SaaS Gelir Operasyonları Başkan Yardımcısı, Yapay Zekâ Aracı Yaygınlaşmasının Kimsenin Ölçmediği Gizli Maliyet Olduğunu Söylüyor

Mollie Bodensteiner, dünya genelinde kurumsal müşterilere hizmet veren halka açık bir SaaS şirketi olan ZoomInfo'da Gelir Operasyonlarından Sorumlu Başkan Yardımcısıdır. Aynı zamanda The RevTech Review'un yaratıcısıdır.

Mollie ile, yapay zekâ kullanarak anlaşma değerlendirme ve tahmin iş akışlarını nasıl değiştirdiğini anlamak için görüştük. Bize anlattıkları şöyle.

Yapay zekâ, veri ve süreç temellerinizin dayanıp dayanamayacağını sınar

Dünya genelinde orta ölçekli ve kurumsal müşterilere hizmet veren, halka açık ve kurumsal ölçekte bir SaaS şirketinde Gelir Operasyonlarına liderlik ediyorum. Dağıtık modelimiz; işlem hattı operasyonları, satış operasyonları, müşteri deneyimi operasyonları, iş ortaklığı operasyonları ve GTM sistemlerini kapsıyor ve karmaşık, çok kanallı bir pazara açılma organizasyonunu destekliyor.

Yeni iş, genişleme ve yenilemeleri; self servis, orta ölçekli ve kurumsal segmentlerde kapsayan, abonelik ve kullanımdan etkilenen çok kanallı bir pazara açılma modelimiz var. RevOps ekibim, tüm GTM organizasyonunu destekleyen yaklaşık 20 kişiden oluşuyor.

Geçmişim, pazara açılma alanında 15 yılı aşkın deneyime dayanıyor: RevOps, sistemler, ücretlendirme, otomasyon, bölge ve kota planlaması, veri mimarisi ve mühendislik. Bu işlevleri, birden fazla hızlı büyüyen unicorn şirketinde kurup ölçeklendirdim; bunlar, işin onu desteklemesi gereken sistemlerden daha hızlı ilerlediği türden şirketlerdi.

Sürekli yeniden yapılanma, düşünme biçimimi şekillendirdi. Bir şirketin büyüklüğü her iki katına çıktığında, önceki gün işe yarayan sistemler bugün çalışmayı bırakıyordu. Ölçek bunu zorunlu kılmadan önce ölçeğe göre tasarım yapmayı öğrendim.

Beni gelir liderliğinde bu noktaya getiren yolculuk buydu: yapay zekânın peşinden bir trend olarak koşmak değil, onu temellerinizin dayanıp dayanamayacağının bir sonraki sınavı olarak görmek.

Mollie'nin Düşünceleri

Sürekli yeniden yapılanma, düşünme biçimimi şekillendirdi… yapay zekânın peşinden bir trend olarak koşmak değil, onu temellerinizin dayanıp dayanamayacağının bir sonraki sınavı olarak görmek.

Yapay zekâ destekli iş akışları anlaşma değerlendirmesini ve tahminleri nasıl geliştirir?

RevOps ekipleri, kariyerlerinin tamamını CRM'in kayıt sistemi olduğu varsayımı üzerine kurdu. Salesforce'ta yoksa gerçekleşmemiştir ve tahmin, yalnızca sisteme yazılanlar kadar iyidir.

Yapay zekâ bunu benim için değiştirdi. CRM hiçbir zaman gerçeğin kaynağı değildi. Her zaman bir satış temsilcisinin belgelemeye vakit bulabildiği şeylerden ibaretti; hatırladıkları, önemli olduğunu düşündükleri ve itiraf etmek istemedikleri şeyler tarafından süzülüyordu. Gerçek sinyal her zaman başka bir yerdeydi: görüşmede, e-posta zincirinde, alıcının nasıl yanıt verdiğinde ve temsilcinin bunu nasıl yazıya döktüğünde.

Bu nedenle temsilcilerden istediklerimizi değiştirdik. Artık bir aracının doğrudan görüşmeden çıkarabileceği notları manuel olarak kaydetmelerini ve alanları güncellemelerini istemeyi bıraktık. Görevleri veri girişinden satış yapmaya, aşamalarını ve kapanış tarihlerini savunmaktan da verilerin onlara anlattıklarıyla gerçekten ilgilenmeye dönüştü.

Tahmin süreci de değişti. Temsilcinin sisteme yazdıklarıyla başlayıp bunu doğrulamak için geriye doğru ilerlemek yerine, artık tüm sinyal setiyle başlıyor ve CRM'i diğer her şeye karşı tek bir girdi olarak kontrol ediyoruz.

