VP Revenue Operations bij SaaS zegt dat de wildgroei aan AI-tools de verborgen kosten zijn die niemand meet

Mollie Bodensteiner is VP Omzetoperaties bij ZoomInfo, een beursgenoteerd SaaS-bedrijf dat wereldwijd zakelijke klanten bedient. Ze is ook de maker van The RevTech Review.

We gingen met Mollie om tafel om te begrijpen hoe ze met AI werkstromen voor de beoordeling van verkoopkansen en prognoses verandert. Dit vertelde ze ons.

AI test of je data- en procesfundament sterk genoeg zijn

Ik leid Omzetoperaties bij een beursgenoteerd SaaS-bedrijf op ondernemingsschaal dat wereldwijd klanten uit het middensegment en bedrijfsleven bedient. Ons federatieve model omvat pijplijnbeheer, verkoopactiviteiten, CX-operaties, partneractiviteiten en GTM-systemen, ter ondersteuning van een complexe organisatie voor marktbenadering met meerdere bewegingen.

We hanteren een abonnementsmodel voor SaaS dat wordt beïnvloed door gebruik, met een marktbenaderingsstrategie met meerdere bewegingen: nieuwe klanten, uitbreiding en verlengingen voor selfservice-, mid-market- en enterprise-segmenten. Mijn RevOps-team bestaat uit ongeveer 20 mensen en ondersteunt de volledige GTM-organisatie.

Ik werk al meer dan 15 jaar in functies voor marktbenadering: RevOps, systemen, beloning, automatisering, territorium- en quotaplanning, data-architectuur en engineering. Ik heb deze functies opgebouwd en opgeschaald binnen meerdere snelgroeiende eenhoorns, het soort bedrijven waarin de onderneming sneller beweegt dan de systemen die haar moeten ondersteunen.

Die voortdurende heropbouw heeft mijn manier van denken gevormd. Elke keer dat een bedrijf in omvang verdubbelde, werkten de systemen die gisteren nog functioneerden vandaag niet meer. Ik leerde om te ontwerpen voor schaal voordat schaal dat noodzakelijk maakte.

Dat is de reis die me op dit moment in mijn leiderschap op het gebied van omzet heeft gebracht: AI niet achternalopen als trend, maar het zien als de volgende test om te bepalen of je fundament standhoudt.

Mollie's gedachten

Die voortdurende heropbouw heeft mijn manier van denken gevormd… AI niet achternalopen als trend, maar het zien als de volgende test om te bepalen of je fundament standhoudt.

Hoe AI-gestuurde werkstromen de beoordeling van verkoopkansen en prognoses verbeteren

RevOps heeft volledige carrières opgebouwd rond de aanname dat het CRM het bronsysteem is. Als het niet in Salesforce staat, is het niet gebeurd, en de prognose is niet beter dan wat erin is getypt.

AI heeft dat voor mij veranderd. Het CRM was nooit de bron van de waarheid. Het was altijd wat een vertegenwoordiger tijd had om te documenteren, gefilterd door wat diegene zich herinnerde, wat volgens hem of haar belangrijk was en wat diegene niet wilde toegeven. Het echte signaal bevond zich altijd ergens anders: in het gesprek, in de e-mailthread, in de manier waarop een koper reageerde versus hoe de vertegenwoordiger het opschreef.

Daarom veranderden we wat we van vertegenwoordigers vroegen. We stopten met hen te vragen om handmatig notities te loggen en velden bij te werken die een agent nu uit het gesprek zelf kon afleiden. Hun taak verschoof van gegevens invoeren naar verkopen, en van het verdedigen van hun fase en sluitingsdatum naar daadwerkelijk reageren op wat de data hen vertelde.

Ook het prognoseproces veranderde. In plaats van te beginnen met wat een vertegenwoordiger had ingevoerd en vervolgens terug te werken om het te valideren, beginnen we met de volledige verzameling signalen en controleren we het CRM als één invoer naast al het andere.

