CRO jakaa agenttipohjaiset työnkulkunsa ja kertoo, missä tekoäly pettää liikevaihdon elinkaaressa

André Magrini on OGI:n CRO. Hänellä on 20 vuoden kokemus liikevaihdon parissa, ja tällä hetkellä hän perehtyy syvällisesti korkean panoksen päätöksiä ohjaaviin agenttityönkulkuihin.

Juttelimme Andrén kanssa selvittääksemme, missä hän hyödyntää agenttejaan – ja missä tekoäly aiheuttaa yllättäviä ongelmia. Tässä, mitä hän kertoi meille.

Tekoälyjärjestelmät korkean panoksen päätöksentekoon

Olen André Magrini, OGI:n liikevaihtojohtaja. OGI on Objective Groupin kansainvälinen yksikkö. Työskentelen liikevaihdon parissa, mutta intohimoni on se, miten liikevaihtoa koskevia päätöksiä tehdään: jokaisen kvalifioidun myyntiputken, jokaisen ennustepalaverin ja jokaisen ”onko tämä kauppa todellinen?” -keskustelun taustalla oleva inhimillinen harkinta.

Polkuni tähän ei ollut suoraviivainen. Olen vuosien ajan rakentanut ja johtanut markkinoillemenomalleja, jotka perustuivat tarkoituksellisesti verkostoihin ja kurinalaisuuteen raa'an voiman sijaan – pieniin tiimeihin, vahvaan luottamukseen perustuviin suhteisiin ja perusteelliseen kvalifiointiin. Se opetti minulle jotain, jonka useimmat tekoälykeskustelut sivuuttavat: liikevaihdon pullonkaula ei ole aktiivisuus, vaan päätösten laatu epävarmuuden vallitessa. Myyntiedustajat ja johtajat hukkuvat signaaleihin ja joutuvat silti arvailemaan.

Se sai minut kiinnostumaan tekoälystä. CRO-roolini ohella olen perehtynyt syvällisesti korkean panoksen päätöksentekoon tarkoitettujen tekoälyjärjestelmien rakentamiseen – tilanteisiin, joissa itsevarman mutta väärän vastauksen hinta on todellinen.

Juuri nyt kyse ei siis ole niinkään ”ota käyttöön tekoälytyökaluja” vaan ”suunnittele liikevaihtokoneisto uudelleen parempien päätösten ympärille”. Ei tekoälyä, joka kirjoittaa enemmän sähköposteja, vaan tekoälyä, joka kertoo, mitkä kaupat ansaitsevat huomiosi, missä ennuste on hauras ja milloin rehellinen vastaus on ”emme vielä tiedä”. Tästä muutoksesta välitän.

Digitaalisen muutoksen edistäminen

OGI:ssä neuvomme ja toteutamme ratkaisuja digitaalista muutosta edistäville yrityksille – emme ainoastaan suosittele strategiaa, vaan saamme aikaan tuloksia. GTM-mallimme perustuu uusien asiakkaiden hankkimiseen ja yhteistyön laajentamiseen selkeän ja suoran ROI:n pohjalta. Ansaitsemme ensimmäisen toimeksiannon osoittamalla mitattavan arvon ja kasvatamme asiakkuutta siitä eteenpäin.

Olemme kansainvälinen tiimi, jolla on toimistoja Pohjois-Amerikassa, Etelä-Amerikassa ja Euroopassa. Toimintamme laajuuden ansiosta voimme palvella suuria monikansallisia yrityksiä monilla eri toimialoilla elintarvikkeista ja kulutustavaroista suuriin valtion omistamiin pankkeihin sekä mukautua hyvin erilaisiin ostokulttuureihin ja päätöksentekosykleihin.

Kumppaniekosysteemi on merkittävä osa toimitustapaamme. Teemme tiivistä yhteistyötä Databricksin, Snowflaken ja Liferayn kaltaisten alustojen sekä Azuren ja AWS:n kaltaisten suurten pilvipalveluntarjoajien kanssa. Näin voimme kohdata yritysasiakkaat heidän jo valitsemansa teknologi pinon parissa.