Tüm bunları tek bir bağlam katmanına taşıyabildiğinizde CRM, kayıt sistemi olmaktan çıkar ve bu sisteme giren girdilerden biri hâline gelir. Kayıt sistemi artık bütünsel tablodur; bir temsilcinin bir sonraki görüşmesine giderken doldurduğu alan değil.

Gerçek dünyadan bir anlaşma değerlendirme aracısı

Anlaşmaları işlem hattında ilerlerken inceleyen bir aracı oluşturduk. Bu aracı hem birinci taraf sinyallerini — CRM etkinliği, görüşme notları ve e-posta — hem de üçüncü taraf sinyallerini — niyet verileri, satın alma komitesi araştırmaları ve pazar bağlamı — topluyor.

Anlaşma sağlığını yalnızca metodoloji alanlarının doldurulmasına göre değil, gerçek duygu ve etkileşime göre puanlıyor. Bir anlaşma her MEDDPICC kutusunu işaretlemiş olsa da ivme kaybediyor olabilir. Bir alan eksik olsa bile anlaşma hâlâ güçlü olabilir.

Model, doldurulmuş alanların ötesine geçerek görüşmede neler olduğuna bakıyor. Alıcılar görüşmelere katılıyor mu, yoksa temsilci hâlâ imza yetkisi olmayan tek bir destekçiyle mi konuşuyor? Ne tür itirazlar veya sorular ortaya çıkıyor? Bunlar taktiksel ve beklenen şeyler mi, yoksa alıcının kararını yeniden değerlendirdiğine mi işaret ediyor? Zaman içinde ton daha olumlu mu, yoksa daha soğuk mu hâle geliyor? Kapanış tarihi gerçekçi mi, yoksa temsilcinin doğru olmasını istediği, ancak alıcının doğrulamadığı bir tarih mi?

Sonuncusu, insanların düşündüğünden daha önemli. Bir görüşmede söylenenlerle temsilcinin duyup yazdığı şeyler arasında gerçek bir fark var ve bu, en güçlü risk sinyallerimizden birini oluşturuyor. Model, görüşme dökümlerini ve notlarını temsilcilerin CRM'de belgeledikleriyle karşılaştırarak bu farkı yakalıyor.

Model ayrıca yanıt verme hızını tek bir anlık görüntü olarak değil, zaman içindeki değişimiyle takip ediyor. Bir ay önce hızlı yanıt veren ancak iki haftadır sessiz kalan bir alıcı, başından beri istikrarlı ilerleyen bir anlaşmadan çok farklı değerlendirilir.

Bunların tümü, anlaşmayı tahminde ağırlıklandıran bir risk kategorisinde birleşir. Doğru alıcının sürece dahil olduğu, gerçek bir aciliyet taşıyan ve savunulabilir bir kapanış tarihine sahip bir anlaşma gerçek bir ağırlık taşır. Temsilcinin zaman çizelgesi konusunda iyimser olan tek kişi olduğu bir anlaşma ise, hangi aşamada olursa olsun indirimli değerlendirilir.

Değişim şu: Eskiden satış hattı ağırlıklandırması, bir anlaşmanın süreçteki aşamasını yansıtıyordu. Artık gerçekte neler olduğunu yansıtıyor.

Yapay zekâya güvenmek nasıl kör noktalar yaratır?

Bir yapay zekâ aracısı bir anlaşmayı puanladığında, bir riski işaretlediğinde veya sonraki adımı önerdiğinde, temsilciler bunun o belirli alıcı için doğru olup olmadığını sormadan öneriyi kolayca takip eder.

Risk, yapay zekânın bazen yanılması değil. Temsilcilerin kontrol etmeyi bırakması. Yalnızca görevi değil, düşünme sürecini de dış kaynak kullanımıyla devrederler ve herkesin puana güvenmesi nedeniyle güvendiği bir anlaşma, modelin asla yakalayamayacağı bir nedenle çöktüğünde bunu fark edersiniz.

Çoğu liderin gözünde küçümsediği nokta bu. Yapay zekânın amacı muhakemeyi keskinleştirmek, onun yerini almak değil. Temsilcileriniz bir anlaşmanın neden sağlıklı olduğunu “model öyle söyledi”nin ötesinde açıklayamıyorsa, bir kör noktayı başka bir kör noktayla değiştirmişsiniz demektir.

Yapay zekâ gelir süreçlerine nasıl fayda sağlar?

Genel olarak gördüğüm sonuçlar şöyle.

İyi tarafı: Tahmin sapması azaldı ve bu da satış hattı kapsamını iyileştirdi. Temel analitikten, temsilcilere yalnızca ne olduğunu değil, bundan sonra ne yapmaları gerektiğini de söyleyen içgörülere ve zekâya geçtik. Ayrıca, genel konuşma metinleri yerine her etkileşim için doğru bilgiyi doğru zamanda sağlayan bir bağlam grafiğiyle desteklenen daha güçlü mesajlaşma ve etkileşim materyalleri geliştirdik.

