SaaS-vicepræsident for indtægtsdrift siger, at spredningen af AI-værktøjer er den skjulte omkostning, som ingen måler

Mollie Bodensteiner er VP for omsætningsdrift hos ZoomInfo, en børsnoteret SaaS-virksomhed, der betjener virksomhedskunder globalt. Hun er også skaberen af The RevTech Review.

Vi satte os ned med Mollie for at forstå, hvordan hun ændrer arbejdsgangene for aftalevurdering og prognosticering med AI. Her er, hvad hun fortalte os.

AI tester, om fundamentet under dine data og processer kan holde

Jeg leder omsætningsdriften hos en børsnoteret SaaS-virksomhed i virksomhedsskala, der betjener mellemstore og store kunder globalt. Vores fødererede model omfatter drift af salgspipelinen, salgsdrift, CX-drift, partnerdrift og GTM-systemer og understøtter en kompleks markedsorganisation med flere salgsbevægelser.

Vi driver en abonnementsbaseret SaaS-model, der er påvirket af brugen, med flere markedsaktiviteter: nye forretninger, udvidelser og fornyelser på tværs af selvbetjening, mellemstore virksomheder og store virksomheder. Mit RevOps-team består af omkring 20 personer og understøtter hele GTM-organisationen.

Jeg har over 15 års erfaring med at arbejde på tværs af markedsførings- og salgsområdet: RevOps, systemer, aflønning, automatisering, territorie- og kvoteplanlægning, dataarkitektur og udvikling. Jeg har opbygget og skaleret disse funktioner i flere hypervoksende enhjørningsvirksomheder – den slags virksomheder, hvor forretningen bevæger sig hurtigere end de systemer, der skal understøtte den.

Det konstante genopbygningsarbejde har formet min måde at tænke på. Hver gang en virksomhed blev fordoblet i størrelse, holdt de systemer, der virkede i går, op med at fungere i dag. Jeg lærte at designe til skalering, før skaleringen krævede det.

Det er den rejse, der har bragt mig til dette øjeblik i ledelsen af omsætningen: ikke at jagte AI som en tendens, men at se det som den næste test af, om dit fundament kan holde.

Mollies tanker

Det konstante genopbygningsarbejde har formet min måde at tænke på… ikke at jagte AI som en tendens, men at se det som den næste test af, om dit fundament kan holde.

Sådan forbedrer AI-drevne arbejdsgange aftalevurdering og prognosticering

RevOps har bygget hele karrierer på antagelsen om, at CRM-systemet er det autoritative system. Hvis det ikke står i Salesforce, er det ikke sket, og prognosen er kun så god som det, der er blevet skrevet ind.

AI ændrede det for mig. CRM-systemet var aldrig sandhedskilden. Det var altid det, en sælger havde tid til at dokumentere, filtreret efter hvad vedkommende huskede, hvad vedkommende mente var vigtigt, og hvad vedkommende ikke ønskede at indrømme. Det virkelige signal var altid et andet sted: i samtalen, i e-mailtråden, i hvordan en køber reagerede sammenlignet med, hvordan sælgeren beskrev det.

Så vi ændrede det, vi bad sælgerne om at gøre. Vi holdt op med at bede dem om manuelt at logge noter og opdatere felter, som en agent nu kunne udlede af selve samtalen. Deres opgave skiftede fra dataindtastning til salg og fra at forsvare deres stadie og afslutningsdato til faktisk at forholde sig til, hvad dataene fortalte dem.

Prognoseprocessen ændrede sig også. I stedet for at starte med det, en sælger havde skrevet ind, og arbejde baglæns for at validere det, starter vi med det fulde signalsæt og kontrollerer CRM-systemet som ét input op imod alt andet.

Når du kan samle alt dette i et enkelt kontekstlag, holder CRM-systemet op med at være det autoritative system og bliver ét input til det. Det autoritative system er nu det fulde billede, ikke det felt, en sælger udfyldte på vej til sit næste opkald.

En agent til aftalevurdering fra den virkelige verden

Vi byggede en agent, der gennemgår muligheder, efterhånden som de bevæger sig gennem pipelinen, og indsamler både førstepartssignaler – CRM-aktivitet, opkaldsnoter og e-mails – og tredjepartssignaler – hensigtsdata, research om købsudvalget og markedskontekst.

Den vurderer aftalens sundhed baseret på faktisk stemning og engagement, ikke kun på om metodefelterne er udfyldt. En aftale kan sætte flueben ved alle MEDDPICC-felter og stadig være ved at køle af. En aftale kan mangle et felt og stadig være varm.

Modellen ser forbi de udfyldte felter og på det, der sker i samtalen. Deltager køberne i opkaldene, eller taler sælgeren stadig kun med en fortaler, der ikke kan underskrive? Hvilken form for modstand eller hvilke spørgsmål dukker op? Er de taktiske og forventelige, eller er de tegn på, at køberen genovervejer beslutningen? Bliver tonen varmere eller køligere over tid? Er afslutningsdatoen realistisk, eller er det en dato, sælgeren ønsker skal være sand, i modsætning til en dato, køberen har bekræftet?