Zodra je dat allemaal in één contextlaag kunt samenbrengen, houdt het CRM op het bronsysteem te zijn en wordt het één invoer daarvoor. Het bronsysteem is nu het volledige beeld, niet het veld dat een vertegenwoordiger invulde op weg naar het volgende gesprek.

Een agent voor de beoordeling van verkoopkansen uit de praktijk

We hebben een agent gebouwd die verkoopkansen beoordeelt terwijl ze door de pijplijn vorderen. Daarbij haalt de agent zowel signalen uit eerste hand op — CRM-activiteit, gespreksnotities en e-mail — als signalen van derden — intentiegegevens, onderzoek naar de inkoopcommissie en marktcontext.

De agent beoordeelt de gezondheid van een verkoopkans op basis van daadwerkelijke sentimenten en betrokkenheid, niet alleen op basis van de voltooiing van methodologievelden. Een verkoopkans kan aan elk MEDDPICC-vakje voldoen en toch afkoelen. Een verkoopkans kan een veld missen en toch warm zijn.

Het model kijkt verder dan ingevulde velden en richt zich op wat er in het gesprek gebeurt. Nemen kopers deel aan gesprekken, of praat de vertegenwoordiger nog steeds alleen met een voorvechter die niet kan ondertekenen? Welke vormen van weerstand of welke vragen komen naar voren? Zijn ze tactisch en te verwachten, of zijn het signalen dat de koper zich opnieuw beraadt? Wordt de toon in de loop van de tijd warmer of koeler? Is de sluitingsdatum realistisch, of is het een datum die de vertegenwoordiger waar wil laten zijn in plaats van een datum die de koper heeft bevestigd?

Dat laatste is belangrijker dan mensen denken. Er is een echte kloof tussen wat er tijdens een gesprek wordt gezegd en wat een vertegenwoordiger hoort en opschrijft, en die kloof vormt een van onze sterkste risicosignalen. Het model detecteert die kloof door gespreksverslagen en notities te vergelijken met wat vertegenwoordigers in het CRM hebben gedocumenteerd.

Het model houdt ook bij hoe responsief iemand in de loop van de tijd is, niet als een momentopname. Een koper die een maand geleden snel reageerde en al twee weken stil is, geeft een heel ander beeld dan een verkoopkans die gedurende de hele periode stabiel is gebleven.

Dat alles wordt samengevoegd tot een risicocategorie die de deal meeweegt in de prognose. Een deal waarbij de juiste koper betrokken is, sprake is van echte urgentie en een verdedigbare sluitingsdatum is vastgesteld, weegt daadwerkelijk zwaar. Een deal waarbij alleen de verkoper optimistisch is over de tijdlijn, krijgt een lagere weging, ongeacht de fase.

Dat is de verschuiving: vroeger weerspiegelde de weging van de pijplijn de fase van een deal in het proces. Nu weerspiegelt die wat er daadwerkelijk gebeurt.

Hoe afhankelijkheid van AI blinde vlekken creëert

Wanneer een agent een deal beoordeelt, een risico signaleert of een volgende stap aanbeveelt, volgen verkopers dit al snel zonder zich af te vragen of het voor die specifieke koper klopt.

Het risico is niet dat de AI soms ongelijk heeft. Het risico is dat verkopers niet meer controleren. Ze besteden het denkwerk uit, niet alleen de taak, en merken dat pas wanneer een deal waarin iedereen vanwege de score vertrouwen had, uiteenvalt om een reden die het model nooit zou kunnen detecteren.

Dat is het deel dat de meeste leiders onderschatten. AI hoort het beoordelingsvermogen aan te scherpen, niet te vervangen. Als je verkopers niet kunnen uitleggen waarom een deal gezond is, behalve met "het model zei het", heb je de ene blinde vlek ingeruild voor een andere.

Hoe AI omzetprocessen ten goede komt

Dit zijn de resultaten die ik over het geheel genomen zie.

Het goede nieuws: De afwijking in de prognose nam af, waardoor de dekking van de pijplijn verbeterde. We gingen verder dan basisanalyses en ontwikkelden inzichten en intelligentie die verkopers niet alleen vertellen wat er is gebeurd, maar ook wat ze vervolgens moeten doen. We ontwikkelden ook sterkere berichtgeving en betrokkenheidsmaterialen, aangedreven door een contextgrafiek die voor elke interactie op het juiste moment de juiste informatie biedt, in plaats van generieke gespreksscripts.

