Первоначально опубликовано на www.neuralfizz.com.

Представьте себе торговую организацию, в которой лиды распределяются между представителями не только в зависимости от территории, но и потому, что у представителя самые высокие шансы закрыть учетную запись. Представьте команды, которые прогнозируют на основе реальных данных и сигналов, а не на надежде и интуиции. Подумайте о торговых представителях, которых автоматически обучают подражать поведению и тактике лучших членов команды. По мере того как искусственный интеллект (ИИ) и машинное обучение (МО) интегрируются в процесс продаж B2B, принципы работы отделов продаж будут меняться.

Я пил кофе со своим другом, управляющим партнером венчурной фирмы, и говорил об этом грядущем изменении в отделах продаж. Его комментарий звучал так: «Ни один руководитель продаж старше 40 лет не поймет эти штуки с ИИ». Это поразило меня. Как лидеры продаж, которые выросли, используя CRM как передовой инструмент конкурентоспособности, Excel как основной способ построения прогнозов и мантру «Звоните им, пока они не закроют» как вершину коучинга, по сравнению с компаниями, использующими передовые алгоритмы машинного обучения направлять их?

Не хорошо, я думаю.

Но действительно ли так должно быть? Вопреки распространенному мнению, почти все хорошие руководители продаж, которых я встречал, — умные, интеллигентные люди, изучающие свое ремесло. Они совершенствуют свои способности к прогнозированию, сосредотачиваются на коучинге и обучении отделов продаж и работают над созданием надлежащих планов квот и территорий. В конце концов, они знают, что владеют цифрами доходов и бронирований и сделают все возможное, чтобы их компании преуспели. Так могут ли они адаптироваться к миру продаж с искусственным интеллектом? Я верю, что успешные лидеры продаж будут. Остальные будут заменены.

Так как же современный руководитель отдела продаж B2B может научиться понимать и использовать искусственный интеллект, чтобы быть более конкурентоспособным? Во-первых, я считаю, что это понимание того, в чем хороши AI и ML, а также чего они не могут. Во-вторых, речь идет о понимании некоторых вариантов использования, которые лучше всего соответствуют этим сильным сторонам.

Что такое искусственный интеллект на самом деле?

Начнем с нескольких определений. Искусственный интеллект (ИИ) — это широкий термин, часто используемый для обозначения множества различных технологий. Машинное обучение (ML) — более конкретный термин, относящийся к области исследования, которая дает компьютерам возможность обучаться без явного программирования. Чаще всего это означает использование алгоритмов, которые могут изучать свойства пространства данных и делать прогнозы, ассоциации или другие выводы из этих данных. Машинное обучение более узкое, чем искусственный интеллект, но часто это сила, лежащая в основе большей части шумихи вокруг искусственного интеллекта.

Итак, можете ли вы заменить своего торгового представителя машинным обучением? Можете ли вы заставить компьютер имитировать то, что делает ваш торговый представитель, и избавиться от вашей команды по продажам? Сегодня и в обозримом будущем ответ будет НЕТ. Однако машинное обучение может сделать ваши существующие команды намного более мощными, продуктивными и эффективными.

Ошибка, которую совершают многие люди в отношении искусственного интеллекта и машинного обучения, заключается в том, что он может вести себя и вести себя как человек. Что он может просмотреть случайный набор информации и принять решение. Реальность такова, что машинное обучение очень эффективно, когда оно сосредоточено на очень узких задачах. Например, Google AlphaGo может победить лучшего человека в мире в невероятно сложной игре Го. Однако, поскольку модель в настоящее время обучена, она понятия не имеет, как выиграть в простую игру в шашки. Для этого его нужно будет заново обучить.

То же самое верно и для использования машинного обучения в бизнесе. Он работает хорошо, когда у него много данных и его можно обучить, чтобы сосредоточиться на конкретном результате, например, выбрать лучший день для отправки кампании по электронной почте. Модель, предназначенная для чтения электронных писем, не может развернуться, а затем использоваться для прогнозирования даты закрытия возможности. Вы хотели бы обучить другую модель для этого.

Организации, которые лучше всего понимают, где машинное обучение может быть мощным и как его использовать, получат наилучшие результаты. Те, кто попытается применить его в тех областях, где он не очень подходит или не имеет достаточного количества данных, получат плохие результаты. Поэтому очень важно, начиная с машинного обучения, выбирать очень конкретные задачи и цели, которые вы хотите выполнить, и создавать модели, ориентированные на достижение этих целей.

Несколько отличных примеров использования машинного обучения в продажах

Поскольку теперь мы знаем, что машинное обучение может помочь отделам продаж с узконаправленными задачами, в каких областях может помочь машинное обучение? Две области, в которых машинное обучение может помочь вашим командам, — это территориальное планирование и прогнозирование возможностей.

Планирование территории

Торговые организации используют сотни методов и часто тратят тысячи часов на построение и создание планов территорий и квот. Тем не менее, большинство отделов продаж B2B и Enterprise сводят все к тому или иному варианту назначения учетных записей в зависимости от региона, размера компании, продукта и вертикального рынка. Это действительно лучший способ?

Что, если бы вы смогли выяснить гораздо лучшие отношения, которые указывали бы, будет ли торговый представитель успешным в рамках клиента? Например, что, если бы вы поняли, что целевые аккаунты, в которых директор по маркетингу или ИТ-директор учился в том же колледже, что и торговый представитель, имеют на 20 % больше шансов на конверсию? Что, если бы вы выяснили, что публичные компании, цена акций которых выросла более чем на 10 % за последние 6 месяцев и у которых появился новый руководитель C-Level, были лучшими целями? Это примеры типов неочевидных отношений, которые могут обнаружить алгоритмы машинного обучения.

