Wiceprezeska ds. operacji przychodowych w SaaS: rozrost narzędzi AI to ukryty koszt, którego nikt nie mierzy

Mollie Bodensteiner jest wiceprezeską ds. operacji przychodowych w ZoomInfo, publicznej spółce SaaS obsługującej klientów korporacyjnych na całym świecie. Jest także twórczynią The RevTech Review.

Usiedliśmy z Mollie, aby dowiedzieć się, jak zmienia procesy oceny transakcji i prognozowania za pomocą AI. Oto, co nam powiedziała.

AI sprawdza, czy fundamenty danych i procesów są wystarczająco solidne

Kieruję operacjami przychodowymi w publicznej firmie SaaS o skali korporacyjnej, obsługującej klientów z segmentu średnich przedsiębiorstw i klientów korporacyjnych na całym świecie. Nasz federacyjny model obejmuje operacje związane z lejkiem sprzedażowym, operacje sprzedażowe, operacje obsługi klienta, operacje partnerskie oraz systemy GTM, wspierając złożoną organizację wejścia na rynek działającą w wielu modelach.

Działamy w modelu SaaS opartym na subskrypcji, na który wpływa również sposób użytkowania, z wieloma modelami wejścia na rynek: pozyskiwaniem nowych klientów, rozszerzaniem współpracy i odnowieniami w segmentach samoobsługowym, średnich przedsiębiorstw i korporacyjnym. Mój zespół RevOps liczy około 20 osób i wspiera całą organizację GTM.

Od ponad 15 lat pracuję w obszarze wejścia na rynek: zajmuję się RevOps, systemami, wynagrodzeniami, automatyzacją, planowaniem terytoriów i kwot, architekturą danych oraz inżynierią. Tworzyłam i rozwijałam te funkcje w kilku jednorożcach znajdujących się w fazie hiperwzrostu — w firmach, w których działalność rozwija się szybciej niż systemy mające ją wspierać.

To nieustanne przebudowywanie ukształtowało mój sposób myślenia. Za każdym razem, gdy firma podwajała swoją wielkość, systemy, które działały wczoraj, przestawały działać dzisiaj. Nauczyłam się projektować z myślą o skali, zanim skala zaczęła tego wymagać.

Ta droga doprowadziła mnie do obecnego etapu przywództwa w obszarze przychodów: nie podążam za AI jako chwilowym trendem, lecz postrzegam je jako kolejny sprawdzian tego, czy fundamenty są wystarczająco solidne.

Myśli Mollie

To nieustanne przebudowywanie ukształtowało mój sposób myślenia… nie podążam za AI jako chwilowym trendem, lecz postrzegam je jako kolejny sprawdzian tego, czy fundamenty są wystarczająco solidne.

Jak procesy wspierane przez AI usprawniają ocenę transakcji i prognozowanie

RevOps zbudował całe kariery na założeniu, że CRM jest systemem ewidencji. Jeśli czegoś nie ma w Salesforce, to się nie wydarzyło, a jakość prognozy zależy wyłącznie od tego, co zostało wpisane.

AI zmieniło moje podejście. CRM nigdy nie był źródłem prawdy. Zawsze odzwierciedlał tylko to, co przedstawiciel handlowy miał czas udokumentować, przefiltrowane przez to, co zapamiętał, co uznał za istotne i do czego nie chciał się przyznać. Prawdziwy sygnał zawsze znajdował się gdzie indziej: w rozmowie, w wątku e-mailowym, w tym, jak kupujący zareagował w porównaniu z tym, jak opisał to przedstawiciel handlowy.

Dlatego zmieniliśmy to, o co prosiliśmy przedstawicieli handlowych. Przestaliśmy wymagać od nich ręcznego rejestrowania notatek i aktualizowania pól, które agent może teraz wywnioskować bezpośrednio z rozmowy. Ich zadanie zmieniło się z wprowadzania danych na sprzedaż, a z bronienia etapu transakcji i daty jej zamknięcia — na rzeczywiste reagowanie na to, co przekazują dane.

Zmienił się również proces prognozowania. Zamiast zaczynać od tego, co wpisał przedstawiciel handlowy, i cofać się, aby to zweryfikować, zaczynamy od pełnego zestawu sygnałów i sprawdzamy CRM jako jedno ze źródeł w zestawieniu ze wszystkim innym.

Gdy można zebrać wszystkie te informacje w jednej warstwie kontekstowej, CRM przestaje być systemem ewidencji, a staje się jednym z elementów tej warstwy. Systemem ewidencji jest teraz pełny obraz sytuacji, a nie pole wypełnione przez przedstawiciela handlowego w drodze na kolejną rozmowę.

