VP för intäktsoperationer inom SaaS säger att överflödet av AI-verktyg är den dolda kostnad som ingen mäter

Mollie Bodensteiner är VP för intäktsverksamhet på ZoomInfo, ett börsnoterat SaaS-företag som betjänar företagskunder globalt. Hon har också skapat RevTech-granskningen.

Vi satte oss ner med Mollie för att förstå hur hon förändrar arbetsflödena för affärsbedömning och prognostisering med AI. Här är vad hon berättade.

AI testar om grunderna för dina data och processer håller

Jag leder intäktsverksamheten på ett börsnoterat SaaS-företag i företagssegmentet som betjänar medelstora och stora företagskunder globalt. Vår federerade modell omfattar pipelineverksamhet, försäljningsverksamhet, kundupplevelseverksamhet, partnerverksamhet och GTM-system, och stödjer en komplex organisation för marknadsintroduktion med flera försäljningsrörelser.

Vi använder en prenumerationsbaserad SaaS-modell som påverkas av användningen, med en marknadsintroduktion som omfattar flera försäljningsrörelser: nyförsäljning, expansion och förnyelser inom självbetjäning samt medelstora och stora företagssegment. Mitt RevOps-team består av cirka 20 personer och stödjer hela GTM-organisationen.

Jag har över 15 års erfarenhet av arbete inom marknadsintroduktion: RevOps, system, ersättningsmodeller, automatisering, territorie- och kvotplanering, dataarkitektur och teknik. Jag har byggt upp och skalat dessa funktioner inom flera snabbväxande enhörningsföretag – den typ av företag där verksamheten utvecklas snabbare än systemen som ska stödja den.

Det ständiga återuppbyggandet formade mitt sätt att tänka. Varje gång ett företag fördubblade sin storlek slutade systemen som fungerade i går att fungera i dag. Jag lärde mig att utforma för skalbarhet innan tillväxten krävde det.

Det är den resan som förde mig till denna punkt i mitt ledarskap inom intäktsverksamhet: att inte jaga AI som en trend, utan att se det som nästa test av om grunden håller.

Mollies tankar

Det ständiga återuppbyggandet formade mitt sätt att tänka … att inte jaga AI som en trend, utan att se det som nästa test av om grunden håller.

Så förbättrar AI-drivna arbetsflöden affärsbedömning och prognostisering

RevOps har byggt hela karriärer kring antagandet att CRM-systemet är det officiella registreringssystemet. Om det inte finns i Salesforce har det inte hänt, och prognosen är bara så bra som det som har skrivits in.

AI förändrade det för mig. CRM-systemet var aldrig sanningskällan. Det var alltid det som en säljare hade tid att dokumentera, filtrerat genom vad hen kom ihåg, vad hen ansåg vara viktigt och vad hen inte ville erkänna. Den verkliga signalen fanns alltid någon annanstans: i samtalet, i e-posttråden, i hur en köpare reagerade jämfört med hur säljaren skrev ner det.

Därför ändrade vi vad vi bad säljarna att göra. Vi slutade be dem att manuellt logga anteckningar och uppdatera fält som en agent nu kunde härleda från själva samtalet. Deras uppgift gick från datainmatning till försäljning, och från att försvara sin affärsfas och sitt avslutsdatum till att faktiskt agera utifrån vad data visade.

Även prognosprocessen förändrades. I stället för att börja med det en säljare skrev in och arbeta bakåt för att validera det börjar vi med hela signaluppsättningen och kontrollerar CRM-systemet som en indata mot allt annat.

När du kan samla allt detta i ett enda kontextlager slutar CRM-systemet att vara det officiella registreringssystemet och blir en indata i det. Det officiella registreringssystemet är nu helhetsbilden, inte det fält som en säljare fyllde i på väg till nästa samtal.

En agent för affärsbedömning i verkligheten

Vi byggde en agent som granskar affärsmöjligheter när de rör sig genom pipelinen och hämtar både förstapartssignaler – CRM-aktivitet, samtalsanteckningar och e-post – och tredjepartssignaler – avsiktsdata, research om köpkommittén och marknadskontext.

Den bedömer affärens hälsa utifrån faktisk sinnesstämning och engagemang, inte bara hur många metodfält som har fyllts i. En affär kan uppfylla varje MEDDPICC-kriterium och ändå svalna. En affär kan sakna ett fält och ändå vara het.