Miten agentit voivat tukea asiakkuuteen valmistautumista

Pullonkaulamme ei koskaan ollut liidien määrä, vaan valmistautuminen. Ennen kuin myyntiedustaja perehtyi asiakkuuteen, kokenut tiimin jäsen teki taustatyön: tutki yritystä, selvitti, kuka hallinnoi budjettia ja kuka vain osallistui kokouksiin, etsi uskottavan syyn yhteydenotolle ja kävi asian läpi BANT-kriteerien avulla päättääkseen, oliko se aikamme arvoinen.

Kun kolmella alueella toimiva tiimimme oli pieni ja kokenut, sama pieni joukko ihmisiä joutui tekemään tämän työn – vaikka heidän olisi pitänyt olla asiakkaiden parissa. Työ oli hidasta ja epäjohdonmukaista. Kaksi meistä saattoi tutkia samantyyppistä asiakkuutta ja päätyä eri syvyyteen ja erilaisiin johtopäätöksiin.

Rakensin järjestelmän, jota kutsun ”CRO-tiimiksi”. Suunnittelin joukon tekoälyagentteja tekemään raskaimman työn ensin. Tähän kuuluu perusteellinen asiakkuustutkimus, todellisten sidosryhmien organisaatiokartta, toiminnan arvoiset signaalit ja lähestymiskohdat sekä jäsennelty ensivaiheen kvalifiointi. Kun ihminen ottaa asiakkuuden käsittelyyn, hänen edessään on jo perusteltu päätös etenemisestä tai luopumisesta tyhjän sivun sijaan.

Tämän ansiosta valmistelu, johon aiemmin kului 5 tuntia, vie nyt 15 minuuttia. Koska jokainen asiakkuus käy läpi saman prosessin, se, mistä kieltäydymme, on yhtä harkittua kuin se, mitä tavoittelemme.

Pienessä tiimissä niukin resurssimme ei ole henkilöstömäärä tai myyntiputki, vaan niiden ihmisten huomio, jotka osaavat tulkita kauppaa oikein. Jokainen tunti, jonka joku käytti yritystietojen keräämiseen, oli tunti pois sen päättämisestä, mitä tiedoilla pitäisi tehdä.

Käytännön työnkulku asiakkuuteen valmistautumiseen

Tässä on työnkulku, jota käytämme uusien kohdetilien kanssa.

Kaikki alkaa laukaisimesta. Laukaisimia ovat markkinasignaalit, kumppanien toimet (esimerkiksi Databricksin tai Snowflaken ilmoitus tilin aktiivisuudesta), nykyisten asiakkaiden laajentumispyynnöt tai jonkun tiimini jäsenen ehdottama nimi. Lähteestä riippumatta tili siirtyy työnkulkuun, ja CRO-tiimi aloittaa työnsä.

Agentit laativat selvityksen, jossa kuvataan yrityksen toiminta, sen teknologiatarjooma, viimeaikaiset signaalit (kuten johdon nimitykset, muutoshankkeet, rahoitus ja lehdistössä saadut maininnat) sekä organisaatiokartta, jossa päätöksentekijät erotetaan tapaamisiin osallistuvista henkilöistä. Jokainen selvityksen väite sisältää lähteensä. Jos agentti ei pysty ilmoittamaan lähdettä, se ei voi esittää väitettä.

Seuraavaksi jäsennelty, BANT-tyylinen ensiarviointi arvioi tilin suhteessa kriteereihimme. Tärkeintä on, että tekoäly merkitsee kohdat, joissa sen varmuus on heikko. Jos budjettisignaali on heikko tai päätösvalta on vain arvaus, se ilmoittaa tästä selvästi sen sijaan, että esittäisi heikon päätelmän faktana. Näen mieluummin kymmenen rehellistä ”matala varmuus” -merkintää kuin yhden varman lauseen, johon en voi luottaa.