Agent do oceny transakcji w rzeczywistym świecie

Stworzyliśmy agenta, który analizuje szanse sprzedażowe w miarę ich przechodzenia przez lejek sprzedażowy, wykorzystując zarówno sygnały pochodzące z własnych źródeł — aktywność w CRM, notatki z rozmów i wiadomości e-mail — jak i sygnały zewnętrzne — dane o intencjach zakupowych, badania komitetu zakupowego oraz kontekst rynkowy.

Ocenia kondycję transakcji na podstawie rzeczywistych nastrojów i zaangażowania, a nie tylko kompletności pól wymaganych przez metodologię. Transakcja może spełniać wszystkie kryteria MEDDPICC, a mimo to tracić impet. Może też mieć nieuzupełnione pole, a nadal być obiecująca.

Model wykracza poza uzupełnione pola i analizuje to, co dzieje się w rozmowie. Czy kupujący pojawiają się na rozmowach, czy przedstawiciel handlowy nadal rozmawia wyłącznie z osobą wspierającą transakcję, która nie może jej zatwierdzić? Jakiego rodzaju opór lub pytania się pojawiają? Czy są praktyczne i spodziewane, czy może wskazują, że kupujący ponownie rozważa decyzję? Czy ton z czasem staje się cieplejszy, czy chłodniejszy? Czy data zamknięcia jest realistyczna, czy jest to data, której przedstawiciel handlowy chce, aby była prawdziwa, w przeciwieństwie do daty potwierdzonej przez kupującego?

Ten ostatni element ma większe znaczenie, niż mogłoby się wydawać. Istnieje rzeczywista różnica między tym, co zostało powiedziane podczas rozmowy, a tym, co przedstawiciel handlowy usłyszał i zapisał, i stanowi ona jeden z naszych najsilniejszych sygnałów ryzyka. Model wychwytuje tę różnicę, porównując transkrypcje rozmów i notatki z tym, co przedstawiciele handlowi udokumentowali w CRM.

Model śledzi również responsywność w czasie, a nie tylko w pojedynczym momencie. Kupujący, który miesiąc temu odpowiadał szybko, a od dwóch tygodni milczy, wygląda zupełnie inaczej niż w przypadku transakcji, która przez cały czas przebiegała stabilnie.

Wszystko to składa się na kategorię ryzyka, która wpływa na ocenę transakcji w prognozie. Transakcja, w którą zaangażowany jest właściwy nabywca, charakteryzuje się rzeczywistą pilnością i możliwym do obrony terminem zamknięcia, ma realną wagę. Transakcja, w przypadku której tylko przedstawiciel handlowy jest optymistycznie nastawiony do harmonogramu, otrzymuje niższą ocenę, niezależnie od etapu, na którym się znajduje.

Na tym właśnie polega zmiana: wcześniej ważenie lejka sprzedażowego odzwierciedlało etap transakcji w procesie. Teraz odzwierciedla to, co faktycznie się dzieje.

Jak poleganie na sztucznej inteligencji tworzy martwe punkty

Gdy agent ocenia transakcję, sygnalizuje ryzyko lub zaleca kolejny krok, przedstawiciele handlowi łatwo za tym podążają, nie pytając, czy jest to właściwe w przypadku konkretnego nabywcy.

Ryzyko nie polega na tym, że sztuczna inteligencja czasami się myli. Polega na tym, że przedstawiciele handlowi przestają to sprawdzać. Zlecają sztucznej inteligencji nie tylko wykonanie zadania, lecz także samo myślenie, a problem zauważasz dopiero wtedy, gdy transakcja, której wszyscy ufają ze względu na uzyskaną ocenę, rozpada się z powodu, którego model nigdy by nie wykrył.

To właśnie ten aspekt większość liderów lekceważy. Sztuczna inteligencja ma wyostrzać osąd, a nie go zastępować. Jeśli przedstawiciele handlowi nie potrafią wyjaśnić, dlaczego transakcja jest zdrowa, poza stwierdzeniem „tak powiedział model”, zamieniliście jeden martwy punkt na inny.

Jak sztuczna inteligencja usprawnia procesy związane z przychodami

Oto wyniki, które ogólnie obserwuję.

Dobre strony: Zmniejszyła się rozbieżność prognoz, co poprawiło pokrycie lejka sprzedażowego. Wyszliśmy poza podstawową analitykę i przeszliśmy do analiz oraz inteligentnych rozwiązań, które informują przedstawicieli handlowych nie tylko o tym, co się wydarzyło, lecz także o tym, co należy zrobić dalej. Opracowaliśmy również skuteczniejsze komunikaty i materiały angażujące, wspierane przez graf kontekstowy, który dostarcza właściwych informacji we właściwym momencie podczas każdej interakcji, zamiast korzystać z ogólnych scenariuszy rozmów.