Kötü tarafı: Yapay zekânın benimsenmesi, kaldıraç yaratmadan önce dağınıklık yarattı. Daha fazla araç, temsilcilerin bakabileceği daha fazla yer anlamına geliyordu ve bu da bir süre boyunca üretkenliğe yardımcı olmak yerine onu olumsuz etkiledi. Ayrıca kötü verilerle oluşturulan bir aracının sessizce başarısız olmadığını öğrendik. Kendinden emin bir şekilde başarısız olur ve kendinden emin bir şekilde yanlış olmak, bilmemekten daha kötüdür.

Kazanımlar gerçekti, ancak ancak temeli düzelttikten sonra ortaya çıktılar. Yapay zekâ kazanımı gibi görünen her sonuç, yapay zekâ etiketi taşıyan bir veri ve süreç kazanımıydı.

Araç dağınıklığının maliyeti neden araçların kendisinden daha önemlidir?

Dağınıklık hakkında biraz daha konuşalım. Başlangıçta daha fazla yapay zekâ aracı ve işlev eklemek, daha az değil, daha fazla temas alanı yarattı. Temsilcilerin bakabileceği daha fazla yer, sinyal üreten daha fazla sistem ve onlara bundan sonra ne yapacaklarını söyleme iddiasındaki daha fazla gösterge paneli vardı. Kaldıraç yaratması amaçlanan araçlar, dikkati parçaladı ve uygulamayı yavaşlattı.

Bu nedenle temsilcilerin işlerini yaptığı temas alanını bilinçli olarak daralttık. Bir sorunu her çözdüğümüzde başka bir araç eklemek yerine, temsilcinin günlük olarak nerede çalışması gerektiğini sorduk ve yeni bir alan oluşturmak yerine yapay zekâyı ve içgörüleri bu tek alana taşıdık.

Sonuç olarak temsilciler nereye bakacaklarını anlamaya daha az, uygulamaya daha fazla zaman ayırdı. Üretkenlik, daha fazla yapay zekâ eklediğimiz için değil, elimizdeki yapay zekâyı kullanılabilir hâle getirdiğimiz için arttı. Dağınıklık, kimsenin ölçmediği gizli maliyetti ve bunu düzeltmek, kullandığımız herhangi bir aracın kendisinden daha önemliydi.

Yapay zekâ neden yalnızca önerilerde bulunmalıdır?

Yapay zekâ ne yapılması gerektiğini önerebilir. Sonuçtan sorumlu tutulamaz. Bir karar bir kişi veya ilişki açısından gerçek sonuçlar taşıdığında, sorumluluk bir modele değil, bir insana ait olmalıdır.

Bu nedenle yapay zekâ, geniş ölçekli örüntü tanımadan fayda sağlayan kararları bilgilendirir:

• Satış hattı puanlaması
• Anlaşma sağlığı
• Tahmin toplulaştırmaları
• Müşteri kaybı riski sinyalleri

Yapay zekâ, herhangi bir insanın takip edebileceğinden daha fazla sinyali işleyerek dikkat edilmesi gerekenleri öne çıkarabilir.

İnsan muhakemesi, verilerin tam olarak yakalayamadığı ödünleşimleri içeren kararlar için gerekliliğini korur. Buna şunlar dahildir:

• Zorlanan bir satış temsilcisi ile zorlanan bir bölgenin nasıl ele alınacağına ilişkin kararlar
• Yalnızca matematiği değil, ilişkileri de dikkate alan fiyatlandırma istisnaları
• Teşviklerin modellerin öngöremeyeceği şekillerde davranışları yönlendirdiği POMP planı tasarımı
• İnsanlarla ilgili kararlar — kim daha geniş bir sorumluluk alanına hazır, kimin desteğe ihtiyacı var ve kim uçuş riski taşıyor, kim ise yalnızca zor bir çeyrek geçiriyor

Mollie'nin Düşünceleri

\u003cstrong\u003eYapay zekâ ne yapılması gerektiğini önerebilir. Sonuçtan sorumlu olamaz. Bir karar bir kişi veya ilişki açısından gerçek sonuçlar doğurduğunda, sorumluluk bir modele değil, bir insana ait olmalıdır.\u003c/strong\u003e

Gelir liderleri neden gerçekten “daha fazlasına” ihtiyaç olup olmadığını sormalı?