Seuraavaksi on ihmisen tarkistuspiste, joka jää usein huomiotta. Ennen tekoälyn tuotoksen tarkastelua myyntiedustaja kirjoittaa ensin oman arvionsa tilistä. Hän dokumentoi intuitionsa, näkökulmansa sekä vaistonvaraisen kyllä- tai ei-päätöksensä. Vasta sen jälkeen hän avaa selvityksen ja vertaa sitä omaan arvioonsa. Yhteneväisyys tarkoittaa etenemistä; poikkeama käynnistää keskustelun, joka keskittyy suoraan niihin kohtiin, jotka tekoäly merkitsi epävarmoiksi. Kyllä- tai ei-päätös on täysin ihmisen tekemä.

Monet tilit päättyvät tarkoituksella tähän. Karsimme tilit varhaisessa vaiheessa, jotta emme tuhlaisi kokeneiden henkilöiden aikaa epärealistisiin mahdollisuuksiin.

Jäljelle jäävien tilien kohdalla tekoäly auttaa muotoilemaan lähestymistavan: juuri kyseistä tiliä koskevan arvolupauksen ja sijoitetun pääoman tuottoa koskevan perustelun, lähestymistavan sekä sen, mikä kumppani ja ratkaisu sopivat parhaiten. Myyntiedustaja kuitenkin muotoilee viestin ja keskustelun itse ja varmistaa, että kyse on henkilöiden välisestä viestinnästä eikä massatuotetusta yhteydenotosta.

Siitä eteenpäin prosessi etenee silmukkana. Kaupan edetessä agentit etsivät jatkuvasti signaaleja — jäähtymisen riskiä, asiakaspoistuman riskiä tai laajentumisen laukaisimia — ja ilmoittavat meille, jos ennuste näyttää heikolta. Ennustekeskustelu ja asiakassuhde pysyvät ihmisten hallinnassa.

Miten tekoäly muuttaa GTM-mittareita

André kertoo

Laajempi kattavuus ei aina ole parempi. Kun tekoäly poisti tutkimuksen ja kvalifioinnin pullonkaulan, odotin ilmeistä hyötyä: Se teki päinvastoin.

Laajempi kattavuus ei aina ole parempi. Kun tekoäly poisti tutkimuksen ja kvalifioinnin pullonkaulan, odotin ilmeistä hyötyä: tiimini kattaisi paljon useampia tilejä ja myyntiputki paisuisi.

Se teki päinvastoin. Vaikka pystyimme yhtäkkiä kvalifioimaan valtavan määrän tilejä, suurin osa palautteesta oli kvalifioitua roskaa. Laajempi kattavuus tuotti vain enemmän kohinaa. Valinta ja suhteen syvyys olivat tärkeämpiä kuin mittakaava.

Siksi muutin sitä, mitä mittaan. Lopetin GTM:n terveyden seuraamisen volyymin ja kattavuuden perusteella ja aloin seurata sitä valintojen laadun sekä sen perusteella, mihin kokeneet ihmiseni käyttivät työtuntejaan. Todellinen vipuvaikutus löytyi vähentämisestä, ei lisäämisestä: kieltäytymisestä nopeammin, kokeneen tiimin keskittämisestä harvempiin tileihin ja syvemmälle menemisestä laajemmalle levittäytymisen sijaan.

Se oli vaikea myöntää, koska se oli ristiriidassa sen kanssa, miten olin johtanut tiimejä kahdenkymmenen vuoden ajan.

Minkä pitäisi säilyä ihmisten tehtävänä ja mitä tekoälyn pitäisi hoitaa

Kun lakkaat ajattelemasta tekoälyä tuottavuuden moninkertaistajana ja alat ajatella sitä keinona suojata pienen tiimin huomiokykyä, tekoälyn ja ihmisen välinen työnjako on selvä.

Tekoäly kerää ja järjestää — tilitutkimuksen, organisaatiokartan ja BANT-ensiarvioinnin. Lisäksi se auttaa priorisoimaan myyntiputkea, pisteyttää ja lajittelee kaupat, jotta emme kaikki tarkastelisi samoja neljääkymmentä mahdollisuutta yhtä kaavamaisin silmin, sekä etsii signaaleja, kuten laajentumisvalmiista tilistä tai hiljalleen jäähtyvästä tilistä. Ennustamista varten se kokoaa tiedot yhteen ja, mikä on minulle hyödyllisempää, merkitsee kohdat, joissa arvio on heikko. Se kertoo, mitä lukuja se ei pidä luotettavina.

