SaaS-yrityksen liikevaihto-operaatioista vastaava varajohtaja sanoo, että tekoälytyökalujen hallitsematon kasvu on piilokustannus, jota kukaan ei mittaa

Mollie Bodensteiner toimii liikevaihto-operaatioiden varajohtajana ZoomInfossa, joka on julkisesti noteerattu SaaS-yhtiö ja palvelee yritysasiakkaita maailmanlaajuisesti. Hän on myös The RevTech Review -julkaisun luoja.

Haastattelimme Mollieta ymmärtääksemme, miten hän muuttaa kauppojen arvioinnin ja ennustamisen työnkulkuja tekoälyn avulla. Tässä hänen kertomansa.

Tekoäly testaa, kestävätkö data- ja prosessiperustasi

Johdan liikevaihto-operaatioita julkisesti noteeratussa, suuryritysten mittakaavassa toimivassa SaaS-yhtiössä, joka palvelee keskisuuria ja suuria asiakkaita maailmanlaajuisesti. Hajautettu toimintamallimme kattaa myyntiputken operoinnin, myyntioperaatiot, asiakaskokemuksen operaatiot, kumppanuusoperaatiot ja GTM-järjestelmät ja tukee monimutkaista, useilla myyntitavoilla toimivaa markkinoillemenorganisaatiota.

Toimintamme perustuu tilauspohjaiseen, käyttöön vaikuttavaan SaaS-malliin, jossa markkinoillemeno tapahtuu useilla tavoilla: uusasiakashankintana, laajentumisena ja uusintamyynteinä itsepalvelu-, keskisuurten yritysten ja suuryritysten segmenteissä. RevOps-tiimissäni on noin 20 henkilöä, ja se tukee koko GTM-organisaatiota.

Minulla on yli 15 vuoden kokemus markkinoillemenon eri osa-alueilta: RevOpsista, järjestelmistä, palkitsemisesta, automaatiosta, alue- ja kiintiösuunnittelusta, data-arkkitehtuurista ja suunnittelusta. Olen rakentanut ja kasvattanut näitä toimintoja useissa nopeasti kasvaneissa yksisarvisyrityksissä – sellaisissa yrityksissä, joissa liiketoiminta kehittyy nopeammin kuin sitä tukeviksi tarkoitetut järjestelmät.

Jatkuva uudelleenrakentaminen muokkasi ajattelutapaani. Aina kun yritys kaksinkertaisti kokonsa, eilen toimineet järjestelmät lakkasivat toimimasta tänään. Opin suunnittelemaan skaalautuvuutta varten jo ennen kuin kasvu sitä edellytti.

Tämä matka toi minut tähän hetkeen liikevaihdon johtamisessa: en tavoittele tekoälyä trendinä, vaan näen sen seuraavana testinä sille, kestääkö perustasi.

Mollien ajatuksia

Jatkuva uudelleenrakentaminen muokkasi ajattelutapaani… en tavoittele tekoälyä trendinä, vaan näen sen seuraavana testinä sille, kestääkö perustasi.

Miten tekoälyä hyödyntävät työnkulut tehostavat kauppojen arviointia ja ennustamista

RevOpsissa on rakennettu kokonaisia uria oletukselle, että CRM on järjestelmä, johon kaikki tiedot kirjataan. Jos asia ei ole Salesforce-järjestelmässä, sitä ei tapahtunut, ja ennuste on vain niin hyvä kuin sinne syötetyt tiedot.

Tekoäly muutti tämän ajatteluni. CRM ei koskaan ollut totuuden lähde. Se sisälsi aina sen, mitä myyntiedustajalla oli aikaa dokumentoida, sen mukaan suodatettuna, mitä hän muisti, mitä hän piti tärkeänä ja mitä hän ei halunnut myöntää. Todellinen signaali oli aina jossain muualla: puhelussa, sähköpostiketjussa tai siinä, miten ostaja vastasi verrattuna siihen, miten myyntiedustaja kirjasi asian.

Niinpä muutimme sitä, mitä pyysimme myyntiedustajia tekemään. Lopetimme sen pyytämisen, että he kirjaavat muistiinpanoja manuaalisesti ja päivittävät kenttiä, jotka agentti pystyi nyt päättelemään suoraan puhelusta. Heidän tehtävänsä muuttui tietojen syöttämisestä myyntiin ja oman vaiheensa sekä päätöspäivän puolustelusta siihen, että he todella perehtyivät siihen, mitä data kertoi.

Myös ennusteprosessi muuttui. Sen sijaan että aloittaisimme myyntiedustajan syöttämistä tiedoista ja etenisimme taaksepäin niiden vahvistamiseksi, aloitamme täydestä signaalijoukosta ja tarkastelemme CRM:ää yhtenä tietolähteenä kaiken muun rinnalla.