Złe strony: Zanim wdrożenie sztucznej inteligencji przyniosło korzyści, doprowadziło do rozrostu narzędzi. Większa liczba narzędzi oznaczała więcej miejsc, w których przedstawiciele handlowi musieli szukać informacji, co przez pewien czas obniżało produktywność zamiast ją zwiększać. Nauczyliśmy się również, że agent zbudowany na złej jakości danych nie zawodzi po cichu. Zawodzi z przekonaniem, a pewność przy błędnej odpowiedzi jest gorsza niż niewiedza.

Korzyści były realne, ale pojawiły się dopiero po naprawieniu fundamentów. Każdy rezultat, który wyglądał na sukces sztucznej inteligencji, był w rzeczywistości sukcesem danych i procesów, opatrzonym etykietą sztucznej inteligencji.

Dlaczego koszt rozrostu narzędzi jest ważniejszy niż same narzędzia

Porozmawiajmy szerzej o rozroście narzędzi. Początkowo dodawanie kolejnych narzędzi i funkcji sztucznej inteligencji zwiększało obszar działania zamiast go ograniczać. Przedstawiciele handlowi mieli więcej miejsc do sprawdzania, więcej systemów generujących sygnały i więcej pulpitów nawigacyjnych twierdzących, że podpowiadają im, co zrobić dalej. Narzędzia, które miały zapewnić efekt dźwigni, rozpraszały uwagę i spowalniały realizację zadań.

Dlatego celowo ograniczyliśmy obszar, w którym przedstawiciele handlowi wykonują swoją pracę. Zamiast dodawać kolejne narzędzie za każdym razem, gdy rozwiązywaliśmy problem, zastanowiliśmy się, gdzie przedstawiciel handlowy powinien na co dzień pracować, i przenieśliśmy sztuczną inteligencję oraz analizy do tego jednego miejsca, zamiast tworzyć nowe.

W rezultacie przedstawiciele handlowi poświęcali mniej czasu na ustalanie, gdzie szukać informacji, a więcej na realizację zadań. Produktywność wzrosła nie dlatego, że dodaliśmy więcej sztucznej inteligencji, lecz dlatego, że sprawiliśmy, iż posiadana przez nas sztuczna inteligencja stała się użyteczna. Rozrost narzędzi był ukrytym kosztem, którego nikt nie mierzył, a jego ograniczenie miało większe znaczenie niż każde pojedyncze wdrożone przez nas narzędzie.

Dlaczego sztuczna inteligencja powinna jedynie przedstawiać rekomendacje

Sztuczna inteligencja może zalecić, co należy zrobić. Nie może jednak ponosić odpowiedzialności za rezultat. Gdy decyzja niesie ze sobą rzeczywiste konsekwencje dla osoby lub relacji, odpowiedzialność musi spoczywać na człowieku, a nie na modelu.

Sztuczna inteligencja dostarcza więc informacji przy podejmowaniu decyzji, które korzystają z rozpoznawania wzorców na dużą skalę:

• Ocena lejka sprzedażowego
• Kondycja transakcji
• Podsumowania prognoz
• Sygnały ryzyka rezygnacji klientów

Sztuczna inteligencja może przetwarzać więcej sygnałów, niż byłby w stanie śledzić jakikolwiek człowiek, wskazując to, co zasługuje na uwagę.

Ludzki osąd pozostaje niezbędny w przypadku decyzji obejmujących kompromisy, których dane nie są w stanie w pełni uchwycić. Obejmuje to:

• Decyzje dotyczące sposobu postępowania z borykającym się z trudnościami przedstawicielem handlowym w porównaniu z borykającym się z trudnościami regionem sprzedaży
• Wyjątki cenowe, w których liczą się relacje, a nie tylko matematyka
• Projektowanie planu POMP, w którym zachęty kształtują zachowania w sposób, którego modele nie przewidzą
• Decyzje dotyczące ludzi — kto jest gotowy na większy zakres odpowiedzialności, kto potrzebuje wsparcia, a kto jest zagrożony odejściem, w przeciwieństwie do osoby, która po prostu ma trudny kwartał

Przemyślenia Mollie

AI może rekomendować, co należy zrobić. Nie może odpowiadać za wynik. Gdy decyzja niesie za sobą rzeczywiste konsekwencje dla osoby lub relacji, odpowiedzialność musi spoczywać na człowieku, a nie na modelu.