Ihmiset tekevät päätökset. Minä vastaan lopullisesta ennusteluvusta. Ihmiset huolehtivat hinnoittelusta ja kaupallisesta strategiasta. Ihmiset hallitsevat suhdetta ja neuvottelua, piste. Emme koskaan luota suuren merkityksen asiakaspäätöstä — jossa sitoudumme sijoitetun pääoman tuottoon tai jossa luottamus on vaakalaudalla — mallin tehtäväksi. Syy ei ole tunteellinen. Päätökset tehdään todellisen epävarmuuden vallitessa ja sellaisen kontekstin pohjalta, joka elää huoneessa ja asiakkaan kanssa muodostuneessa historiassa, ei datassa. Juuri siinä malli on heikoimmillaan ja väärin tekeminen kalleinta.

Esimerkki siitä, miksi ihmisen harkintaa tarvitaan uusissa kaupoissa

Viime vuonna meillä oli sopimus maailmanlaajuisen valmistajan kanssa, jota järjestelmä suosi. Kaikki mittarit olivat vihreällä: kymmeniä sähköposteja viikossa, toistuvia puheluita ja kuusi tai seitsemän aktiivista sidosryhmän edustajaa keskustelussa. CRO-tiimi sijoitti sen myyntiputken kärkipäähän ja käski minun panostaa siihen, ottaa sen mukaan ennusteeseen ja viedä kauppa päätökseen. Paperilla se oli tervein kauppamme.

Tilin vastuullinen kokenut myyjämme oli päinvastaista mieltä, ja hän oli oikeassa. Kaikki tuo aktiivisuus ei ollut edistystä, vaan kitkaa. Huoneessa oli seitsemän ihmistä, koska yksikään heistä ei voinut sanoa kyllä. Kokoukset toistuivat, koska kauppa palasi aina samaan vastaamattomaan kysymykseen. Innokkain kontaktimme, joka ohjasi suurinta osaa sähköpostiliikenteestä, ei voinut päättää budjetista. Tekoäly tulkitsi viestimäärän aikomukseksi. Todellinen syy oli sisäinen valtapeli ja ostopäättäjien ryhmä, joka pelkäsi liikaa päätöksen tekemistä.

Kone ei voinut nähdä sen ainoan tärkeän johtajan hiljaisuutta tai huoneen latistunutta tunnelmaa aina, kun hinta nousi esiin. Sitoutumisen metadata ei näytä tätä rivien välistä viestiä. Myyjämme tiesi sen, koska hän tunsi ihmiset.

Luotimme häneen, laskimme kaupan arviota ja lopetimme kokeneimpien työntekijöidemme tuntien käyttämisen siihen. Olimme oikeassa ja säästimme itsemme neljänneksen hukkaan heitetyltä työltä. Tämä vahvisti säännön, jota noudatamme yhä: tekoäly tuo todisteet, ihmiset lukevat rivien välistä.

Miten tekoäly parantaa tehokkuutta, kurinalaisuutta ja voittoprosentteja

Kaiken kaikkiaan ajansäästö on tekoälyn ilmeinen hyöty. Pelkästään tilien valmisteluagenttien ansiosta voimme toteuttaa saman prosessin noin kolme kertaa useammalle tilille nykyisellä henkilöstömäärällä. Emme palkanneet lisää ihmisiä, vaan palautimme nykyiselle tiimillemme heidän työtuntinsa, ja nuo tunnit käytetään nyt asiakkaiden parissa laskentataulukoiden sijaan.

Toinen hiljaisempi hyöty on kurinalaisuus. Karsimme sopimattomat mahdollisuudet pois aiemmin. Sanomme väärille kaupoille nopeammin ei, mikä kuulostaa kielteiseltä mutta on yksi terveimmistä muutoksista myyntiputkessamme.

