Teknoloji Gelir Direktörü, Yapay Zekânın Tahminleri Güçlendirdiğini — Ve Gelir Direktörü Sorumluluğundan Kaçmayı Zorlaştırdığını Söylüyor

George Storm 23 yıldır satış alanında çalışıyor. Şu anda satış, pazarlama, müşteri başarısı, iş ortakları ve ürün desteğini yönettiği, N.Rich adlı B2B ABM platformunda CRO olarak görev yapıyor.

Yapay zekâyla tahmin ve raporlama süreçlerini nasıl yeniden yapılandırdığını öğrenmek için George'la bir araya geldik. Bize anlattıkları şöyle:

Tüm huniyi sahiplenmek

Ben, B2B ABM platformu N.Rich'te CRO olarak görev yapan George Storm'um. Tek ürünlü bir ABM şirketinden, pazarlamasını modüler GTM olarak konumlandırdığımız bir platform modeline geçiş yapıyoruz. Mevcut gelir modelimiz, ek hizmetlerle birlikte sunulan yıllık SaaS aboneliğinden oluşuyor. GTM OS'yi piyasaya sürerken modüler bir yaklaşım, modül başına abonelikler ve sonuç bazlı fiyatlandırma sunuyoruz.

Gelirin uçtan uca tamamından sorumluyum: satış, pazarlama, müşteri başarısı, iş ortakları ve ürün desteği. Talep yaratmadan net gelir tutundurmaya kadar tüm huninin sahibiyim; yalnızca bir bölümünün değil. GTM yapımız; EMEA ağırlıklı, yalın bir satış ekibini, talep ve ABM çalışmalarını yürüten bir pazarlama organizasyonunu, yenileme ve genişlemeleri yöneten bir müşteri başarısı organizasyonunu ve eş zamanlı olarak yürütülen bir iş ortağı faaliyetini kapsıyor.

Öncelikli olarak Avrupa'daki B2B orta ölçekli ve kurumsal şirketlere hizmet veriyoruz: özellikle de hesap bazlı pazara açılma stratejileri yürüten gelir ve pazarlama liderlerine.

Yapay zekâ gelir tahmini doğruluğunu nasıl dönüştürdü?

23 yıldır satış alanında çalışıyorum ve son dönem, ilk yirmi yılın toplamından daha zor geçti.

Yapay zekâya meraktan dolayı yönelmedim. Bir başarısızlıkla karşılaştığım için yöneldim. Her CRO'nun tahmin yaptığı şekilde, geçmiş dönüşüm oranına dayanarak tahmin yapıyordum ve model, yapamadığı çeyreğe kadar bana duymak istediğim şeyi söyleyip durdu. Kendini kandırma mekanizması modelin kendisiydi. Onu oluşturan da bendim.

Bu nedenle tahmin yöntemimizi uçtan uca yeniden oluşturdum. Geçmiş dönüşüme dayalı nokta tahmini modelinden uzaklaştık. Modelin, titiz olduğu izlenimini veren bir Monte Carlo katmanı vardı. Ama değildi. Üç nokta tahmininin ortalamasını alsanız bile nokta tahmini, nokta tahminidir.

Dört girdili, rejime koşullu olasılıksal bir modele geçtik. Kazanma oranı, yakalama, NRR ve döngü uzunluğu; her biri WEF, IMF ve McKinsey'den alınan dış öncüllere göre kalibre ediliyor. Yapay zekâ, benim üç ayda bir elektronik tabloyu yeniden oluşturmam yerine dağılımı sürekli olarak hesaplıyor. Bunu yapmak için makro sinyallerde Claude'un yanı sıra Fathom, Hubspot ve kendi platformumuzu kullanıyoruz.

Rejimin farkında. Olasılıksal. Sürekli. Beni yapay zekâya gerçekten yönelten şey bu yeniden yapılandırmaydı; onu koltuğa sonradan eklenmiş bir üretkenlik katmanı olarak değil, tek bir yöneticinin matematiği yürütmesini, pazarı okumasını ve aynı hafta içinde harekete geçmesini sağlayan unsur olarak görmemi sağladı. Artık yaptığımız iş bu.

Bu değişiklik sayesinde tahmin bir rapor değil, bir okuma hâline geldi. Çeyrek sona erdikten sonra değil, çeyrek yön değiştirmeden önce taahhüdün altındaki açığı ortaya çıkardı. Yönetim kurulu artık şaşırmıyordu. Asıl mesele de bu.

Yapay zekâ neden okur, ancak harekete geçmesi gereken operatördür?

Yapay zekânın neyi, insanların neyi yapması gerektiğine gelince, yapay zekâ değerlendirmeyi bilgilendirir:

• Rejim tahmini dağılımı
• Boru hattı önceliklendirmesi
• Hesap sağlığı puanlaması
• Müşteri kaybı riski işaretleri
• Satış, Pazarlama, MS ve İş Ortakları genelinde haftalık işlevler arası değerlendirme

Yapay zekâ artık bunların tamamını destekliyor; çünkü bunlar, bir insanın zihninde tutabileceğinden daha fazla sinyal arasındaki örüntüleri tanımayı gerektiriyor.

Açıkça insanlara ait faaliyetler ise tepkiyi kapsıyor:

• Belirli bir anlaşmayla ilgili karar
• Stratejik bir hesap için fiyatlandırma
• Hangi kişinin hangi koltuğa oturacağı
• Yönetim kuruluna aktarılacak anlatı.