Kun kaiken tämän voi tuoda yhteen kontekstikerrokseen, CRM lakkaa olemasta järjestelmä, johon kaikki tiedot kirjataan, ja siitä tulee yksi sen syötteistä. Järjestelmä, johon kaikki tiedot kirjataan, on nyt kokonaiskuva – ei kenttä, jonka myyntiedustaja täytti matkalla seuraavaan puheluunsa.

Käytännön esimerkki kauppojen arviointiagentista

Rakensimme agentin, joka tarkastelee mahdollisuuksia niiden edetessä myyntiputkessa ja kokoaa sekä ensimmäisen osapuolen signaaleja – CRM-aktiviteettia, puhelumuistiinpanoja ja sähköposteja – että kolmannen osapuolen signaaleja – ostoaikomusdataa, tietoa ostopäätösryhmästä ja markkinakontekstia.

Se arvioi kaupan tilan todellisen tunnelman ja sitoutumisen perusteella, ei pelkästään menetelmäkenttien täyttöasteen perusteella. Kauppa voi täyttää jokaisen MEDDPICC-kohdan ja silti olla jäähtymässä. Kaupasta voi puuttua kenttä ja se voi silti olla vahva.

Malli tarkastelee täytettyjä kenttiä pidemmälle ja selvittää, mitä keskustelussa todella tapahtuu. Osallistuvatko ostajat puheluihin vai puhuuko myyntiedustaja edelleen vain päätöksentekoon vaikuttavan henkilön kanssa, jolla ei ole allekirjoitusoikeutta? Millaista vastarintaa tai millaisia kysymyksiä esiin nousee? Ovatko ne taktisia ja odotettuja vai merkkejä siitä, että ostaja harkitsee asiaa uudelleen? Muuttuuko sävy ajan mittaan lämpimämmäksi vai viileämmäksi? Onko päätöspäivä realistinen vai päivämäärä, jonka myyntiedustaja haluaa toteutuvan, eikä sellainen, jonka ostaja on vahvistanut?

Viimeinen kohta on tärkeämpi kuin moni ajattelee. Puhelussa sanotun ja sen välillä, mitä myyntiedustaja kuulee ja kirjoittaa muistiin, on todellinen ero, ja se on yksi vahvimmista riskisignaaleistamme. Malli havaitsee eron vertaamalla puhelujen litterointeja ja muistiinpanoja siihen, mitä myyntiedustajat dokumentoivat CRM:ään.

Malli seuraa myös reagointia ajan mittaan, ei vain yksittäisenä tilannekuvana. Ostaja, joka vastasi nopeasti kuukausi sitten mutta on ollut hiljaa kaksi viikkoa, antaa aivan erilaisen kuvan kuin kauppa, joka on edennyt tasaisesti koko ajan.

Kaikki tämä yhdistyy riskiluokaksi, joka vaikuttaa kaupan painoarvoon ennusteessa. Kaupalla, jossa oikea ostaja on mukana, tarve on aidosti kiireellinen ja päätöspäivälle on perusteltu syy, on todellista painoarvoa. Kaupan, jonka aikataulusta vain myyntiedustaja on optimistinen, painoarvoa alennetaan sen vaiheesta riippumatta.

Siinä on tapahtunut muutos: aiemmin myyntiputken painotus kuvasti kaupan vaihetta prosessissa. Nyt se kuvastaa sitä, mitä todellisuudessa tapahtuu.

Miten AI:hin luottaminen luo katvealueita

Kun agentti pisteyttää kaupan, ilmoittaa riskistä tai suosittelee seuraavaa vaihetta, myyntiedustajat seuraavat helposti sen ehdotusta kysymättä, sopiiko se juuri kyseiselle ostajalle.

Riski ei ole siinä, että AI olisi joskus väärässä. Riski on siinä, että myyntiedustajat lakkaavat tarkistamasta sen ehdotuksia. He ulkoistavat ajattelun, eivät vain tehtävää, ja huomaatte sen vasta, kun kaikki pisteytyksen vuoksi luottamaan oppinut kauppa romahtaa syystä, jota malli ei olisi koskaan havainnut.

Juuri tämän osan useimmat johtajat aliarvioivat. AI:n pitäisi terävöittää harkintaa, ei korvata sitä. Jos myyntiedustajasi eivät osaa selittää, miksi kauppa on terveellä pohjalla muuten kuin sanomalla ”malli sanoi niin”, olette vaihtaneet yhden katvealueen toiseen.

Miten AI hyödyttää liikevaihtoprosesseja

Tässä ovat yleisesti näkemäni tulokset.