Modellen ser bortom ifyllda fält och fokuserar på vad som händer i samtalet. Deltar köparna i samtalen, eller pratar säljaren fortfarande bara med en förespråkare som inte kan skriva under? Vilken typ av motstånd eller frågor dyker upp? Är de taktiska och förväntade, eller är de tecken på att köparen omprövar beslutet? Blir tonen varmare eller kallare över tid? Är avslutsdatumet realistiskt, eller är det ett datum som säljaren vill ska stämma snarare än ett som köparen har bekräftat?

Det sista är viktigare än många tror. Det finns ett verkligt gap mellan det som sägs i ett samtal och det som en säljare hör och skriver ner, och det utgör en av våra starkaste risksignaler. Modellen upptäcker gapet genom att jämföra samtalsutskrifter och anteckningar med det som säljarna dokumenterade i CRM-systemet.

Modellen följer också upp svarsviljan över tid, inte bara som en ögonblicksbild. En köpare som svarade snabbt för en månad sedan men har varit tyst i två veckor skiljer sig tydligt från en affär som har varit stabil hela vägen.

Allt detta summeras i en riskkategori som påverkar affärens vikt i prognosen. En affär där rätt köpare är engagerad, det finns en verklig brådska och ett försvarbart avslutsdatum har en verklig tyngd. En affär där säljaren är den enda som är optimistisk kring tidslinjen får mindre vikt, oavsett vilket stadium den befinner sig i.

Det är detta som har förändrats: tidigare återspeglade pipelineviktningen affärens stadium i processen. Nu återspeglar den vad som faktiskt händer.

Hur beroendet av AI skapar blinda fläckar

När en agent poängsätter en affär, flaggar en risk eller rekommenderar nästa steg följer säljarna lätt rekommendationen utan att fråga sig om den verkligen passar just den köparen.

Risken är inte att AI ibland har fel. Risken är att säljarna slutar kontrollera. De överlåter tänkandet, inte bara uppgiften, och det märker man inte förrän en affär som alla litar på tack vare poängen faller samman av en anledning som modellen aldrig skulle kunna upptäcka.

Det är den delen som de flesta ledare underskattar. AI ska skärpa omdömet, inte ersätta det. Om säljarna inte kan förklara varför en affär är sund utan att hänvisa till att ”modellen sa det”, har ni bytt ut en blind fläck mot en annan.

Hur AI gynnar intäktsprocesser

Här är de resultat jag ser överlag.

Det positiva: Prognosavvikelsen minskade, vilket förbättrade pipeline-täckningen. Vi gick från grundläggande analys till insikter och intelligens som berättar för säljarna inte bara vad som hände utan också vad de ska göra härnäst. Vi utvecklade också starkare budskap och material för engagemang, drivna av en kontextgraf som ger rätt information vid rätt tidpunkt i varje interaktion i stället för generiska samtalsmanus.

Det negativa: Införandet av AI skapade spridning innan det skapade hävstång. Fler verktyg innebar fler platser för säljarna att leta på, vilket under en period försämrade produktiviteten i stället för att förbättra den. Vi lärde oss också att en agent som byggts med dåliga data inte misslyckas i det tysta. Den misslyckas med självförtroende, och att ha fel med självförtroende är värre än att inte veta.

Vinsterna var verkliga, men de blev synliga först efter att vi hade åtgärdat grunden. Varje resultat som såg ut som en AI-vinst var egentligen en data- och processvinst med en AI-etikett.

Varför kostnaden för verktygsspridning är viktigare än själva verktygen

Låt oss prata mer om spridningen. Till en början skapade fler AI-verktyg och mer funktionalitet större, inte mindre, yta. Säljarna hade fler platser att leta på, fler system som genererade signaler och fler instrumentpaneler som hävdade att de kunde tala om vad de skulle göra härnäst. Verktygen som var avsedda att skapa hävstång splittrade uppmärksamheten och bromsade genomförandet.

Därför begränsade vi medvetet den yta där säljarna utför sitt arbete. I stället för att lägga till ännu ett verktyg varje gång vi löste ett problem frågade vi oss var säljaren borde arbeta dagligen och förde in AI:n och insikterna i den enda ytan i stället för att bygga en ny.

Som ett resultat lade säljarna mindre tid på att lista ut var de skulle leta och mer tid på att genomföra arbetet. Produktiviteten ökade inte för att vi lade till mer AI, utan för att vi gjorde den AI vi hade användbar. Spridningen var den dolda kostnad som ingen mätte, och att åtgärda den var viktigare än något enskilt verktyg vi implementerade.

Varför AI bara bör ge rekommendationer

AI kan rekommendera vad man ska göra. Den kan inte hållas ansvarig för resultatet. När ett beslut får verkliga konsekvenser för en person eller en relation måste ansvaret ligga hos en människa, inte hos en modell.

