Tekoälylähtöinen liikevaihtojohtaja purkaa tehokkaimman tekoälytyönkulunsa (ja kertoo, missä tekoälystä ei ole hyötyä)

Dhiraj Khare on teknisen taustan ja ajattelutavan omaava CRO. Hän suunnittelee parhaillaan liikevaihtoprosesseja uudelleen tekoälypohjaisessa kyberturvallisuusyrityksessä Matters.AI:ssa.

Istahdimme alas Dhirajin kanssa selvittääksemme, mitkä tekoälytyönkulut tuottavat tulosta ja mitkä eivät. Tässä on, mitä hän kertoi meille.

Liikevaihto insinöörin näkökulmasta

Olen Dhiraj Khare, Matters.AI:n CRO. Matters.AI on tekoälypohjainen kyberturvallisuusyritys, joka keskittyy yritysdataan. Aloitin ohjelmistokehityksessä ennen siirtymistäni yritysmyyntiin, ja se muokkasi tapaani ajatella liikevaihdosta. Teknisen alan ihmiset koulutetaan pysymään ongelman parissa, kunnes he todella ymmärtävät sen; myyntitiimit koulutetaan usein etenemään ennen kuin ne ymmärtävät sitä. En koskaan täysin sopinut jälkimmäiseen malliin. 

Urani kulki MongoDB:n, SentinelOnen ja PingSafen kaltaisten yritysten kautta. Eri yrityksiä, eri vaiheita, mutta taustalla sama kaava. Kyberturvallisuustiimit toimivat jo koneiden nopeudella, mutta liikevaihtotiimit eivät.

Kyberturvallisuudessa oli reaaliaikaista tiedustelua, käyttäytymisanalyysiä ja automatisoituja vastausjärjestelmiä. GTM-tiimit olivat edelleen hautautuneina laskentataulukoihin, toisistaan irrallisiin työkaluihin, manuaaliseen tutkimukseen ja pipeline-katsauksiin, jotka perustuivat ennustamiseksi naamioituun optimismiin. 

Tämä katkos jäi mieleeni. Monet esittävät tekoälyn liikevaihdon yhteydessä tuottavuustarinana. Nopeampia sähköposteja. Enemmän ulospäin suuntautuvaa viestintää. Enemmän sekvenssejä. Minusta tämä ohittaa koko asian. 

Modernin GTM:n ongelma ei ole toiminnan puute, vaan melun määrä. Suurin osa ulospäin suuntautuvasta viestinnästä on nykyään operatiivisesti kallista roskapostia, joka esiintyy personointina. Ostajat huomaavat sen heti. Kaikilla on nyt sama automaatio, joten volyymi lakkasi olemasta todellinen etu jo jonkin aikaa sitten. 

Ratkaisevaa on konteksti. Miksi tämä asiakas? Miksi juuri nyt? Mikä yrityksen sisällä muuttui niin, että tämä keskustelu on relevantti tänään eikä kuusi kuukautta sitten?

Se sai minut suuntautumaan tekoälyvetoiseen liikevaihdon johtamiseen. Matters.AI:ssa rakennamme tiedustelulähtöistä GTM-organisaatiota, jossa tekoäly auttaa tiivistämään tutkimusta, yhdistämään hajanaisia signaaleja, tuomaan ajoituksen indikaattorit esiin ja vähentämään operatiivista kitkaa, jotta tiimit voivat käyttää enemmän aikaa selkeään ajatteluun ja älykkääseen vuorovaikutukseen.

Dhirajin ajatuksia

Kaikilla on nyt sama automaatio, joten volyymi lakkasi olemasta todellinen etu jo jonkin aikaa sitten… Ratkaisevaa on konteksti. Miksi tämä asiakas? Miksi juuri nyt? Mikä yrityksen sisällä muuttui niin, että tämä keskustelu on relevantti tänään eikä kuusi kuukautta sitten?