Алгоритмы машинного обучения, такие как K-Means и Анализ основных компонентов (PCA), могут находить корреляции между информацией и соответствующими переменными. Примером высокого уровня может быть ввод данных обо всех клиентах, которых ваша организация привлекла за последние 5 лет. Использование алгоритма, чтобы определить, какие из этих клиентов на самом деле тесно связаны, а затем какие переменные лучше всего представляют эти отношения. Это может показать вам отношения, которые глубже, чем вертикальный рынок, размер и местоположение. На основе этих данных вы можете создавать новые более содержательные классификации клиентов. Используя новые классификации, вы можете просмотреть свой общий доступный рынок (TAM) и создать назначения. Это может даже быть сделано еще на один шаг, чтобы классифицировать ваших торговых представителей на основе типов учетных записей, которые они продают лучше всего. Пересечение этих двух точек можно использовать для назначения представителей аккаунтам, с которыми они, скорее всего, добьются успеха, увеличивая коэффициент закрытия.

Прогнозирование стадии возможности

Другое использование машинного обучения может заключаться в прогнозировании того, на каком этапе в настоящее время следует классифицировать возможность. Например, определенные переменные могут сильно влиять на то, насколько далеко в цикле продаж находится возможность. Количество контактов, количество переписок, количество людей, вовлеченных в продажу, название контактов, вертикальный рынок и размер счета — все это может быть задействовано. Могут потребоваться сотни переменных, чтобы по-настоящему понять, как далеко находится возможность на этапе продаж.

Большинство организаций предоставляют торговому представителю возможность определить, на каком этапе находится возможность. Однако что, если представитель новый? Что, если они беспокоятся о том, чтобы поставить цели на квартал, и поэтому «надеются» на слишком много возможностей? Возможно, у торгового представителя слишком большая территория, и он замалчивает или занижает свои возможности, чтобы остаться незамеченным высшим руководством. Есть много причин, по которым передача стадии продаж на рассмотрение торговому представителю может не дать самого точного прогноза. Кроме того, высшее руководство тратит массу времени на рассмотрение возможностей с представителями вверх и вниз по цепочке, просто чтобы попытаться выяснить, насколько реален конвейер и на каких возможностях нужно сосредоточиться.

Машинное обучение — отличный инструмент для построения модели, которая создает собственный прогноз на этапе возможностей, который на 100% основан на данных. Он может сосредоточиться на информации в системе управления взаимоотношениями с клиентами (CRM) и сделать прогноз. Было бы здорово, если бы представители делали свои прогнозы, а система машинного обучения делала бы это — и тратили время на то, чтобы сосредоточиться на том, где есть несоответствие. Если система машинного обучения предсказывает, что возможность должна быть на завершающей стадии закрытия, но торговый представитель говорит, что это не так далеко — почему? Если модель машинного обучения говорит, что возможности еще не готовы закрыться, а торговый представитель говорит, что они будут закрыты, — почему? Это выявит проблемные области и поможет лидерам выездных продаж сосредоточиться на том, где проводить свое время. Вместо того, чтобы тратить часы на просмотр каждой учетной записи, они могли бы сосредоточиться на учетных записях с наибольшей вероятностью закрытия или на торговых представителях, которые нуждаются в наибольшем коучинге. Сравнение прогнозов системы машинного обучения с прогнозами полевых команд — это отличное использование алгоритмов контролируемого обучения, таких как RandomForest, машины опорных векторов и даже нейронные сети.

Сводка

В течение следующих пяти-десяти лет мы увидим, как отделы продаж по всему миру начнут использовать искусственный интеллект и машинное обучение. Команды, которые действительно выиграют от этого сдвига, будут понимать, где он действительно может им помочь. Искусственный интеллект — это не волшебная палочка, которая превратит плохо управляемые отделы продаж в лидеров. Однако это позволит отделам продаж работать намного лучше, сосредоточив свое время и энергию на учетных записях и методах, которые действительно приносят долгосрочную пользу компании. Со временем отделы продаж, использующие ИИ, начнут вытеснять других, потому что они тратят больше времени на то, чтобы делать правильные вещи с нужными потенциальными клиентами. Просто подумайте о том, что будет означать для вашей торговой организации увеличение среднего показателя выполнения квоты на 10%. Что бы это значило, если бы вы могли сократить цикл продаж на 15%? При правильном использовании мощность ИИ может превратить хорошую команду продаж в отличную команду продаж. Поскольку все мы знаем, что время — это единственный реальный ресурс, которым может по-настоящему управлять отдел продаж, искусственный интеллект может дать отделам продаж гораздо больший контроль над этим ресурсом.

Хотите узнать больше?

Если вы хотите углубиться в машинное обучение, есть несколько отличных мест для начала. Для очень высокого уровня обзора взгляните на учебник SalesFoce.com по искусственному интеллекту. Если вы хотите немного углубиться и узнать больше об алгоритмах и процессах машинного обучения, взгляните на бесплатный курс Введение в машинное обучение на Udacity. Это требует немного большей технической глубины, но простое прохождение курса без необходимости кодирования примеров дает хорошую основу для понимания того, что такое машинное обучение.

Автор: Эрик Вестеркамп

#ArtificialIntelligenceSales #MachineLearningSales #SalesAutomation #ericwesterkamp #ArtificialIntelligence #MachineLearning #SalesOperations #SalesLeaders