Teknologia-alan liikevaihtojohtaja kertoo: tekoäly tekee ennustamisesta vahvempaa — ja vastuuta on vaikeampi välttää

George Storm on työskennellyt myynnin parissa 23 vuotta. Hän toimii tällä hetkellä B2B-ABM-alusta N.Richin CRO:na ja johtaa myyntiä, markkinointia, asiakasmenestystä, kumppaneita ja tuotetukea.

Istuimme alas Georgen kanssa oppiaksemme, miten hän uudisti ennustamisen ja raportoinnin tekoälyn avulla. Tässä on, mitä hän kertoi meille.

Koko suppilon hallinta

Olen George Storm, N.Richin, B2B-ABM-alustan, CRO. Olemme siirtymässä yhden tuotteen ABM-yrityksestä alustapohjaiseen toimintamalliin, jota markkinoimme Composable GTM -nimellä. Nykyinen tulomallimme perustuu vuosittaiseen SaaS-tilaukseen ja siihen liitettyihin palveluihin. Kun julkaisemme GTM OS:n, otamme käyttöön modulaarisen toimintamallin, moduulikohtaiset tilaukset ja tuloksiin perustuvan hinnoittelun.

Valvon koko tulonmuodostuksen kokonaisuutta alusta loppuun: myyntiä, markkinointia, asiakasmenestystä, kumppaneita ja tuotetukea. Vastaan kysynnän luomisesta nettotulojen säilyttämiseen asti — koko suppilosta, en vain yhdestä sen osasta. GTM-rakenteemme sisältää kevyen, EMEA-alueelle painottuvan myyntitiimin; markkinointiorganisaation, joka luo kysyntää ja toteuttaa ABM:ää; asiakasmenestysorganisaation, joka hoitaa uusinnat ja laajentamisen; sekä samanaikaisen kumppanitoimintamallin.

Palvelemme pääasiassa eurooppalaisia B2B-yrityksiä keskisuurista yrityksistä suuryrityksiin, erityisesti liikevaihdosta ja markkinoinnista vastaavia johtajia, jotka toteuttavat tilipohjaisia go-to-market-strategioita.

Miten tekoäly muutti liikevaihtoennusteiden tarkkuutta

Olen työskennellyt myynnin parissa 23 vuotta, ja viimeinen ajanjakso on ollut vaikeampi kuin kaksi ensimmäistä vuosikymmentä yhteensä.

En päätynyt tekoälyn pariin uteliaisuudesta. Päädyin siihen epäonnistumisen kautta. Ennustin samalla tavalla kuin jokainen CRO ennustaa — historiallisen konversion perusteella — ja malli kertoi jatkuvasti sen, mitä halusin kuulla, aina siihen neljännekseen asti, jolloin se ei enää tehnyt niin. Itsepetoksen mekanismi oli itse malli. Ja minä olin rakentanut sen.

Niinpä uudistin ennustamistapamme alusta loppuun. Siirryimme pois historialliseen konversioon perustuvasta pistemääräisestä mallista. Sen ympärille oli rakennettu Monte Carlo -kehys, joka sai mallin vaikuttamaan tarkalta ja järjestelmälliseltä. Sitä se ei ollut. Piste-estimaatti on piste-estimaatti, vaikka niistä laskisi kolmen keskiarvon.

Siirryimme tilannekohtaiseen, neljään syötteeseen perustuvaan todennäköisyysmalliin. Voittoprosentti, kattavuus, NRR ja syklin pituus kalibroidaan kukin WEF:n, IMF:n ja McKinseyn ulkoisten ennakkotietojen perusteella. Tekoäly laskee jakaumaa jatkuvasti sen sijaan, että minä rakentaisin laskentataulukon uudelleen kerran neljänneksessä. Tätä varten käytämme Claudea makrotaloudellisiin signaaleihin sekä Fathomia, Hubspotia ja omaa alustaamme.

Tilannetietoinen. Todennäköisyyspohjainen. Jatkuva. Juuri tämä uudistus johdatti minut kunnolla tekoälyn pariin — ei työpisteen päälle liimatuksi tuottavuuskerrokseksi, vaan välineeksi, jonka avulla yksi henkilö voi laskea luvut, lukea markkinoita ja toimia saman viikon aikana. Tätä työ nyt on.

Tämän muutoksen ansiosta ennusteesta tuli tulkinta, ei raportti. Se toi esiin sitoumuksen alapuolella olevan vajeen ennen neljänneksen kääntymistä, ei vasta sen jälkeen. Hallitus ei enää yllättyneenä reagoinut tilanteeseen. Ja juuri siitä tässä on kyse.

Miksi tekoäly tulkitsee, mutta toimijan on toimittava

Kun puhutaan siitä, mitä tekoälyn pitäisi hoitaa ja mitä ihmisten, tekoäly auttaa tulkinnassa:

• Tilannekohtainen ennustejakauma
• Myyntiputken priorisointi
• Asiakastilien tilan pisteytys
• Asiakaspoistuman riskimerkit
• Viikoittainen poikkitoiminnallinen tulkinta myynnin, markkinoinnin, asiakasmenestyksen ja kumppaneiden tilanteesta

Tekoäly ohjaa nyt kaikkea tätä, koska siihen liittyy useampien signaalien välisten mallien tunnistamista kuin ihminen pystyy pitämään mielessään.

Nimenomaisesti ihmisille kuuluvia toimia ovat reagointi:

• Ratkaisu tietyn kaupan suhteen
• Strategisen asiakastilin hinnoittelu
• Kuka sijoitetaan millekin paikalle
• Hallitukselle esitettävä kertomus.