Ketterä GTM-organisaatio

Matters.AI:n GTM-organisaatio on tarkoituksella ketterä. Toimimme yritysmyynnin, strategisen ulospäin suuntautuvan myynnin, kumppanuuksien, ratkaisusuunnittelun ja tekoälyavusteisten työnkulkujen parissa, mutta kaiken taustalla oleva filosofia on yksinkertainen: skaalaa älykkyyttä ennen kuin skaalaat henkilöstömäärää. 

Monet yritykset yrittävät edelleen pakottaa kasvua läpi toiminnan määrällä. Enemmän SDR:iä, enemmän sekvenssejä ja enemmän yhteydenottoja. Me olemme omaksuneet lähes päinvastaisen lähestymistavan. 

Välitämme enemmän signaalien tiheydestä kuin toiminnan tiheydestä. Keskitymme ymmärtämään, missä kiireellisyys todella on olemassa, missä ajoitus on todellinen ja missä asiakkaan konteksti on riittävän vahva sitoutumisen perustelemiseksi. 

Suurin osa työstämme liittyy tällä hetkellä tekoälyn hallintaan, tietoturvaan, vaatimustenmukaisuuteen valmistautumiseen ja yritysten riskienhallintaan esimerkiksi BFSI:n, SaaS:n, teknologian ja säänneltyjen toimialojen parissa. 

Miksi tekoäly ei voi korvata liikevaihtoon liittyvää harkintaa

Käytän tekoälyä asiakastilien priorisointiin, sidosryhmien kartoittamiseen, kauppojen pisteytykseen, sitoutumisen analysointiin, ennustamisen tukena, asiakaspoistuman havaitsemiseen ja pipelinen riskianalyysiin.

Koneet ovat ihmisiä paljon parempia käsittelemään hajanaisia operatiivisia signaaleja suuressa mittakaavassa. Se on nykyään selvää.

Mutta päätökset, joihin liittyy johdon yhteisymmärrys, neuvottelu ja luottamus, pysyvät ihmisillä. Strateginen harkinta pysyy ehdottomasti ihmisillä. 

Yritysten kyberturvallisuushankintoihin liittyvät päätökset ovat pohjimmiltaan tunneperäisiä kaikkien niiden laskentataulukoiden ja hankintaprosessien alla, joiden taakse ihmiset mielellään piiloutuvat. Kauppa voi näyttää operatiivisesti terveeltä, vaikka luottamus tilin sisällä olisi hiljalleen romahtamassa.

Tekoälyllä on edelleen vaikeuksia tämän tason kanssa. En siis näe tekoälyn korvaavan liikevaihtoon liittyvää harkintaa, vaan pikemminkin vähentävän operatiivista sokeutta.

Miten tekoäly mahdollistaa tiedolla ohjatun sitouttamisen

Suurin tekemäni muutos oli siirtyminen toimintalähtöisestä ulospäin suuntautuvasta myynnistä tiedolla ohjattuun sitouttamiseen. 

Aiemmin ulospäin suuntautuva myynti näytti samalta kuin useimmissa organisaatioissa edelleen nykyään: yhdistelmä suuria asiakaslistoja, staattisia viestisarjoja, manuaalista tutkimustyötä, laajoja personointipohjia ja paljon hukkaan heitettyä vaivaa, jolla teeskenneltiin täsmällisyyttä.

Rakensimme tekoälyn avustaman asiakastilien priorisointityönkulun, joka tiivisti tuntien tutkimustyön minuuteiksi. 

Nyt tekoäly kokoaa jatkuvasti signaaleja palkkaustoiminnasta, tietoturvan tilan muutoksista, pilvipalvelujen käyttöönotosta, vaatimustenmukaisuuteen liittyvistä paineista, johtajien liikkeistä, rahoitusmalleista, organisaatiomuutoksista ja teknologian käyttöönottoa kuvaavista indikaattoreista. 