Hyvä puoli: Ennusteiden vaihtelu pieneni, mikä paransi myyntiputken kattavuutta. Siirryimme perusanalytiikasta oivalluksiin ja älykkyyteen, jotka kertovat myyntiedustajille paitsi, mitä tapahtui, myös mitä seuraavaksi pitäisi tehdä. Kehitimme myös vahvempia viestejä ja materiaaleja asiakaskohtaamisiin. Niiden taustalla on kontekstikaavio, joka tarjoaa oikeat tiedot oikealla hetkellä jokaiseen vuorovaikutustilanteeseen yleisten puherunkojen sijaan.

Huono puoli: AI:n käyttöönotto aiheutti hajautumista ennen kuin se toi vipuvaikutusta. Työkalujen lisääntyminen tarkoitti, että myyntiedustajilla oli enemmän paikkoja, joista etsiä tietoa, mikä heikensi jonkin aikaa tuottavuutta sen sijaan, että olisi parantanut sitä. Opimme myös, ettei huonolla datalla rakennettu agentti epäonnistu hiljaisesti. Se epäonnistuu itsevarmasti, ja itsevarmasti väärässä oleminen on pahempaa kuin tietämättömyys.

Voitot olivat todellisia, mutta ne näkyivät vasta, kun korjasimme perustan. Jokainen tulos, joka näytti AI:n ansiosta saavutetulta voitolta, oli todellisuudessa data- ja prosessivoitto, jonka päälle oli asetettu AI-leima.

Miksi työkalujen hajautumisen kustannuksella on enemmän merkitystä kuin itse työkaluilla

Puhutaan lisää hajautumisesta. Aluksi uusien AI-työkalujen ja toimintojen lisääminen loi lisää seurattavaa, ei vähentänyt sitä. Myyntiedustajilla oli enemmän paikkoja, joista etsiä tietoa, enemmän järjestelmiä tuottamassa signaaleja ja enemmän koontinäyttöjä, joiden väitettiin kertovan, mitä seuraavaksi pitäisi tehdä. Vipuvaikutusta luomaan tarkoitetut työkalut hajauttivat huomion ja hidastivat toteutusta.

Siksi kavensimme tietoisesti sitä ympäristöä, jossa myyntiedustajat työskentelevät. Sen sijaan että olisimme lisänneet uuden työkalun aina ongelman ratkaistuamme, kysyimme, missä myyntiedustajan pitäisi työskennellä päivittäin, ja toimme AI:n sekä oivallukset tähän yhteen ympäristöön uuden rakentamisen sijaan.

Tämän ansiosta myyntiedustajat käyttivät vähemmän aikaa sen selvittämiseen, mistä tietoa pitäisi etsiä, ja enemmän aikaa toteuttamiseen. Tuottavuus kasvoi, ei siksi, että lisäsimme AI:ta, vaan koska teimme käytössämme olevasta AI:sta hyödyllistä. Hajautuminen oli piilokustannus, jota kukaan ei mitannut, ja sen korjaamisella oli enemmän merkitystä kuin millään yksittäisellä käyttöön ottamallamme työkalulla.

Miksi AI:n pitäisi ainoastaan tehdä suosituksia

AI voi suositella, mitä pitäisi tehdä. Se ei voi olla vastuussa lopputuloksesta. Kun päätöksellä on todellisia seurauksia ihmiselle tai ihmissuhteelle, vastuun on oltava ihmisellä, ei mallilla.

Siksi AI tukee päätöksiä, jotka hyötyvät laajamittaisesta hahmontunnistuksesta:

• Myyntiputken pisteytys
• Kaupan terveydentila
• Ennusteiden koonti
• Asiakaspoistuman riskisignaalit

AI pystyy käsittelemään enemmän signaaleja kuin yksikään ihminen voisi seurata ja tuomaan esiin asiat, jotka ansaitsevat huomiota.

Inhimillinen harkinta säilyy päätöksissä, joihin liittyy kompromisseja, joita data ei pysty täysin kuvaamaan. Näihin kuuluvat:

• Päätökset siitä, miten toimia vaikeuksissa olevan myyjän tai vaikeuksissa olevan alueen kanssa
• Hinnoittelupoikkeukset, joissa huomioidaan suhteet, ei vain matematiikka
• POMP-suunnitelman suunnittelu, jossa kannustimet muokkaavat käyttäytymistä tavoilla, joita mallit eivät ennusta
• Henkilöitä koskevat päätökset — kuka on valmis ottamaan enemmän vastuuta, kuka tarvitsee tukea ja kuka on vaarassa lähteä verrattuna henkilöön, jolla on vain vaikea vuosineljännes

Mollien ajatuksia

Tekoäly voi suositella, mitä pitäisi tehdä. Se ei voi olla vastuussa lopputuloksesta. Kun päätöksellä on todellisia seurauksia henkilölle tai suhteelle, vastuun on oltava ihmisellä, ei mallilla.