Yapay zekâ tarafından oluşturulan kitlesel dışa dönük iletişim hayal kırıklığı yarattı. Vaat edilen şey ölçekti: daha fazla e-posta, yüksek hacimde daha fazla kişiselleştirme, daha fazla satış fırsatı. Sonuç ise gürültü oldu. Alıcılar, bir mesajın herkes için oluşturulduğunu ve hiç kimse için kişiselleştirilmediğini anlayabiliyor; yanıt oranları da bunu kanıtlıyor.

Daha geniş ders şu: Yapay zekâ, hâlihazırda işe yarayan şeyleri ölçeklendirmede başarılıdır. Yoktan anlamlılık yaratmakta zorlanır. Dışa dönük iletişimde kısıt hiçbir zaman hacim değildi. Kısıt anlamlılıktı. Yapay zekâ mesaja dokunmadan önce kimin önemli olduğuna ve neden önemli olduğuna ilişkin bir insan kararına ihtiyaç duyulduğu için, anlamlılık hâlâ insan gerektiriyor.

Artık dikkat ettiğim örüntü bu. Yapay zekâyı bir şeyi daha fazla yapmak için kullandığımızda, “daha fazlasının” gerçekten sorun olup olmadığını soruyorum. Genellikle sorun bu değildi.

Yapay zekâ dönüşümlerinde veri temelleri neden en önemli unsurdur?

Yapay zekâ bozuk bir veri temelini düzeltmez; onu açığa çıkarır. Konuştuğum her CRO heyecan verici kısımla başlamak istiyor: temsilci davranışını bir gecede değiştirmeyi vadeden aracı, yardımcı sistemi ya da çözümü. Ancak alttaki veriler parçalı veya güvenilmezse, yapay zekâ işlev bozukluğunu yalnızca daha hızlı ve daha büyük bir güvenle otomatikleştirir.

Sonuçta zarar gören CRO'lar çok yavaş ilerleyenler değil. Aracı temeli düzeltmeden önce satın alan, ardından çıktı yanlış olduğunda ekibinin gözünde güvenilirliğini kaybeden ve hiç kimsenin ona bir daha güvenmediği kişiler.

Bu güven kaybolduktan sonra yeniden oluşturulması zordur.

Mükemmeliyetçiliğin yapay zekâ uygulamasını rayından çıkarması nasıl önlenir?

Mükemmel olmaya çalışmak yanlış içgüdüydü. Başlangıçta, herhangi bir şeyi kullanıma sunmadan önce her uç durumu eşleştirmeye çok fazla zaman harcadım. Kimsenin ihtiyaç duymadığı şeyleri oluşturmakla geçen haftalardan ve temsilcilerin bunlara gerçekten güvenmesi için çok daha uzun süre beklemekten söz ediyoruz.

Artık tek bir dar kapsamlı sorun seçiyor, çözümü birkaç temsilcinin kullanımına sunuyor ve sırada ne oluşturacağımızı kullanımın bize göstermesine izin veriyoruz.

Memnuniyet anketlerini değil, gerçek kullanımı izliyoruz. Temsilciler bunu açtı mı? Peki, kendilerine söylediklerine göre harekete geçtiler mi? Geri geldiler mi? Bu, bir haftada bize herhangi bir planlama oturumunun verebileceğinden daha fazla bilgi sağlıyor.

Temsilciler bir şeyi kullanmıyorsa onu hızla kaldırıyoruz. Onu zaten oluşturmuş olsak bile. Katlanılan maliyet, onu korumak için bir neden değildir.

Ayrıca dar adımlarla genişliyoruz. En küçük sürüm işe yarayıp temsilciler ona güvendiğinde, tüm vizyonu bir kerede kullanıma sunmak yerine yayılımı genişletiyor ve sıradaki parçayı ekliyoruz.

Kısacası hızlı hareket edin, hızlı öğrenin ve işe yarayanı ölçeklendirin.

Gelir liderleri için tavsiyeler

Gelir liderlerine tavsiyem şu:

• Başka bir araç satın almadan önce verilerinizi düzeltin.
• Her şeyi bir anda benimseme baskısına direnin. Doğru yapay zekânın, doğru yerde kullanılması ve satış temsilcilerinin bunu gerçekten kullanması — hedef bu.
• Muhakemeyi koruyun. Amaç, kararları insanların elinden alacak şekilde otomatikleştirmek değil. Amaç, insanların daha hızlı ve daha iyi bilgilere ulaşmasını sağlamak; böylece vermeleri gereken kararlar daha isabetli olur. Şu anda bütün işin özü bu ayrımda yatıyor.

Gelişmeleri takip edin

Mollie Bodensteiner'ı LinkedIn'de takip edebilirsiniz. Ayrıca The RevTech Review'a göz atın.

The CRO Club'da daha fazla uzman röportajı sizleri bekliyor!