Teknologidirektør for inntekter sier at KI gjør prognoser sterkere – og ansvar vanskeligere å unngå

George Storm

Inntektsdirektør i N.Rich

George Storm

George Storm forklarer hvordan KI styrker inntektsprognoser ved å gi bedre oversikt og beslutningsgrunnlag, samtidig som menneskelig ansvar blir viktigere enn noen gang.

Key Takeaways

Prognoser: KI-baserte inntektsprognoser erstatter betryggende historiske estimater med kontinuerlige, regimbevisste sannsynligheter som avdekker underskudd før kvartalene er over.

Ansvarlighet: KI identifiserer mønstre på tvers av inntektssignaler, men inntektsdirektører må ta beslutninger om avtaler, prissetting, bemanning og kommunikasjon med styret.

Kalibrering: Tidlige modeller viste farlig stor selvsikkerhet, noe som beviste at ledere må utfordre antakelser og teste resultater mot uoversiktlige data fra virkeligheten.

Arbeidsflyt: En ukentlig KI-arbeidsflyt samler salgsmuligheter, bruk, kundestøtte, samtaler og interne signaler, og sender deretter risikoer videre til ansvarlige eiere.

Begrensninger: KI akselererer eksisterende etterspørsel og synliggjør problemer, men kan ikke reparere dårlige data eller erstatte virksomhetens skjønn.

George Storm har jobbet med salg i 23 år. Han er for tiden CRO i en B2B ABM-plattform kalt N.Rich, der han leder salg, markedsføring, kundesuksess, partnere og produktstøtte.

Vi satte oss ned med George for å lære hvordan han bygget opp prognoser og rapportering på nytt ved hjelp av kunstig intelligens. Dette fortalte han oss.

Å eie hele trakten

Å eie hele trakten

Jeg heter George Storm og er CRO i N.Rich, en B2B ABM-plattform. Vi går fra å være et ABM-selskap med ett enkelt produkt til å bli en plattform, noe vi markedsfører som Composable GTM. Den nåværende inntektsmodellen vår er et årlig SaaS-abonnement med tilknyttede tjenester. Vi introduserer en modulær modell, abonnementer per modul og resultatbasert prising når vi lanserer GTM OS.

Jeg har ansvar for hele inntektsområdet, fra ende til annen: salg, markedsføring, kundesuksess, partnere og produktstøtte. Jeg eier alt fra etterspørselsgenerering til netto inntektsbevaring – hele trakten, ikke bare en del av den. GTM-strukturen vår omfatter et slankt, EMEA-vektet salgsteam; en markedsføringsorganisasjon som driver etterspørsel og ABM; en kundesuksessorganisasjon som håndterer fornyelser og utvidelser; samt en parallell partnerinnsats.

Vi betjener hovedsakelig europeiske B2B-selskaper i mellommarkedet og bedriftsmarkedet – nærmere bestemt ledere innen inntekter og markedsføring som driver markedsstrategier rettet mot bestemte kontoer.

More Articles

Hvordan kunstig intelligens forvandlet nøyaktigheten i inntektsprognosene

Hvordan kunstig intelligens forvandlet nøyaktigheten i inntektsprognosene

Jeg har jobbet med salg i 23 år, og den siste perioden har vært vanskeligere enn de to første tiårene til sammen.

Jeg kom ikke frem til kunstig intelligens gjennom nysgjerrighet. Jeg kom dit gjennom en feilslått prognose. Jeg laget prognoser på samme måte som alle CRO-er – basert på historisk konvertering – og modellen fortsatte å fortelle meg det jeg ønsket å høre, helt frem til kvartalet da den ikke gjorde det lenger. Selvlureriets mekanisme var selve modellen. Og det var jeg som hadde bygget den.

Derfor bygget jeg opp hele prognosearbeidet vårt på nytt. Vi gikk bort fra en punktestimatmodell basert på historisk konvertering. Den hadde et Monte Carlo-lag som fikk den til å virke grundig. Det var den ikke. Et punktestimat er et punktestimat, selv når du tar gjennomsnittet av tre av dem.

Vi gikk over til en regimebetinget, sannsynlighetsbasert modell med fire inndata. Vinnerate, innhenting, NRR og sykluslengde, alle kalibrert mot eksterne a priori-estimater fra WEF, IMF og McKinsey. Kunstig intelligens beregner fordelingen kontinuerlig i stedet for at jeg bygger opp et regneark på nytt én gang i kvartalet. For å gjøre dette bruker vi Claude til makrosignaler, i tillegg til Fathom, HubSpot og vår egen plattform.

Regimebevisst. Sannsynlighetsbasert. Kontinuerlig. Denne ombyggingen trakk meg ordentlig inn i kunstig intelligens, ikke som et produktivitetslag som er skrudd på rollen, men som det som gjør det mulig for én person å utføre beregningene, lese markedet og handle i løpet av samme uke. Det er dette arbeidet handler om nå.

Takket være denne endringen ble prognosen en avlesning, ikke en rapport. Den viste avstanden under det vi hadde forpliktet oss til før kvartalet snudde, ikke etterpå. Styret ble ikke lenger overrasket. Og det er hele poenget.

Hvorfor kunstig intelligens leser, men operatøren må handle

Hvorfor kunstig intelligens leser, men operatøren må handle

Når det gjelder hva kunstig intelligens bør håndtere, og hva mennesker bør håndtere, gir kunstig intelligens grunnlaget for avlesningen:

  • Regimeprognosens fordeling
  • Prioritering av salgstrakten
  • Vurdering av kontotilstand
  • Varsler om risiko for kundefrafall
  • Ukentlig tverrfunksjonell avlesning på tvers av salg, markedsføring, kundesuksess og partnere

Kunstig intelligens driver nå alt dette fordi det innebærer mønstergjenkjenning på tvers av flere signaler enn et menneske kan holde i hodet.