En anna tarkkaa voittoprosenttia, koska en vielä usko luvun olevan rehellinen. Sen voin sanoa, että näemme mitattavissa olevan parannuksen niiden kauppojen konversiossa, joita päätämme tavoitella, ja ennusteessa on vähemmän yllätyksiä. Osittain kyse on parempien kauppojen tavoittelusta. Osittain tekoäly osoittaa, missä ennuste on hatara ja missä todisteet eivät todellisuudessa tue arviota. Yllätys, jonka näet tulevan kolme viikkoa etukäteen, ei oikeastaan ole yllätys. Se muutti neljänneksemme johtamista enemmän kuin mikään yksittäinen mittari.

Miksi tekoälyn tuottamaa sisältöä pitäisi käsitellä luonnoksena

Aluksi luotimme tuotokseen liikaa. Tutkimus näytti selkeältä, hyvin kirjoitetulta ja itsevarmalta, ja sen muotoilu muistutti hyvän analyytikon raporttia. Muutamassa tapauksessa se oli kriittisillä tavoilla väärässä.

Eräässä tilikartassa tunnistettiin väärä päätöksentekijä. Toinen perustui kuukausia vanhentuneeseen signaaliin. Yksi päätyi melkein oikeaan asiakaskeskusteluun, ennen kuin tiimin jäsen huomasi virheen. Se pelotti meitä enemmän kuin yksikään väliin jäänyt tavoite, koska itsevarma mutta väärä toiminta on kallein mahdollinen virhetila.

Myös sisäistä kitkaa syntyi. Ihmiseni ovat kokeneita. Viimeinen asia, jota hyvä myyjä haluaa, on kone, joka antaa hänelle arvosanan ja vihjaa tietävänsä tilistä enemmän kuin hän itse.

Lopetimme tekoälyn tuotoksen pitämisen totuutena ja aloimme käsitellä sitä luonnoksena. Järjestelmä ilmoittaa nyt, kun se on epävarma, ja palauttaa päätöksen ihmiselle arvailun sijaan. Kun tiimi ymmärsi, että tekoälyn tehtävä oli hoitaa rutiinityö ja suojella heidän harkintaansa, ei korvata sitä, vastustus väheni nopeasti. He alkoivat luottaa siihen, koska se ansaitsi luottamuksen ja myönsi, kun se ei tiennyt.

Kolme kohtaa, joissa tekoäly ei onnistu tulonhankinnan työnkuluissa

Suurin tekoälyn epäonnistuminen oli luultavasti yhteydenottojen tekeminen. Odotimme tekoälyn rakentavan meille myyntiputkea toimittamalla henkilökohtaisia viestejä sadoille tileille laajassa mittakaavassa tavalla, joka tuntuisi kahdenkeskiseltä. Se ei toiminut.

Monimutkaisissa, arvoltaan merkittävissä yrityskaupoissa useammat viestit eivät tuota enemmän myyntiputkea. Ostajat, joille myyn, tunnistavat tekoälyn tekemät yhteydenotot välittömästi ja poistavat ne yhtä nopeasti. Emme siis lisänneet vastausmäärää, vaan latistimme sen. Tekoäly on erinomainen valmistamaan ihmisen keskustelua varten, mutta se ei pysty korvaamaan itse keskustelua.

Ennustaminen meni myös pieleen, ja se yllätti minut enemmän. Väitteessä luvattiin, että tekoäly ennustaisi liikevaihdon paremmin kuin kokenut henkilö, joka analysoi samoja kauppoja. Se ei osoittautunut todeksi. Yritysten lukuihin todella vaikuttavat asiat ovat usein tietoja, joita datasta ei löydy. Sponsori lähtee. Budjetti jäädytetään kaksi viikkoa ennen kaupan päätöstä. Asiakkaan sisäinen, hiljainen poliittinen muutos jättää yhtäkkiä puolestapuhujamme ilman tukea. Malli ei pysty näkemään mitään tästä. Se tunnistaa haurauden aidosti hyvin ja kertoo, mitkä kaupat vaikuttavat heikoilta, mutta se ei pysty ennustamaan vuosineljännestä. Kokeneen henkilön harkinta voittaa siinä edelleen.