Nedeni basit. Yapay zekâ görebildiklerimi genişletiyor, ancak hesap verebilirliği bir modele devredemeyiz. Karar verici olarak değil, model girdisi olarak etki. Model okur. Operatör harekete geçer.

Yapay zekâ iş akışlarını nasıl iyileştirir, ancak aşırı özgüven riski taşır?

İşte iyi sonuçlar:

• Günün büyük bölümünü tüketen haftalık CRO raporu artık kendini oluşturuyor; ben de bu zamanı veri toplamak yerine karar vermeye ayırıyorum.
• Sağlık puanlaması, geriden gelen metrik değişmeden bir ila iki çeyrek önce risk altındaki hesapları yakalıyor.
• Öngörü yönetim kurulunda geçerliliğini koruyor; önemli olan tek doğruluk testi de bu.

Ama her şey iyi değil. İlk modeller gereğinden fazla özgüvenliydi. Modellerden biri %97 olasılık verdi ve yapısal olarak fazlasıyla iyimserdi; çünkü kirli girdilere temiz varsayımlar beslemiştim.

Karşıt kalibrasyonun işin bir adımı değil, bizzat işin kendisi olduğu ortaya çıktı — tek görevi iyimserliği söküp atmak olan kıdemli analist istemiyle kendi modelime kırmızı takım testi uyguladım. Bunu daha önce öğrenseydim, bir çeyrek dönem tasarruf edebilirdim.

Yapay zekâ beni bu işten kurtarmadı. İşin yerini değiştirdi.

Gerçek dünyada bir raporlama iş akışı

George'un Düşünceleri

Öngörü, mevcut durumu okumaktır. Plan, verilen tepkidir. Döngü ise işletim sistemidir.

Haftalık okuma iş akışını birlikte inceleyelim.

Pazartesi günü yapay zekâ; satış hattı ve yenilemeler için HubSpot'tan, ürün kullanım verileri için Amplitude'dan, destek için Pylon'dan, görüşme duyarlılığı için Fathom'dan, müşteri ve kurum içi sinyaller için Slack'ten veri çeker. Tek bir yönetilen veri katmanı oluşturur. Hesap sağlığını puanlar, risk altındaki hesapları işaretler, doğrudan sorumlulara Slack uyarıları gönderir ve rejime koşullu öngörü dağılımını yeniler.

Ardından ben raporu okur, verilecek tepkiye karar verir ve cuma gününe kadar döngüyü tamamlarız. Takip et, oku, harekete geç — yöneticinin özellikle olmadığı tek bir sorumluyla, bir haftalık döngüde. Sistem veri toplamayı ve puanlamayı yapar. Karar veren koltuktur.

Öngörü döngüyü besler. Döngü, sermayenin ve emeğin nereye yönlendirileceğini yeniden kalibre eder. Tüm kurum da doksan günlük bir takvim yerine bir haftalık bir takvimle okuyup tepki verir. Öngörü, mevcut durumu okumaktır. Plan, verilen tepkidir. Döngü ise işletim sistemidir.

Yapay zekâ gelir liderliğini nasıl zorlaştırıyor?

Yapay zekâ yeni bir talep yaratmadı. Mevcut satış hattınızı sıkıştırıp hızlandırıyor, ancak pazarda olmayan bir alıcıda satın alma niyeti oluşturamıyor. Yapay zekâyı satış hunisinin üst kısmında mucize olarak satan herkes size yanlış şeyi satıyor.

Ayrıca ileri aşamadaki kurumsal anlaşmalarda muhakemenin yerini almadı ve kirli verileri de düzeltmedi. Kirli veriler yapay zekâyla iyileşmez. Sadece daha yüksek sesle duyulur.

Yapay zekâ, alıcı tarafındaki rol sıkışması nedeniyle de hayatımı zorlaştırdı. Şirketler üç işi tek bir koltukta birleştirirken, geçen yıl bizi satın alan şampiyon rol değiştirmiş, sahipliğini kaybetmiş veya kurumdan ayrılmış olabilir. Bu dinamiği yapay zekâ yarattı. Benim için de çözmüyor.

CRO'lar nereden başlamalı ve nelerden kaçınmalı?

İşte tavsiyem: Yapay zekâyı bir üretkenlik aracı olarak koltuğa sonradan eklemeyin. Koltuğu onun etrafında yeniden tasarlayın.

Tahmininizle başlayın, çünkü yönetim kurulu sizi orada değerlendiriyor ve çıta 2026'da değişti. Artık sayıyı tutturamadığınız için işten çıkarılmıyorsunuz. Sürpriz yaşattığınız için işten çıkarılıyorsunuz. Hedefi tutturamayacağınızı önceden göremeyen bir model, hedefin tutmamasından değil, asıl sorumluluktan kaynaklanır.

Ve matematiğin içinde siz de yer alın. Bunu bir araca devredip gözlerini kapatan CRO'lar, aracın kendilerine vermek üzere tasarlandığı yanıtı alacaklar. Yanıldığınızda size haber verecek şekilde kurduğunuzdan emin olun.

Takip edin

George Storm'un çalışmalarını LinkedIn ve georgestorm.io üzerinden takip edebilirsiniz.

CRO Kulübü'nde daha fazla uzman röportajı sizleri bekliyor!