Aktiviteter som uttrykkelig må håndteres av mennesker, gjelder responsen:

  • Avgjørelsen i en konkret avtale
  • Prising av en strategisk konto
  • Hvem som skal ha hvilken rolle
  • Fortellingen til styret.

Grunnen er enkel. Kunstig intelligens utvider det jeg kan se, men vi kan ikke delegere ansvar til en modell. Bruk den som et innspill til modellen, ikke som beslutningstaker. Modellen leser. Operatøren handler.

Hvordan kunstig intelligens forbedrer arbeidsflyter, men skaper risiko for overmot

De første modellene var for selvsikre … Det viste seg at motvirkende kalibrering var selve jobben, ikke et trinn i den – jeg måtte stressteste min egen modell med en instruksjon til en senioranalytiker som hadde som eneste oppgave å rive optimismen ut av den. Jeg kunne ha spart et kvartal hvis jeg hadde lært dette tidligere.

George StormCRO hos N.Rich
Share This Quote on:

Her er de gode resultatene:

  • Den ukentlige CRO-rapporten, som tidligere tok det meste av en arbeidsdag, settes nå sammen automatisk, og jeg bruker tiden på å ta beslutninger i stedet for å samle inn informasjon.
  • Tilstandsvurderingen fanger opp kontoer i faresonen ett til to kvartaler før den etterslepende måleverdien endrer seg.
  • Prognosen holder mål i styrerommet, som er den eneste nøyaktighetstesten som betyr noe.

Men alt er ikke bra. De første modellene var overmodige. Én kom tilbake med 97 % sannsynlighet og var strukturelt for optimistisk, fordi jeg hadde matet rene antakelser inn i skitne data.

Adversariell kalibrering viste seg å være selve jobben, ikke et trinn i den – å gjennomføre en rødteamøvelse på min egen modell med en prompt for senioranalytikere som hadde som eneste oppgave å rive optimismen ut. Jeg kunne ha spart en fjerdedel hvis jeg hadde forstått det tidligere.

AI sparte meg ikke for det arbeidet. Den flyttet det.

En rapporteringsarbeidsflyt fra virkeligheten

George Storm

Georges tanker

Prognosen er avlesningen. Planen er responsen. Sløyfen er operativsystemet.

La oss gå gjennom den ukentlige avlesningsarbeidsflyten.

På mandag henter AI data fra HubSpot for salgspipeline og fornyelser, Amplitude for produktbruk, Pylon for kundestøtte, Fathom for samtalesentiment og Slack for signaler fra kunder og internt. Den oppretter ett styrt datalag. Den vurderer kontotilstand, flagger kontoene som står i fare, sender Slack-varsler direkte til de ansvarlige og oppdaterer den regimebetingede prognosefordelingen.

Deretter leser jeg den, beslutter responsen, og innen fredag lukker vi sløyfen. Spor, les, handle – i en ukentlig sløyfe med én ansvarlig som med hensikt ikke er lederen. Systemet står for innsamlingen og vurderingen. Rollen står for beslutningene.

Prognosen mater sløyfen. Sløyfen kalibrerer hvor kapital og innsats skal settes inn. Og hele organisasjonen leser og responderer på en ukesrytme i stedet for en nitti dagers rytme. Prognosen er avlesningen. Planen er responsen. Sløyfen er operativsystemet.

Hvordan AI gjør inntektsledelse vanskeligere

AI har ikke skapt ny etterspørsel. Den komprimerer og akselererer den eksisterende pipelinen din, men den skaper ikke kjøpsintensjon hos en kjøper som ikke er i markedet. Alle som selger AI som et mirakel øverst i salgstrakten, selger deg feil ting.

Den har heller ikke erstattet dømmekraft i avtaler med store virksomheter i sluttfasen, og den har ikke ryddet opp i urene data. Urene data blir ikke bedre med AI. De blir høyere.

AI har også gjort livet mitt vanskeligere gjennom komprimering av roller på kjøpersiden. Når selskaper slår sammen tre jobber til én rolle, kan forkjemperen som kjøpte fra oss i fjor, ha byttet rolle, mistet ansvaret eller forlatt organisasjonen. AI skapte denne dynamikken. Den løser den ikke for meg.

Hvor CRO-er bør begynne – og hva de bør unngå

Her er mitt råd: Ikke koble AI på rollen som et produktivitetsverktøy. Utform rollen på nytt rundt det … Og vær selv med i tallene. CRO-ene som overlater dette til et verktøy og ser bort, får svaret verktøyet ble bygget for å gi dem. Sørg for at du setter det opp til å fortelle deg når du tar feil.

George StormCRO at N.Rich
Share This Quote on:

Her er mitt råd: Ikke koble AI på rollen som et produktivitetsverktøy. Utform rollen på nytt rundt det.

Begynn med prognosen din, fordi det er der styret vurderer deg, og standarden endret seg i 2026. Du får ikke lenger sparken for å bomme på tallet. Du får sparken for overraskelsen. En modell som ikke kan se bommen komme, er ansvaret – ikke bommen.

Og vær selv med i tallene. CRO-ene som overlater dette til et verktøy og ser bort, får svaret verktøyet ble bygget for å gi dem. Sørg for at du setter det opp til å fortelle deg når du tar feil.

Følg med

Du kan følge arbeidet til George Storm på LinkedIn og georgestorm.io.

Flere ekspertintervjuer kommer snart i CRO-klubben!

You may also like