Viimeinen pieleen mennyt asia oli myyntisyklin lyhentäminen. Se vaikutti siihen tuskin lainkaan. Yrityskauppa etenee asiakkaan, ei meidän aikataulumme mukaan: hankinta, lakiosasto, komitea ja budjettikalenteri. Voimme nopeuttaa myyjän puolta huomattavasti — ja niin teimmekin — mutta emme voi nopeuttaa ostajan puolta, joka määrittää aikataulun.

Miksi liikevaihdosta vastaavien johtajien on kiinnitettävä huomiota tekoälyn käyttöönoton inhimilliseen puoleen

André Shares

Pakotettu käyttöönotto on hiljaista sabotaasia paremmilla käytöstavoilla.

Ymmärsin inhimillisen puolen pahasti väärin. Käsittelin sitä työkalun käyttöönottona enkä käyttäytymisen muutoksena. Rakensin jotain, luovutin sen valmiina eteenpäin ja odotin käyttöönoton seuraavan itsestään.

Kohtasin vastarintaa. Ihmiset käyttivät sitä vain, koska heitä käskettiin. Toiset jättivät sen hiljaisesti huomiotta. Pakotettu käyttöönotto on hiljaista sabotaasia paremmilla käytöstavoilla.

Jos voisin tehdä kaiken uudelleen, ottaisin tiimin mukaan yhteissuunnitteluun heti alusta lähtien sen sijaan, että esittelisin heille valmiin vastauksen.

Se olisi säästänyt kuukausia, jotka kulutin täydellisen työkalun etsimiseen, vaikka todellinen ongelma piili kirjoittamattomissa kriteereissä ja tiimissä, joka ei ollut sitoutunut. Olisin aloittanut pienemmin, yhdestä työnkulusta tiimin läsnä ollessa, ja kirjannut kriteerit ensin. Se olisi säästänyt minut kalliilta harha-askeleelta ja siltä luottamukselta, jonka jouduin myöhemmin rakentamaan uudelleen.

Neljä neuvoa liikevaihdosta vastaaville johtajille

Tässä neuvoni:

1. Aloita kysymyksestä, älä työkalusta. Kysy itseltäsi, mikä on tiimisi niukin resurssi. Lähes kaikille monimutkaista myyntiä tekeville se on harkintakyky ja huomio, ei aktiivisuus. Parhailla ihmisilläsi on rajallinen määrä tunteja, jolloin he pystyvät ajattelemaan kauppaa selkeästi, ja juuri sitä sinulta puuttuu. Ohjaa tekoäly siis suojelemaan sitä.
2. Ole rehellinen itsellesi turhamaisuusmittareista. Enemmän sähköposteja, enemmän yhteydenottoja, enemmän sisältöä ja enemmän aktiivisuutta järjestelmässä. Monimutkaisessa myynnissä se on enimmäkseen melua, joka on puettu edistymisen asuun. Tekoäly on erittäin hyvä tuottamaan aktiivisuutta, joka tuntuu työltä mutta ei saa aikaan mitään. Jos ainoa todisteesi tekoälyn hyödystä on se, että tiimisi on kiireisempi, olet ostanut väärän asian.
3. Vaadi, että tekoälyjärjestelmäsi pystyvät sanomaan "en tiedä" ja siirtämään asian ihmiselle. Käsittele jokaista tuotosta tarkistettavana luonnoksena, älä koskaan totuutena.
4. Aloita pienestä ja mittaa tekoälyä rehellisesti. Älä ulkoista liikevaihtokuria mallille ja kutsu sitä muutokseksi. Tämän syklin etu ei mene sille, joka ottaa käyttöön eniten tekoälyä. Se menee sille, joka pitää inhimillisen harkinnan keskittyneenä oikeaan paikkaan eikä anna työkalun päättää siitä, minkä vain ihmisen pitäisi päättää.

Seuraa Andréa

Voit seurata André Magrinin työtä LinkedInissä tai tutustua hänen henkilökohtaiseen verkkosivustoonsa.

Lisää asiantuntijahaastatteluja on tulossa The CRO Clubiin!