SaaS-visepresident for inntektsdrift sier at overfloden av AI-verktøy er den skjulte kostnaden ingen måler

Mollie Bodensteiner er visepresident for inntektsoperasjoner i ZoomInfo, et børsnotert SaaS-selskap som betjener bedriftskunder globalt. Hun er også skaperen av The RevTech Review.

Vi satte oss ned med Mollie for å forstå hvordan hun endrer arbeidsflytene for avtalevurdering og prognostisering med AI. Her er det hun fortalte oss.

AI tester om grunnlaget for dataene og prosessene dine holder

Jeg leder inntektsoperasjoner i et børsnotert SaaS-selskap på bedriftsnivå som betjener mellomstore og store bedriftskunder globalt. Den fødererte modellen vår omfatter pipeline-operasjoner, salgsoperasjoner, CX-operasjoner, partneroperasjoner og GTM-systemer, og støtter en kompleks markedsinngangsorganisasjon med flere salgsbevegelser.

Vi driver etter en SaaS-modell basert på abonnement og påvirket av bruk, med en markedsinngangsmodell med flere salgsbevegelser: ny virksomhet, utvidelser og fornyelser på tvers av selvbetjening, mellomstore bedrifter og bedriftssegmenter. RevOps-teamet mitt består av rundt 20 personer og støtter hele GTM-organisasjonen.

Jeg har over 15 års erfaring fra markedsinngangsområder: RevOps, systemer, kompensasjon, automatisering, territorie- og kvoteplanlegging, dataarkitektur og utvikling. Jeg har bygget opp og skalert disse funksjonene i flere enhjørninger i hypervekst – den typen selskaper der virksomheten beveger seg raskere enn systemene som skal støtte den.

Det konstante gjenoppbyggingsarbeidet formet måten jeg tenker på. Hver gang et selskap doblet størrelsen, sluttet systemene som fungerte i går, å fungere i dag. Jeg lærte å designe for skalering før skaleringen krevde det.

Det er denne reisen som har brakt meg til dette øyeblikket innen ledelse av inntektsfunksjoner: ikke å følge AI som en trend, men å se det som den neste testen på om grunnlaget ditt holder.

Mollies tanker

Det konstante gjenoppbyggingsarbeidet formet måten jeg tenker på … ikke å følge AI som en trend, men å se det som den neste testen på om grunnlaget ditt holder.

Slik forbedrer AI-drevne arbeidsflyter avtalevurdering og prognostisering

RevOps har bygget hele karrierer rundt antakelsen om at CRM-systemet er fasiten. Hvis det ikke finnes i Salesforce, har det ikke skjedd, og prognosen er bare så god som det som ble skrevet inn.

AI endret dette for meg. CRM-systemet var aldri kilden til sannheten. Det var alltid det en selger hadde tid til å dokumentere, filtrert gjennom det vedkommende husket, det han eller hun mente var viktig, og det de ikke ønsket å innrømme. Det virkelige signalet fantes alltid et annet sted: i samtalen, i e-posttråden, i hvordan en kjøper svarte sammenlignet med hvordan selgeren skrev det ned.

Derfor endret vi det vi ba selgerne om å gjøre. Vi sluttet å be dem loggføre notater manuelt og oppdatere felt som en agent nå kunne utlede fra selve samtalen. Jobben deres gikk fra dataregistrering til salg, og fra å forsvare fasen og sluttdatoen sin til faktisk å forholde seg til det dataene fortalte dem.

Prognoseprosessen ble også endret. I stedet for å starte med det en selger skrev inn og jobbe bakover for å validere det, starter vi med hele signalbildet og kontrollerer CRM-systemet som én inngang mot alt annet.

Når du kan samle alt dette i ett enkelt kontekstlag, slutter CRM-systemet å være fasiten og blir én av inngangene til den. Fasiten er nå hele bildet, ikke feltet en selger fylte ut på vei til neste samtale.

En agent for avtalevurdering fra den virkelige verden

Vi bygget en agent som vurderer muligheter etter hvert som de beveger seg gjennom salgspipelinen, og som henter både førstepartssignaler – CRM-aktivitet, samtalenotater og e-post – og tredjepartssignaler – intensjonsdata, undersøkelser av kjøpskomiteen og markedskontekst.

Den vurderer avtalens helsetilstand basert på faktiske følelsesmessige signaler og engasjement, ikke bare på om metodefeltene er fylt ut. En avtale kan krysse av for alle MEDDPICC-boksene og likevel være i ferd med å kjølne. En avtale kan mangle et felt og likevel være het.

Modellen ser forbi utfylte felt og på det som skjer i samtalen. Deltar kjøperne i samtalene, eller snakker selgeren fortsatt bare med en forkjemper som ikke kan signere? Hvilken type motstand eller hvilke spørsmål dukker opp? Er de taktiske og forventede, eller er de tegn på at kjøperen vurderer saken på nytt? Blir tonen varmere eller kjøligere over tid? Er sluttdatoen realistisk, eller er det en dato selgeren ønsker skal være riktig, i stedet for en dato kjøperen har bekreftet?