Miksi liikevaihdosta vastaavien johtajien on kysyttävä, tarvitaanko todella ”enemmän”

Tekoälyn tuottama massiivinen ulospäin suuntautuva viestintä on ollut pettymys. Lupaus oli mittakaava: enemmän sähköposteja, enemmän personointia suuressa mittakaavassa ja enemmän myyntiputkea. Lopputuloksena oli melua. Ostajat huomaavat, kun viesti on luotu kaikille eikä personoitu kenellekään, ja vastausprosentit todistavat tämän.

Laajempi opetus on, että tekoäly loistaa jo toimivien asioiden skaalaamisessa. Sen on vaikea luoda merkityksellisyyttä tyhjästä. Volyymi ei koskaan ollut ulospäin suuntautuvan myynnin rajoite. Merkityksellisyys oli. Merkityksellisyys edellyttää edelleen ihmisen päätöstä siitä, kenellä on merkitystä ja miksi, ennen kuin tekoäly koskettaa viestiä.

Tätä kaavaa tarkkailen nyt. Kun käytämme tekoälyä tehdäksemme jotakin enemmän, kysyn, oliko ”enemmän” todella ongelma. Yleensä se ei ollut.

Miksi tietoperusta on tärkein tekoälymuutoksissa

Tekoäly ei korjaa rikkinäistä tietoperustaa, vaan paljastaa sen. Jokainen tapaamani liikevaihdosta vastaava johtaja haluaa aloittaa jännittävästä osasta: agentista, apurista tai työkalusta, joka lupaa muuttaa myyjien käyttäytymisen yhdessä yössä. Mutta jos taustalla oleva tieto on pirstaloitunutta tai epäluotettavaa, tekoäly vain automatisoi toimintahäiriön nopeammin ja suuremmalla varmuudella.

Loppujen lopuksi vaikeuksiin joutuvat liikevaihdosta vastaavat johtajat eivät ole niitä, jotka etenivät liian hitaasti. He ovat niitä, jotka hankkivat työkalun ennen perustan korjaamista, menettivät sitten uskottavuutensa tiiminsä silmissä tulosten ollessa vääriä, eikä kukaan enää luottanut siihen.

Luottamusta on vaikea rakentaa uudelleen sen kerran menetettyä.

Miten estää perfektionismia suistamasta tekoälyn käyttöönottoa raiteiltaan

Täydellisyyteen pyrkiminen oli väärä lähtökohta. Käytin alussa liikaa aikaa kaikkien erityistapausten kartoittamiseen ennen kuin mikään oli julkaistu. Vietimme viikkoja rakentaen asioita, joita kukaan ei tarvinnut, ja myyjät joutuivat odottamaan paljon pidempään ennen kuin he todella luottivat niihin.

Nyt valitsemme yhden rajatun ongelman, julkaisemme ratkaisun muutamalle myyjälle ja annamme käytön kertoa, mitä meidän pitäisi rakentaa seuraavaksi.

Seuraamme todellista käyttöä, emme tyytyväisyyskyselyitä. Avaisivatko myyjät sen? Ja toimivatko he sen kertoman perusteella? Palaavatko he sen pariin? Tämä kertoo meille yhdessä viikossa enemmän kuin mikään suunnittelutilaisuus voisi.

Jos myyjät eivät käytä jotakin, poistamme sen — nopeasti. Vaikka olisimme jo rakentaneet sen. Uponneet kustannukset eivät ole syy säilyttää sitä.

Laajennamme myös vaiheittain ja rajatusti. Kun pienin versio toimii ja myyjät luottavat siihen, laajennamme käyttöönottoa ja lisäämme seuraavan osan sen sijaan, että julkistaisimme koko vision kerralla.

Lyhyesti: etene nopeasti, opi nopeasti ja skaalaa toimivaksi osoittautunutta.

Neuvoja liikevaihdosta vastaaville johtajille

Tässä neuvoni liikevaihdosta vastaaville johtajille:

• Korjaa tietosi ennen kuin ostat uuden työkalun.
• Vastusta painetta ottaa kaikkea käyttöön kerralla. Tavoitteena on oikea tekoäly oikeassa paikassa, jota myyntiedustajat todella käyttävät.
• Pidä harkinta mukana. Tarkoitus ei ole automatisoida päätöksiä pois ihmisiltä. Tarkoitus on antaa ihmisille parempaa tietoa nopeammin, jotta heidän edelleen tehtäväkseen jäävät päätökset ovat terävämpiä. Tämä ero on juuri nyt koko työn ydin.

Pysy mukana

Voit seurata Mollie Bodensteineria LinkedInissä. Tutustu myös The RevTech Review -sivustoon.

Lisää asiantuntijahaastatteluja on tulossa The CRO Clubiin!