Sen jälkeen se yhdistää nämä signaalit asiayhteyteen perustuviksi asiakastilikuvauksiksi. Tämä on tärkeää, koska pelkät raakadatan signaalit ovat hyödyttömiä. Myyjät eivät tarvitse lisää koontinäyttöjä, vaan selkeämmän ymmärryksen. 

Kun asiayhteys on tuotu esiin, myyjä vahvistaa sen manuaalisesti, testaa sen merkityksellisyyttä, personoi yhteydenoton ja päättää, oikeuttaako ajoitus todella yhteydenoton. Tapaamisten jälkeen tekoäly auttaa yhteenvedon laatimisessa, toimenpiteiden poimimisessa, sidosryhmien analysoinnissa, sitoutumisen seurannassa ja riskien valvonnassa koko kauppasyklin ajan. 

Tarkoituksena ei ole automatisoida yhteydenottoja. Tarkoituksena on ymmärtää, ansaitseeko asiakastili ylipäätään huomiota. Tämä muutti myyntiputken laatua välittömästi.

Keskusteluista tuli terävämpiä. Tarvekartoitussyklit lyhenivät. Johtotason sitoutuminen parani, koska yhteydenotot perustuivat asiayhteyteen keinotekoisen personoinnin sijaan. 

Miten tekoäly muuttaa kulttuuria

Tekoälyn hyödyt kävivät melko nopeasti ilmeisiksi, ja mainitsin niistä jo paljon.

Suurempi muutos oli kuitenkin kulttuurinen. Ihmiset alkoivat ajatella tulonhankinnan toteuttamista analyyttisemmin. Keskustelut perustuivat vähemmän mielipiteisiin ja enemmän näyttöön. Tämä muutos on tärkeämpi kuin useimmat markkinoilla tällä hetkellä käytävät työkalukeskustelut. 

Haittapuolena on, että tekoäly voi luoda vääränlaista itsevarmuutta hyvin helposti. Tätä ihmiset aliarvioivat. 

Tekoälyn tuotokset kuulostavat usein riittävän viimeistellyiltä vaikuttaakseen luotettavilta, vaikka niiden taustalla olevat oletukset olisivat heikkoja tai puutteellisia. Johtajien on muistettava, että tekoäly on todennäköisyyksiin perustuva, ei kaikkitietävä. Harkinnalla on edelleen merkitystä. Käytännön toteuttajien kokemuksella on edelleen merkitystä.

Monella tavalla kriittinen ajattelu muuttuu vieläkin tärkeämmäksi tekoälyyn perustuvassa toimintaympäristössä. 

Miksi tekoälyllä luotu personointi ei toimi

Tekoälyn luoma personointi suoriutui aluksi erittäin heikosti. Ei siksi, että teknologia olisi ollut heikkoa, vaan koska ostajista on tullut uskomattoman taitavia tunnistamaan epäaidon merkityksellisyyden. Suurin osa tekoälyn luomista ulospäin suuntautuvista yhteydenotoista kuulostaa nykyään viimeistellyltä mutta tunteettomalta. Se jäljittelee personoinnin rakennetta ymmärtämättä kuitenkaan asiakasta riittävän syvällisesti sanoakseen jotain hyödyllistä. 

Asiayhteyden lisäämisen ja ymmärryksen osoittamisen välillä on ero. Useimmilla tekoälyjärjestelmillä on edelleen vaikeuksia tämän eron hahmottamisessa. Opimme melko nopeasti, ettei synteettinen personointi ole sama asia kuin oivallus. 

Ironista on, että tekoälyn luomien yhteydenottojen skaalautuessa aitoudesta tulee entistä arvokkaampaa, ei vähemmän arvokasta. 

Miksi tekoäly ei poista ennustamisen epävarmuutta

Tekoälyn avulla ennustamisestamme tuli kurinalaisempaa. Haluan kuitenkin varoa liioittelemasta tätä, koska yritysmyynnin ennustaminen on edelleen luonteeltaan sotkuista.