Det siste betyr mer enn mange tror. Det er et reelt gap mellom det som blir sagt i en samtale, og det en selger oppfatter og skriver ned, og dette representerer et av våre sterkeste risikosignaler. Modellen fanger opp gapet ved å sammenligne samtaletranskripsjoner og notater med det selgerne dokumenterte i CRM-systemet.

Modellen følger også med på respons over tid, ikke bare som et øyeblikksbilde. En kjøper som svarte raskt for en måned siden, men har blitt taus i to uker, tolkes svært annerledes enn en avtale som har vært stabil hele veien.

Alt dette samles i en risikokategori som vektlegger avtalen i prognosen. En avtale med riktig kjøper involvert, reell hast og en forsvarlig sluttdato har reell tyngde. En avtale der selgeren er den eneste som er optimistisk med tanke på tidslinjen, blir nedjustert, uavhengig av hvilket stadium den befinner seg på.

Det er dette som har endret seg: Tidligere gjenspeilte vektingen av salgspipelinen avtalens stadium i prosessen. Nå gjenspeiler den det som faktisk skjer.

Hvordan avhengighet av AI skaper blindsoner

Når en agent vurderer en avtale, markerer en risiko eller anbefaler et neste steg, følger selgere lett anbefalingen uten å spørre om den faktisk passer for akkurat denne kjøperen.

Risikoen er ikke at AI tar feil iblant. Det er at selgerne slutter å kontrollere. De setter bort tenkingen, ikke bare oppgaven, og du merker det ikke før en avtale som alle stoler på på grunn av poengsummen, faller sammen av en grunn modellen aldri ville ha fanget opp.

Det er denne delen de fleste ledere undervurderer. AI skal skjerpe vurderingsevnen, ikke erstatte den. Hvis selgerne dine ikke kan forklare hvorfor en avtale er sunn utover «modellen sa det», har du byttet én blindsone mot en annen.

Hvordan AI forbedrer inntektsprosessene

Her er resultatene jeg ser totalt sett.

Det gode: Prognoseavviket gikk ned, noe som forbedret dekningen i salgspipelinen. Vi gikk videre fra grunnleggende analyse til innsikt og intelligens som forteller selgerne ikke bare hva som skjedde, men også hva de skal gjøre videre. Vi utviklet også bedre meldinger og materiell for kundeengasjement, drevet av en kontekstgraf som gir riktig informasjon på riktig tidspunkt for hver interaksjon, i stedet for generiske samtalemanus.

Det dårlige: Innføringen av AI skapte spredning før den skapte bedre utnyttelse. Flere verktøy betydde flere steder selgerne måtte lete, noe som en stund svekket produktiviteten i stedet for å forbedre den. Vi lærte også at en agent som er bygget på dårlige data, ikke feiler stille. Den feiler med selvtillit, og selvsikkert feil er verre enn å ikke vite.

Gevinstene var reelle, men de kom først etter at vi hadde rettet opp grunnlaget. Hvert resultat som så ut som en AI-gevinst, var egentlig en data- og prosessgevinst med en AI-etikett.

Hvorfor kostnadene ved verktøyspredning betyr mer enn selve verktøyene

La oss snakke mer om spredning. I begynnelsen skapte det å legge til flere AI-verktøy og mer funksjonalitet en større, ikke mindre, arbeidsflate. Selgerne hadde flere steder å lete, flere systemer som genererte signaler, og flere oversikter som hevdet å fortelle dem hva de skulle gjøre videre. Verktøyene som skulle skape bedre utnyttelse, fragmenterte oppmerksomheten og bremset gjennomføringen.

Derfor reduserte vi bevisst arbeidsflaten der selgerne utfører arbeidet sitt. I stedet for å legge til enda et verktøy hver gang vi løste et problem, spurte vi hvor selgeren burde arbeide til daglig, og la AI-en og innsikten inn i denne ene arbeidsflaten i stedet for å bygge en ny.

Som et resultat brukte selgerne mindre tid på å finne ut hvor de skulle lete, og mer tid på å gjennomføre. Produktiviteten økte ikke fordi vi la til mer AI, men fordi vi gjorde AI-en vi allerede hadde, anvendelig. Spredning var den skjulte kostnaden ingen målte, og det å rette opp dette betydde mer enn ethvert enkeltverktøy vi tok i bruk.

Hvorfor AI bare bør komme med anbefalinger

AI kan anbefale hva som bør gjøres. Den kan ikke holdes ansvarlig for resultatet. Når en beslutning får reelle konsekvenser for en person eller en relasjon, må ansvaret ligge hos et menneske, ikke en modell.