Det sidste betyder mere, end man skulle tro. Der er en reel forskel mellem det, der bliver sagt på et opkald, og det, en sælger hører og skriver ned, og den udgør et af vores stærkeste risikosignaler. Modellen opdager forskellen ved at sammenligne udskrifter fra opkald og noter med det, sælgerne har dokumenteret i CRM-systemet.

Modellen følger også, hvor hurtigt der bliver svaret over tid, i stedet for kun at se på et øjebliksbillede. En køber, der svarede hurtigt for en måned siden, men har været tavs i to uger, ser helt anderledes ud end en aftale, der har været stabil hele vejen igennem.

Alt dette samles i en risikokategori, der vægter aftalen i prognosen. En aftale med den rette køber engageret, en reel hastesag og en forsvarlig afslutningsdato har en reel vægt. En aftale, hvor sælgeren er den eneste, der er optimistisk omkring tidsplanen, nedvurderes uanset dens stadie.

Det er ændringen: Tidligere afspejlede pipelinevægten en aftales stadie i processen. Nu afspejler den, hvad der faktisk sker.

Hvordan afhængighed af AI skaber blinde vinkler

Når en agent vurderer en aftale, markerer en risiko eller anbefaler det næste skridt, følger sælgerne den let uden at spørge, om den er rigtig for netop den køber.

Risikoen er ikke, at AI nogle gange tager fejl. Det er, at sælgerne holder op med at kontrollere det. De overlader tænkningen, ikke kun opgaven, til andre, og det opdager man først, når en aftale, som alle har tillid til på grund af vurderingen, falder fra hinanden af en årsag, modellen aldrig ville kunne opfange.

Det er den del, de fleste ledere undervurderer. AI skal skærpe dømmekraften, ikke erstatte den. Hvis dine sælgere ikke kan forklare, hvorfor en aftale er sund, ud over at "modellen sagde det", har du byttet én blind vinkel ud med en anden.

Hvordan AI gavner omsætningsprocesser

Her er de resultater, jeg samlet set ser.

Det gode: Prognoseafvigelsen faldt, hvilket forbedrede pipeline-dækningen. Vi bevægede os forbi grundlæggende analyse til indsigt og intelligens, der fortæller sælgerne ikke kun, hvad der skete, men også hvad de skal gøre som det næste. Vi udviklede også stærkere budskaber og materialer til kundeengagement, drevet af en kontekstgraf, der giver de rigtige oplysninger på det rigtige tidspunkt for hver interaktion i stedet for generiske samtaleoplæg.

Det dårlige: AI-adoption skabte spredning, før den skabte løftestangseffekt. Flere værktøjer betød flere steder, sælgerne skulle kigge, hvilket i en periode skadede produktiviteten i stedet for at hjælpe den. Vi lærte også, at en agent, der er bygget på dårlige data, ikke fejler ubemærket. Den fejler selvsikkert, og selvsikkert forkert er værre end ikke at vide det.

Resultaterne var reelle, men de viste sig først, efter at vi havde rettet fundamentet. Ethvert resultat, der lignede en AI-sejr, var en data- og processejr iført en AI-etiket.

Hvorfor omkostningerne ved værktøjsspredning betyder mere end selve værktøjerne

Lad os tale mere om spredningen. I begyndelsen skabte tilføjelsen af flere AI-værktøjer og funktioner mere, ikke mindre, overfladeareal. Sælgerne havde flere steder at kigge, flere systemer, der genererede signaler, og flere dashboards, der hævdede at kunne fortælle dem, hvad de skulle gøre som det næste. Værktøjerne, der skulle skabe løftestangseffekt, fragmenterede opmærksomheden og bremsede udførelsen.

Derfor indsnævrede vi bevidst det overfladeareal, hvor sælgerne udfører deres arbejde. I stedet for at tilføje endnu et værktøj, hver gang vi løste et problem, spurgte vi, hvor sælgeren burde opholde sig til daglig, og skubbede AI'en og indsigterne ind i denne ene overflade i stedet for at bygge en ny.

Som følge heraf brugte sælgerne mindre tid på at finde ud af, hvor de skulle kigge, og mere tid på at udføre arbejdet. Produktiviteten steg ikke, fordi vi tilføjede mere AI, men fordi vi gjorde den AI, vi havde, anvendelig. Spredning var den skjulte omkostning, som ingen målte, og det var vigtigere at løse den end at implementere et hvilket som helst enkeltstående værktøj.

Hvorfor AI kun bør komme med anbefalinger

AI kan anbefale, hvad man skal gøre. Den kan ikke holdes ansvarlig for resultatet. Når en beslutning har reelle konsekvenser for en person eller en relation, skal ansvaret ligge hos et menneske, ikke en model.