Därför ger AI beslutsunderlag i beslut som gynnas av storskalig mönsterigenkänning:

• Poängsättning av pipeline
• Affärens hälsa
• Sammanställningar av prognosen
• Signaler om churnrisk

AI kan bearbeta fler signaler än någon människa skulle kunna följa och synliggör därmed vad som förtjänar uppmärksamhet.

Mänskligt omdöme behövs fortfarande vid beslut som innebär avvägningar som data inte fullt ut kan fånga. Det omfattar:

• Beslut om hur man ska hantera en kämpande säljare jämfört med ett kämpande territorium
• Prisundantag där relationer väger tyngre än enbart matematiken
• Utformning av POMP-planer där incitament påverkar beteenden på sätt som modeller inte kan förutsäga
• Personalbeslut – vem som är redo för ett större ansvarsområde, vem som behöver stöd och vem som riskerar att lämna jämfört med någon som bara har ett tufft kvartal

Mollies tankar

AI kan rekommendera vad man ska göra. Det kan inte ta ansvar för resultatet. När ett beslut får verkliga konsekvenser för en person eller en relation måste ansvaret ligga hos en människa, inte en modell.

Varför intäktschefer måste fråga om ”mer” verkligen behövs

AI-genererad massutgående kommunikation har varit en besvikelse. Löftet var skala: fler mejl, mer personalisering i stor skala och fler möjligheter i säljtratten. Resultatet blev brus. Köpare kan se när ett meddelande har skapats för alla och inte personaliserats för någon, och svarsfrekvensen bevisar det.

Den bredare lärdomen är att AI är bäst på att skala upp sådant som redan fungerar. Det har svårt att skapa relevans ur tomma intet. Volym var aldrig begränsningen i utgående försäljning. Det var relevans. Relevans kräver fortfarande ett mänskligt beslut om vem som är viktig och varför, innan AI berör meddelandet.

Det är det mönstret jag håller utkik efter nu. När vi använder AI för att göra mer av något frågar jag om ”mer” verkligen var problemet. Oftast var det inte det.

Varför datafundament är viktigast i AI-transformationer

AI reparerar inte ett bristfälligt datafundament; det blottlägger det. Varje CRO jag pratar med vill börja med den spännande delen: agenten, den digitala assistenten eller verktyget som lovar att förändra säljarens beteende över en natt. Men om den underliggande datan är fragmenterad eller opålitlig automatiserar AI bara dysfunktionen snabbare och med större säkerhet.

I slutändan är det inte de CRO:er som rörde sig för långsamt som bränner sig. Det är de som köpte verktyget innan de åtgärdade fundamentet, och sedan förlorade trovärdighet hos sitt team när resultatet var felaktigt – varefter ingen litade på det igen.

Det förtroendet är svårt att bygga upp igen när det väl är borta.

Så förhindrar du att perfektionism saboterar AI-implementeringen

Att försöka vara perfekt var fel instinkt. Tidigt lade jag för mycket tid på att försöka kartlägga varje undantagsfall innan något togs i drift. Vi talar om veckor som gick åt till att bygga sådant som ingen behövde, och en betydligt längre väntan innan säljarna faktiskt litade på det.

Nu väljer vi ett smalt problem, lanserar en lösning för en handfull säljare och låter användningen visa vad vi ska bygga härnäst.

Vi följer faktisk användning, inte nöjdhetsundersökningar. Öppnade säljarna det? Och agerade de utifrån det som det visade dem? Kom de tillbaka? Det här säger oss mer på en vecka än någon planeringssession skulle kunna göra.

Om säljarna inte använder något tar vi bort det – snabbt. Även om vi redan har byggt det. Tidigare nedlagda kostnader är ingen anledning att behålla det.

Och vi utökar i små steg. När den minsta versionen fungerar och säljarna litar på den breddar vi lanseringen och lägger till nästa del, i stället för att lansera hela visionen på en gång.

Kort sagt: agera snabbt, lär snabbt och skala upp det som fungerar.

Råd till intäktschefer

Här är mitt råd till intäktschefer:

• Rätta till dina data innan du köper ännu ett verktyg.
• Stå emot pressen att införa allt på en gång. Rätt AI, på rätt plats, som säljarna faktiskt använder – det är målet.
• Behåll det mänskliga omdömet. Uppgiften är inte att automatisera bort besluten från människorna. Den är att ge människor bättre information snabbare, så att de beslut de fortfarande måste fatta blir mer välgrundade. Den skillnaden är hela uppgiften just nu.

Följ med

Du kan följa Mollie Bodensteiner på LinkedIn. Kolla också in The RevTech Review.

Fler expertintervjuer kommer på The CRO Club!