Yritysmyyntiin liittyvät kaupat etenevät syistä, jotka tallentuvat harvoin selkeästi jäsenneltyihin järjestelmiin. Budjetoinnin ajoitus muuttuu. Sisäiset puolestapuhujat menettävät vaikutusvaltaansa. Johdon prioriteetit muuttuvat hiljaisesti. Hankintaprosessin kitka ilmenee myöhään. Poliittinen yhteisymmärrys hajoaa pinnan alla.

AI:lla on vaikeuksia näiden näkymättömien tasojen kanssa. Sitoutumismittarit voivat olla vahvoja, kokoukset aktiivisia, vastausprosentit hyviä ja sidosryhmien osallistuminen myönteistä, vaikka kauppa olisi jo sisäisesti ajautumassa sivuraiteille.

AI parantaa näkyvyyttä. Se ei kuitenkaan poista epävarmuutta taianomaisesti.

Dhirajin ajatuksia

Ironista on, että kun tekoälyn tuottama yhteydenottojen määrä kasvaa, aitoudesta tulee entistä arvokkaampaa, ei vähemmän arvokasta… AI parantaa näkyvyyttä. Se ei kuitenkaan poista epävarmuutta taianomaisesti.

Miten tulotiimien osaamisvaatimukset muuttuvat

AI automatisoi yhä enemmän toistuvaa operatiivista työtä, joten nykyaikainen tulonhankinnan ammattilainen tarvitsee hyvin erilaisen osaamisprofiilin. Nykyään painotamme analyyttistä ajattelua, asiayhteyteen perustuvaa tarinankerrontaa, systeemiajattelua, viestintää johdon kanssa, sopeutumiskykyä ja tekoälyn hallintaa paljon aiempaa enemmän. 

Parhaista myyjistä on nykyään tulossa älykkyyden koordinoijia. He osaavat vahvistaa signaalit, yhdistää asiayhteyksiä, esittää parempia kysymyksiä ja rakentaa strategista luottamusta nopeammin. 

Pelkästään aktiviteetteihin perustuvasta myynnistä on tulossa massatuote. Ihmisten välinen erottautuminen siirtyy kohti harkintakykyä, luovuutta ja kerronnan selkeyttä. 

Miksi AI on nähtävä toimintamallin muutoksena

Neuvoni on suhtautua AI:hin toimintamallin muutoksena, ei työkalupäivityksenä.

Juuri tämän virheen useimmat organisaatiot tekevät tällä hetkellä. Ne lisäävät tekoälyn rikkinäisten työnkulkujen päälle ja kutsuvat sitä transformaatioksi. Yleensä tämä vain synnyttää hämmennystä nopeammin. 

Jos asemointisi on heikko, CRM-kurinalaisuutesi on puutteellista, työnkulkusi ovat pirstaloituneita tai asiakasymmärryksesi on pinnallista, AI vahvistaa sotkua. Se ei pelasta sinua siltä. 

Eniten AI:sta hyötyvät yleensä yritykset, joilla on jo vahvat perusasiat kunnossa.

Mistä tulotiimien kannattaa aloittaa AI:n kanssa

Aloita operatiivisista kitkatekijöistä ja pullonkauloista: tutkimustiedon ylikuormitus. Myyntiputken tarkastelu. Tiedonhaku. Ennusteiden näkyvyys. Asiakkuuksien priorisointi. CRM-järjestelmien pirstaloituminen.

Nämä ovat todellisia operatiivisia ongelmia, joiden ratkaiseminen kannattaa. Käyttäisin myös paljon enemmän aikaa tekoälylukutaitoon kuin useimmat yritykset tällä hetkellä käyttävät. Tekninen toteutus on yleensä helpompi osa. Vaikeampaa on auttaa tiimejä ajattelemaan työnsä uudelleen ilman, että ne kokevat tulevansa korvatuiksi.

Pysy mukana

Voit seurata Dhiraj Kharea LinkedInissä. Tutustu myös Matters.AI:hin.

Lisää asiantuntijahaastatteluja on tulossa The CRO Clubiin!