Het slechte nieuws: De invoering van AI leidde eerst tot wildgroei voordat ze tot meer slagkracht leidde. Meer tools betekenden meer plekken waar verkopers moesten kijken, wat de productiviteit een tijdlang verlaagde in plaats van verhoogde. We leerden ook dat een agent die met slechte gegevens is gebouwd niet stilletjes faalt. Hij faalt vol vertrouwen, en zelfverzekerd ongelijk hebben is erger dan iets niet weten.

De successen waren echt, maar ze werden pas zichtbaar nadat we de basis hadden verbeterd. Elk resultaat dat eruitzag als een AI-succes, was in werkelijkheid een succes op het gebied van gegevens en processen, voorzien van een AI-label.

Waarom de kosten van toolwildgroei belangrijker zijn dan de tools zelf

Laten we het uitgebreider over wildgroei hebben. In eerste instantie creëerden meer AI-tools en functionaliteit meer oppervlak, niet minder. Verkopers hadden meer plekken waar ze moesten kijken, meer systemen die signalen genereerden en meer dashboards die beweerden te vertellen wat ze vervolgens moesten doen. De tools die bedoeld waren om meer slagkracht te creëren, versplinterden de aandacht en vertraagden de uitvoering.

Daarom hebben we het oppervlak waarop verkopers hun werk doen bewust verkleind. In plaats van elke keer dat we een probleem oplosten een nieuwe tool toe te voegen, vroegen we ons af waar de verkoper dagelijks moest werken en brachten we de AI en de inzichten naar dat ene oppervlak, in plaats van een nieuw oppervlak te bouwen.

Daardoor besteedden verkopers minder tijd aan het uitzoeken waar ze moesten kijken en meer tijd aan de uitvoering. De productiviteit nam toe, niet omdat we meer AI toevoegden, maar omdat we de AI die we hadden bruikbaar maakten. Wildgroei was de verborgen kostenpost die niemand mat, en het oplossen daarvan was belangrijker dan elke afzonderlijke tool die we invoerden.

Waarom AI alleen aanbevelingen zou moeten doen

AI kan aanbevelen wat je moet doen. AI kan niet verantwoordelijk worden gehouden voor het resultaat. Wanneer een beslissing echte gevolgen heeft voor een persoon of een relatie, moet de verantwoordelijkheid bij een mens liggen, niet bij een model.

AI ondersteunt dus beslissingen die baat hebben bij patroonherkenning op grote schaal:

• Beoordeling van de pijplijn
• Gezondheid van de deal
• Samenvoegingen van prognoses
• Signalen voor churnrisico

AI kan meer signalen verwerken dan een mens ooit zou kunnen bijhouden en zichtbaar maken wat aandacht verdient.

Menselijk beoordelingsvermogen blijft nodig voor beslissingen met afwegingen die gegevens niet volledig kunnen vastleggen. Daaronder vallen:

• Beslissingen over hoe om te gaan met een worstelende vertegenwoordiger versus een worstelend gebied
• Prijsuitzonderingen waarbij relaties meewegen, niet alleen de berekening
• Ontwerp van POMP-plannen waarbij prikkels gedrag vormen op manieren die modellen niet voorspellen
• Beslissingen over mensen — wie klaar is voor meer verantwoordelijkheid, wie ondersteuning nodig heeft en wie een vertrekrisico vormt versus iemand die gewoon een moeilijk kwartaal doormaakt

Mollies gedachten

\u003cstrong\u003eAI kan aanbevelen wat je moet doen. Het kan niet verantwoordelijk worden gehouden voor de uitkomst. Wanneer een beslissing echte gevolgen heeft voor een persoon of een relatie, moet de verantwoordelijkheid bij een mens liggen, niet bij een model.\u003c/strong\u003e

Waarom omzetleiders moeten nagaan of “meer” daadwerkelijk nodig is

Door AI gegenereerde massale uitgaande campagnes zijn een teleurstelling geweest. De belofte was schaal: meer e-mails, meer personalisatie op grote schaal, meer verkooppijplijn. Het resultaat was ruis. Kopers merken wanneer een bericht voor iedereen is gegenereerd en voor niemand is gepersonaliseerd, en de responspercentages bewijzen dat.

