Det gjorde vi også. Folk brugte AI til at udføre deres eksisterende arbejde en smule hurtigere, og vi forvekslede det med strategiske fremskridt.

I begyndelsen forvekslede vi AI-værktøjer med AI-løsninger.

MIT offentliggjorde i år forskning, der beskriver det præcist. Et generativt AI-værktøj hjælper enkeltpersoner med at arbejde hurtigere ved at opsummere noter, skrive udkast til e-mails og forberede dem til samtaler. En generativ AI-løsning integreres i en proces, ændrer måden arbejdet udføres på og måler effekten på virksomhedsplan.

De fleste organisationer begynder med værktøjer og kalder det transformation. Det gjorde vi også. Folk brugte AI til at udføre deres eksisterende arbejde en smule hurtigere, og vi forvekslede det med strategiske fremskridt.

Det spørgsmål, der kunne have sparet os for den tid, er enkelt: "Ændrer dette resultatet eller kun inputtets hastighed?" Hvis svaret kun er hastighed, er det et produktivitetsværktøj, ikke et forretningsinitiativ.

Begynd med det forretningsresultat, du har brug for at flytte, og arbejd baglæns til den AI-kapacitet, der kan flytte det. Ikke omvendt.

Afgrænsningen mellem menneskeligt arbejde og AI-arbejde

AI driver i øjeblikket fire ting for os:

• Leadgenerering: Identificering af de rigtige målvirksomheder, afdækning af købsintentioner og fyldning af toppen af salgstragten, så teamet ikke prospekterer i blinde.
• Prioritering af salgspipeline: Vurdering af, hvor tiden skal bruges, baseret på match og engagement.
• Prognoser: Jeg vil ikke fremlægge et tal for bestyrelsen, medmindre modellen validerer det, fordi salgsledere af natur er optimistiske.
• Risiko for kundeafgang: Sporing af signaler på tværs af den eksisterende kundebase, så vi kan komme et problem i forkøbet, før det bliver til en samtale.

Hvad forbliver menneskeligt?

• Prissætning af komplekse aftaler: Den endelige beslutning involverer relationsdynamikker og strategisk dømmekraft, som en model ikke besidder.
• Forhandlinger: Altid.
• Territorieplanlægning: Vi ekspanderer i USA lige nu, og det var en strategisk beslutning, ikke en algoritme.
• Beslutninger om mennesker og ansættelser: Det er altid menneskeligt.

Det enkle princip er dette: AI håndterer det, der kan gentages, og hvor der findes mange data. Mennesker håndterer det, der er komplekst, kontekstuelt eller har store konsekvenser.

Hvordan AI skaber nye udfordringer for omsætningen

De gode resultater med AI er mange. Kvaliteten af leadgenereringen blev markant forbedret, fordi vi målretter bedre konti tidligere. Prognosernes nøjagtighed steg, fordi vi bruger modelvaliderede tal i stedet for salgsteamets mavefornemmelse. Skiftet til resultatorienteret prissætning gjorde vores kunderelationer mere langvarige, fordi fornyelse bliver en helt anden samtale, når vi er ansvarlige for kundens KPI'er.

Udfordringen er, at AI skaber et tillidsgab i teamet. Når en model fortæller en sælger, at en aftale, som vedkommende tror på, skal nedprioriteres, skaber det friktion. Det tager tid at opbygge tillid til outputtet, og teamet ignorerer nogle gange signalet og tager fejl. Det koster os.

Jeg undervurderede også, hvor meget kundeuddannelse der er nødvendig. Resultatorienteret prissætning lyder overbevisende i en salgspitch, men det kræver en reel kommerciel samtale at ændre en kundes tankegang, efter at kunden har købt licenser i ti år. AI ændrer vores forretningsmodel hurtigere, end markedet er klar til at absorbere.

Hvorfor AI ikke slår til ved udvidelse af kundekonti

Og jeg vil også sige dette: AI har ikke levet op til vores forventninger. Vi forventede, at AI ville hjælpe os med mere systematisk at identificere muligheder for mersalg og krydssalg i den eksisterende kundebase. Afdække signalerne, prioritere samtalerne, bevæge os hurtigere. Og signalerne er der. Dataene fortæller os, hvornår en kunde vokser, hvornår kundens mængder ændrer sig, og hvornår der er en oplagt næste service at introducere.

Men vi oplever, at data ikke udløser samtaler om udvidelse inden for enterprise-BPO. Det gør tillid. Og tillid lever i relationen, ikke i modellen. De kunder, der udvider samarbejdet med os, gør det, fordi en seniorperson tager telefonen, sætter sig i et rum med dem og har en samtale, der ikke stod i noget salgsscript. AI kan ikke efterligne det, og AI kan heller ikke fremskynde det.

Hvordan profilen på en dygtig sælger ændrer sig med AI

Den bedste sælger er ikke længere den med det største netværk.

I enterprise-BPO har den gængse opfattelse altid været, at man skal ansætte gråhårede veteraner med et dybt kontaktkartotek, fordi relationer lukker aftaler. Og relationer betyder stadig noget. Men AI har vist mig, at en datakompetent, AI-understøttet sælger, der går ind i en samtale efter allerede at have kortlagt kundens udfordringer, forstået kundens købsignaler og udarbejdet et kommercielt præcist forslag, konsekvent vil klare sig bedre end veteranen, der udelukkende sætter sin lid til god kontakt.

Profilen på en dygtig omsætningsprofessionel ændrer sig, og hvis man holder fast i den gamle definition, ansætter man til fortiden, ikke til fremtiden.

Hvorfor data og samarbejde er de største forudsigere for succes med AI

Eliana deler

Jeg har to råd: Det første er at sætte sig ind i dataene, før man tager værktøjerne i brug … Det andet er at sikre sig, at man er på linje med sin teknologiledelse.

Jeg har to råd:

Det første er at sætte sig ind i dataene, før man tager værktøjerne i brug. MIT-forskning fra sidste år viste, at 95 % af AI-pilotprojekter i virksomheder ikke formåede at skabe en målbar forretningsmæssig effekt. Årsagen er næsten altid den samme: Dataene under værktøjet er inkonsistente, ufuldstændige eller upålidelige. Clari fandt, at 67 % af de omsætningsansvarlige ikke stoler på deres egne data. Hvis det gælder dig, vil intet AI-værktøj redde dig. Få styr på fundamentet først.

Det andet er at sikre sig, at man er på linje med sin teknologiledelse. Clarıs forskning viser, at overensstemmelse mellem CRO og CIO er den enkeltstående største forudsigende faktor for AI's indvirkning på omsætningen. De CRO'er, der har succes, køber ikke værktøjer uafhængigt af resten af organisationen. De opbygger en fælles datastrategi sammen med deres teknologiske modparter og gør AI til en kapacitet for hele virksomheden i stedet for et eksperiment i salgsafdelingen.

Overordnet set skal du bruge AI til at skærpe din tænkning, ikke til at erstatte den. Vær nysgerrig, hold dig tæt på dataene, og stop aldrig med at træffe vurderinger.

Følg med

Du kan følge Eliana Angelovas arbejde på LinkedIn.

Der kommer flere ekspertinterviews på The CRO Club!