Derfor gir AI beslutningsstøtte i beslutninger som drar nytte av mønstergjenkjenning i stor skala:

• Poengsetting av salgspipelinen
• Avtalehelse
• Prognosesammendrag
• Signaler på risiko for kundefrafall

AI kan behandle flere signaler enn noe menneske kan følge med på, og synliggjøre det som fortjener oppmerksomhet.

Menneskelig vurderingsevne trengs fortsatt i beslutninger som innebærer avveininger data ikke kan fange fullt ut. Dette omfatter:

• Avgjørelser om hvordan man skal håndtere en medarbeider som sliter, sammenlignet med et territorium som sliter
• Prisunntak der relasjoner veier tyngre enn bare matematikken
• Utforming av POMP-planer der insentiver former atferd på måter modeller ikke vil forutsi
• Personbeslutninger – hvem som er klar for større ansvarsområder, hvem som trenger støtte, og hvem som står i fare for å slutte, sammenlignet med noen som bare har et vanskelig kvartal

Mollies tanker

AI kan anbefale hva man bør gjøre. Det kan ikke holdes ansvarlig for resultatet. Når en beslutning får reelle konsekvenser for en person eller en relasjon, må ansvaret ligge hos et menneske, ikke en modell.

Hvorfor inntektsledere må spørre om «mer» faktisk er nødvendig

AI-generert masseutsendelse i utgående salg har vært en skuffelse. Løftet var skalering: flere e-poster, mer personalisering i stor skala, mer salgspipeline. Resultatet ble støy. Kjøpere kan se når en melding er generert for alle og personlig tilpasset for ingen, og svarprosentene beviser dette.

Den bredere lærdommen er at AI er fremragende til å skalere det som allerede fungerer. Det har problemer med å skape relevans ut av ingenting. Volum var aldri begrensningen i utgående salg. Det var relevans. Relevans krever fortsatt en menneskelig beslutning om hvem som betyr noe, og hvorfor, før AI kommer i kontakt med meldingen.

Det er dette mønsteret jeg følger med på nå. Når vi bruker AI til å gjøre mer av noe, spør jeg om «mer» faktisk var problemet. Som regel var det ikke det.

Hvorfor datagrunnlaget er viktigst i AI-transformasjoner

AI reparerer ikke et ødelagt datagrunnlag; det avdekker det. Alle CRO-ene jeg snakker med, vil begynne med den spennende delen: agenten, co-piloten, verktøyet som lover å endre atferden til salgsmedarbeiderne over natten. Men hvis dataene under er fragmenterte eller upålitelige, automatiserer AI bare dysfunksjonen raskere og med større selvsikkerhet.

Til syvende og sist er det ikke CRO-ene som gikk for sakte, som brenner seg. Det er de som kjøpte verktøyet før de fikset grunnlaget, og deretter mistet troverdighet hos teamet sitt da resultatet var feil, slik at ingen stolte på det igjen.

Den tilliten er vanskelig å bygge opp igjen når den først er borte.

Slik hindrer du perfeksjonisme i å spore av AI-implementeringen

Å prøve å være perfekt var feil instinkt. Tidlig brukte jeg for mye tid på å kartlegge alle særtilfeller før noe ble satt i drift. Vi snakker om uker brukt på å bygge ting ingen trengte, og en mye lengre ventetid før salgsmedarbeiderne faktisk stolte på dem.

Nå velger vi ett avgrenset problem, lanserer løsningen for en håndfull salgsmedarbeidere og lar bruken fortelle oss hva vi skal bygge videre på.

Vi følger med på faktisk bruk, ikke tilfredshetsundersøkelser. Åpnet salgsmedarbeiderne den? Og handlet de på bakgrunn av det den fortalte dem? Kom de tilbake? Dette forteller oss mer på én uke enn noen planleggingsøkt kunne gjort.

Hvis salgsmedarbeiderne ikke bruker noe, fjerner vi det – raskt. Selv om vi allerede har bygget det. Tidligere påløpte kostnader er ingen grunn til å beholde det.

Og vi utvider i små, avgrensede trinn. Når den minste versjonen fungerer og salgsmedarbeiderne stoler på den, utvider vi utrullingen og legger til neste del, i stedet for å lansere hele visjonen på én gang.

Kort sagt: Beveg deg raskt, lær raskt og skaler det som fungerer.

Råd til inntektsledere

Her er mitt råd til inntektsledere:

• Rett opp dataene dine før du kjøper enda et verktøy.
• Motstå presset om å ta i bruk alt på én gang. Den riktige KI-en på riktig sted, som selgerne faktisk bruker – det er målet.
• Behold dømmekraften. Oppgaven er ikke å automatisere beslutninger bort fra mennesker. Den er å gi mennesker bedre informasjon raskere, slik at beslutningene de fortsatt må ta, blir bedre. Det skillet er hele oppgaven akkurat nå.

Følg med

Du kan følge Mollie Bodensteiner på LinkedIn. Ta også en titt på The RevTech Review.

Flere ekspertintervjuer kommer på The CRO Club!