De bredere les is dat AI uitblinkt in het opschalen van wat al werkt. Het heeft moeite om vanuit het niets relevantie te creëren. Volume was nooit de beperking bij uitgaande verkoopbenadering. Relevantie was dat wel. Relevantie vereist nog steeds een menselijke beslissing over wie ertoe doet en waarom, voordat AI het bericht aanraakt.

Dat is het patroon waar ik nu op let. Wanneer we AI gebruiken om meer van iets te doen, vraag ik me af of “meer” wel het werkelijke probleem was. Meestal was dat niet zo.

Waarom datafundamenten het belangrijkst zijn bij AI-transformaties

AI herstelt geen gebrekkig datafundament; het legt het bloot. Elke CRO met wie ik praat, wil beginnen met het spannende deel: de agent, de assistent, de tool die belooft het gedrag van vertegenwoordigers van de ene op de andere dag te veranderen. Maar als de onderliggende data versnipperd of onbetrouwbaar zijn, automatiseert AI de disfunctie alleen maar sneller en met meer overtuiging.

Uiteindelijk zijn de CRO's die zich eraan branden niet degenen die te langzaam te werk gingen. Het zijn degenen die de tool aanschaften voordat ze het fundament op orde hadden, vervolgens hun geloofwaardigheid bij hun team verloren toen de uitvoer onjuist bleek en niemand de tool daarna nog vertrouwde.

Dat vertrouwen is moeilijk opnieuw op te bouwen zodra het weg is.

Hoe je voorkomt dat perfectionisme de implementatie van AI ontspoort

Perfect proberen te zijn was de verkeerde reflex. In het begin besteedde ik te veel tijd aan het in kaart brengen van elk randgeval voordat er überhaupt iets in gebruik ging. We hebben het over weken die we besteedden aan het bouwen van dingen die niemand nodig had, en over een veel langere wachttijd voordat vertegenwoordigers ze daadwerkelijk vertrouwden.

Nu kiezen we één nauw afgebakend probleem, leveren we het aan een handvol vertegenwoordigers en laten we het gebruik bepalen wat we vervolgens bouwen.

We volgen het daadwerkelijke gebruik, geen tevredenheidsenquêtes. Hebben vertegenwoordigers het geopend? En hebben ze gehandeld op basis van wat het hun vertelde? Kwamen ze terug? Dit vertelt ons in één week meer dan welke planningssessie dan ook.

Als vertegenwoordigers iets niet gebruiken, verwijderen we het — snel. Zelfs als we het al hebben gebouwd. Geïnvesteerde kosten zijn geen reden om het te behouden.

En we breiden in kleine, afgebakende stappen uit. Zodra de kleinste versie werkt en vertegenwoordigers haar vertrouwen, verbreden we de uitrol en voegen we het volgende onderdeel toe, in plaats van de volledige visie in één keer te lanceren.

Kortom: handel snel, leer snel en schaal op wat werkt.

Advies voor omzetleiders

Dit is mijn advies aan omzetleiders:

• Corrigeer je gegevens voordat je nog een andere tool aanschaft.
• Weersta de druk om alles in één keer te implementeren. De juiste AI, op de juiste plek, die medewerkers daadwerkelijk gebruiken — dat is het doel.
• Behoud het beoordelingsvermogen. Het is niet de bedoeling beslissingen bij mensen weg te automatiseren. Het doel is mensen sneller van betere informatie te voorzien, zodat de beslissingen die ze nog steeds moeten nemen, beter onderbouwd zijn. Dat onderscheid vormt momenteel de hele opdracht.

Volg mee

Je kunt Mollie Bodensteiner volgen op LinkedIn. Bekijk ook The RevTech Review.

Er volgen meer interviews met experts op The CRO Club!