Syy on yksinkertainen. Tekoäly laajentaa sitä, mitä pystyn näkemään, mutta emme voi siirtää vastuun kantamista mallille. Vaikuta mallin syötteenä, älä päätöksentekijänä. Malli tulkitsee. Toimija toimii.

Miten tekoäly tehostaa työnkulkuja mutta voi lisätä liiallista itsevarmuutta

Tässä ovat hyvät tulokset:

• Viikoittainen CRO-raportti, joka aiemmin vei suurimman osan työpäivästä, kokoaa nyt itsensä, ja minä käytän ajan päätöksentekoon tietojen keräämisen sijaan.
• Asiakkuuksien terveyspisteytys tunnistaa riskiasiakkuudet yhdestä kahteen vuosineljännestä ennen kuin jäljessä tuleva mittari muuttuu.
• Ennuste kestää johtoryhmän tarkastelun, mikä on ainoa merkityksellinen tarkkuustesti.

Mutta kaikki ei ole hyvää. Ensimmäiset mallit olivat liian itsevarmoja. Yksi antoi 97 prosentin todennäköisyyden ja oli rakenteellisesti liian optimistinen, koska syötin puhtaita oletuksia likaisiin syötteisiin.

Vastakkainen kalibrointi osoittautui itse työksi, ei sen yhdeksi vaiheeksi — testasin omaa malliani seniorianalyytikon kehotteella, jonka ainoa tehtävä on riisua optimismi pois. Olisin voinut säästää neljänneksen, jos olisin oppinut tämän aiemmin.

AI ei säästänyt minulta tätä työtä. Se siirsi sen muualle.

Käytännön raportointityönkulku

Georgen ajatuksia

Ennuste on tilannekuva. Suunnitelma on vastaus. Silmukka on käyttöjärjestelmä.

Käydään läpi viikoittainen tilannekuvatyönkulku.

Maanantaina AI hakee HubSpotista tiedot myyntiputkesta ja uusimisista, Amplitudesta tuotteen käytöstä, Pylonista tuesta, Fathomista puheluiden tunnelmasta ja Slackista asiakkaiden sekä sisäisistä signaaleista. Se luo yhden hallitun tietokerroksen. Se pisteyttää asiakkuuksien terveyden, merkitsee riskiasiakkuudet, lähettää Slack-hälytykset suoraan vastuuhenkilöille ja päivittää toimintaympäristöstä riippuvan ennustejakauman.

Sitten luen sen, päätän vastauksen ja saamme silmukan suljettua perjantaihin mennessä. Seuraa, lue, toimi — yhden viikon syklissä, jossa on yksi vastuuhenkilö, joka ei tarkoituksellisesti ole esihenkilö. Järjestelmä hoitaa keräämisen ja pisteytyksen. Rooli hoitaa päätöksenteon.

Ennuste syöttää tietoa silmukkaan. Silmukka kalibroi uudelleen sen, mihin pääomaa ja työtä kohdennetaan. Ja koko organisaatio lukee tilannekuvan ja reagoi yhden viikon rytmillä yhdeksänkymmenen päivän rytmin sijaan. Ennuste on tilannekuva. Suunnitelma on vastaus. Silmukka on käyttöjärjestelmä.

Miten AI vaikeuttaa tulonmuodostuksen johtamista

AI ei ole synnyttänyt uutta kysyntää. Se tiivistää ja nopeuttaa olemassa olevaa myyntiputkeasi, mutta se ei synnytä ostoaikeita ostajassa, joka ei ole aktiivisesti markkinoilla. Jokainen, joka myy AI:ta suppilon alkupään ihmeratkaisuna, myy sinulle väärää asiaa.

Se ei myöskään ole korvannut harkintaa yritysmyynnin myöhäisen vaiheen kaupoissa, eikä se ole korjannut likaista dataa. Likainen data ei parane AI:n avulla. Se vain kuuluu kovempaa.

AI on myös vaikeuttanut elämääni ostajan puolella tapahtuvan roolien tiivistymisen vuoksi. Kun yritykset yhdistävät kolme työtehtävää yhdeksi rooliksi, viime vuonna meidät ostanut puolestapuhuja on saattanut vaihtaa tehtävää, menettää vastuualueensa tai lähteä organisaatiosta. AI loi tämän dynamiikan. Se ei ratkaise sitä puolestani.

Mistä CRO:ien kannattaa aloittaa — ja mitä heidän kannattaa välttää

Tässä on neuvoni: Älä lisää AI:ta rooliin vain tuottavuustyökaluksi. Suunnittele rooli uudelleen sen ympärille.

Aloita ennusteestasi, koska juuri sen perusteella hallitus arvioi sinua, ja rima muuttui vuonna 2026. Sinua ei enää eroteta siitä, että ennuste ei osunut oikeaan. Sinut erotetaan yllätyksen takia. Malli, joka ei pysty näkemään poikkeamaa ennakolta, on riski, eivätkä poikkeamat itsessään.

Ole itsekin mukana laskelmissa. CRO:t, jotka luovuttavat tämän työkalulle ja katsovat muualle, saavat vastauksen, jonka työkalu on suunniteltu heille antamaan. Varmista, että määrität sen kertomaan sinulle, milloin olet väärässä.

Seuraa mukana

Voit seurata George Stormin työtä LinkedInissä ja osoitteessa georgestorm.io.

Lisää asiantuntijahaastatteluja on tulossa CRO-klubille!