Dlaczego liderzy ds. przychodów muszą pytać, czy „więcej” jest rzeczywiście potrzebne

Masowe wiadomości wychodzące generowane przez AI okazały się rozczarowaniem. Obietnicą była skala: więcej wiadomości e-mail, większa personalizacja na dużą skalę, więcej szans sprzedażowych. Rezultatem był szum. Kupujący potrafią rozpoznać, kiedy wiadomość została wygenerowana dla wszystkich i spersonalizowana dla nikogo, a wskaźniki odpowiedzi to potwierdzają.

Szerszy wniosek jest taki, że AI doskonale skaluje to, co już działa. Ma trudności z tworzeniem trafności z niczego. Wolumen nigdy nie był ograniczeniem w komunikacji wychodzącej. Ograniczeniem była trafność. Trafność nadal wymaga ludzkiej decyzji dotyczącej tego, kto ma znaczenie i dlaczego, zanim AI zajmie się wiadomością.

To właśnie ten schemat obserwuję teraz. Kiedy wykorzystujemy AI, aby robić czegoś więcej, pytam, czy „więcej” było rzeczywistym problemem. Zwykle nie było.

Dlaczego podstawy danych są najważniejsze w transformacjach opartych na AI

AI nie naprawia wadliwych podstaw danych — ujawnia je. Każdy dyrektor ds. przychodów, z którym rozmawiam, chce zacząć od ekscytującej części: agenta, asystenta, narzędzia, które obiecuje z dnia na dzień zmienić zachowanie przedstawicieli handlowych. Jeśli jednak dane leżące u podstaw są pofragmentowane lub niewiarygodne, AI po prostu automatyzuje dysfunkcję szybciej i z większą pewnością siebie.

Ostatecznie dyrektorzy ds. przychodów, którzy ponoszą porażkę, to nie ci, którzy działali zbyt wolno. To ci, którzy kupili narzędzie, zanim naprawili podstawy, a następnie stracili wiarygodność w oczach zespołu, gdy wyniki okazały się błędne — i nikt już mu nie zaufał.

Trudno odbudować to zaufanie, gdy raz się je utraci.

Jak zapobiec temu, by perfekcjonizm wykoleił wdrażanie AI

Próba osiągnięcia perfekcji była niewłaściwym odruchem. Na początku poświęcałam zbyt dużo czasu na próbę uwzględnienia każdego przypadku brzegowego, zanim cokolwiek zostało uruchomione. Mówimy o tygodniach spędzonych na budowaniu rzeczy, których nikt nie potrzebował, oraz o znacznie dłuższym oczekiwaniu, zanim przedstawiciele handlowi rzeczywiście zaczęli im ufać.

Teraz wybieramy jeden wąski problem, udostępniamy rozwiązanie garstce przedstawicieli handlowych i pozwalamy, by sposób korzystania z niego wskazał nam, co należy zbudować w następnej kolejności.

Śledzimy rzeczywiste wykorzystanie, a nie ankiety satysfakcji. Czy przedstawiciele handlowi je otworzyli? A czy działali na podstawie tego, co im przekazało? Czy wracali do niego? W ciągu jednego tygodnia mówi nam to więcej niż jakakolwiek sesja planistyczna.

Jeśli przedstawiciele handlowi z czegoś nie korzystają, usuwamy to — szybko. Nawet jeśli już to zbudowaliśmy. Koszt utopiony nie jest powodem, by to zachować.

Rozszerzamy też rozwiązanie małymi krokami. Gdy najmniejsza wersja działa, a przedstawiciele handlowi jej ufają, poszerzamy wdrożenie i dodajemy kolejny element, zamiast od razu uruchamiać pełną wizję.

Krótko mówiąc: działaj szybko, szybko się ucz i skaluj to, co działa.

Rady dla liderów ds. przychodów

Oto moja rada dla liderów ds. przychodów:

• Uporządkuj swoje dane, zanim kupisz kolejne narzędzie.
• Oprzyj się presji, by wdrażać wszystko naraz. Właściwa sztuczna inteligencja, we właściwym miejscu, z której przedstawiciele handlowi faktycznie korzystają — taki jest cel.
• Nie rezygnuj z osądu. Nie chodzi o to, by automatyzować decyzje i odbierać je ludziom. Chodzi o to, by szybciej dostarczać ludziom lepsze informacje, dzięki czemu decyzje, które nadal muszą podejmować, będą trafniejsze. To rozróżnienie jest teraz sednem całej pracy.

Śledź najnowsze informacje

Możesz obserwować Mollie Bodensteiner na LinkedIn. Sprawdź także The RevTech Review.

Na The CRO Club pojawią się kolejne wywiady z ekspertami!