AI informerer derfor beslutninger, der drager fordel af mønstergenkendelse i stor skala:

• Pipelinevurdering
• Aftalens sundhed
• Samlede prognoser
• Signaler om risiko for kundefrafald

AI kan behandle flere signaler, end noget menneske kan holde styr på, og fremhæve det, der fortjener opmærksomhed.

Menneskelig dømmekraft bruges fortsat til beslutninger, der indebærer afvejninger, som data ikke fuldt ud kan indfange. Dette omfatter:

• Beslutninger om, hvordan man håndterer en medarbejder, der har det svært, kontra et område, der har det svært
• Prisundtagelser, hvor relationer vægtes – ikke kun matematikken
• Design af POMP-planer, hvor incitamenter former adfærd på måder, som modeller ikke vil forudsige
• Beslutninger om medarbejdere – hvem er klar til et større ansvarsområde, hvem har brug for støtte, og hvem risikerer at forlade virksomheden, kontra hvem der blot har et svært kvartal

Mollies tanker

AI kan anbefale, hvad man skal gøre. Den kan ikke stå til ansvar for resultatet. Når en beslutning har reelle konsekvenser for en person eller en relation, skal ansvaret ligge hos et menneske, ikke en model.

Hvorfor salgs- og omsætningsledere må spørge, om der faktisk er brug for “mere”

Masseudgående kommunikation genereret af AI har været en skuffelse. Løftet var skala: flere e-mails, mere personalisering i stor skala, mere pipeline. Resultatet blev støj. Købere kan mærke, når en besked er genereret til alle og personaliseret til ingen, og svarprocenterne beviser det.

Den bredere lære er, at AI er fremragende til at skalere det, der allerede fungerer. Den har svært ved at skabe relevans ud af ingenting. Mængde var aldrig begrænsningen i udgående kommunikation. Relevans var. Relevans kræver stadig en menneskelig beslutning om, hvem der betyder noget, og hvorfor, før AI kommer i berøring med budskabet.

Det er det mønster, jeg holder øje med nu. Når vi bruger AI til at gøre mere af noget, spørger jeg, om “mere” faktisk var problemet. Som regel var det ikke.

Hvorfor datagrundlaget betyder mest i AI-transformationer

AI løser ikke et defekt datagrundlag; den afslører det. Alle CRO'er, jeg taler med, vil gerne begynde med den spændende del: agenten, copiloten, værktøjet, der lover at ændre medarbejdernes adfærd fra den ene dag til den anden. Men hvis de underliggende data er fragmenterede eller upålidelige, automatiserer AI blot dysfunktionen hurtigere og med større selvsikkerhed.

I sidste ende er de CRO'er, der brænder sig, ikke dem, der bevægede sig for langsomt. Det er dem, der købte værktøjet, før de fik styr på fundamentet, og derefter mistede troværdighed over for deres team, da resultatet var forkert, hvorefter ingen stolede på det igen.

Den tillid er svær at genopbygge, når først den er væk.

Sådan forhindrer du perfektionisme i at afspore implementeringen af AI

At forsøge at være perfekt var den forkerte instinktive reaktion. Jeg brugte for meget tid i begyndelsen på at forsøge at kortlægge alle særtilfælde, før noget blev lanceret. Vi taler om uger, der blev brugt på at bygge ting, ingen havde brug for, og en meget længere ventetid, før medarbejderne faktisk stolede på dem.

Nu vælger vi ét snævert problem, lancerer en løsning for en håndfuld medarbejdere og lader brugen fortælle os, hvad vi skal bygge som det næste.

Vi følger den faktiske brug, ikke tilfredshedsundersøgelser. Åbnede medarbejderne det? Og handlede de på det, det fortalte dem? Kom de tilbage? Det fortæller os mere på én uge, end nogen planlægningssession kunne.

Hvis medarbejderne ikke bruger noget, fjerner vi det – hurtigt. Også selv om vi allerede har bygget det. Allerede afholdte omkostninger er ikke en grund til at beholde det.

Og vi udvider i små, afgrænsede trin. Når den mindste version fungerer, og medarbejderne stoler på den, udvider vi udrulningen og tilføjer den næste del i stedet for at lancere hele visionen på én gang.

Kort sagt: Bevæg dig hurtigt, lær hurtigt, og skaler det, der virker.

Råd til salgs- og omsætningsledere

Her er mit råd til salgs- og omsætningsledere:

• Ret dine data, før du køber endnu et værktøj.
• Modstå presset for at tage det hele i brug på én gang. Den rigtige AI, på det rigtige sted, som medarbejderne rent faktisk bruger — det er målet.
• Hold fast i dømmekraften. Opgaven er ikke at automatisere beslutninger væk fra mennesker. Det handler om at give mennesker bedre information hurtigere, så de beslutninger, de stadig skal træffe, bliver skarpere. Den forskel er hele opgaven lige nu.

Følg med

Du kan følge Mollie Bodensteiner på LinkedIn. Og besøg The RevTech Review.

Der kommer flere ekspertinterviews på The CRO Club!