ΕΚΤΥΠΩΣΗ
Εκτύπωση αυτής της σελίδας

Πώς μπορούν οι πωλήσεις να αποκομίσουν αξία από την Τεχνητή Νοημοσύνη

10:26 - 04 Μαρ 2019
Η συζήτηση που γίνεται για την τεχνητή νοημοσύνη (AI-ΤΝ) και τη δυνατότητά της να μετασχηματίσει τις επιχειρήσεις είναι πολύ μεγάλη . Οι πωλήσεις δεν αποτελούν εξαίρεση και φαίνεται πως έχουν να προσφέρουν εξαιρετικά παραδείγματα.

Η ΤΝ συνδέεται κυρίως με τις πωλήσεις online σε εταιρείες όπως οι Amazon και Netflix. Τον τελευταίο καιρό όμως, διάφορα άρθρα ανά τον κόσμο αναφέρονται σε υψηλή απόδοση από την ΤΝ, που σχεδιάστηκε για να ενισχύσει τις επιδόσεις στον τομέα των πωλήσεων. Από όλες αυτές τις ιστορίες επιτυχίας, θα μπορούσε κανείς να καταλήξει στο συμπέρασμα ότι οι περισσότερες δυνάμεις πωλήσεων βρίσκονται σε καλό δρόμο για να αποκομίσουν αξία από την ΤΝ και ότι η μετάβαση είναι εύκολη.

Η αλήθεια είναι ότι μόνο ένας μικρός αριθμός επιχειρήσεων χρησιμοποιούν την ΤΝ με επιτυχία. Ορισμένα τμήματα πωλήσεων είναι κολλημένα σε πολυετείς προσπάθειες για την κατασκευή συστημάτων που δεν έχουν δει ακόμα το φως της ημέρας. Και τα περισσότερα δεν έχουν ακόμα κάνει καν το πρώτο βήμα.

Ας εξετάσουμε  μια βασική εφαρμογή της ΤΝ στις πωλήσεις: Αύξηση της παραγωγικότητας των πωλητών στην εύρεση, απόκτηση και δημιουργία εσόδων από τους πελάτες. Υπάρχουν πολλές ακόμα εφαρμογές, αλλά οι ειδικοί Andris A. Zoltners* και PK Sinha* σε μελέτη τους στο ΗBR επικεντρώνονται ειδικά σε αυτή. Η ΤΝ υπόσχεται να βοηθήσει τους πωλητές στη δημιουργία και την επικέντρωση σε παράγοντες υψηλότερης ποιότητας, απόκτηση γνώσης των αναγκών και των προτιμήσεων των πελατών, συντονισμού των πωλήσεων τους με άλλα κανάλια, εύρεση ευκαιριών για διασταυρούμενες πωλήσεις, αποτροπή διαρροών των πελατών και πολλά άλλα. Τα αναφερόμενα αποτελέσματα είναι εντυπωσιακά: υψηλότερες πωλήσεις, χαμηλότερο κόστος, μεγάλη αύξηση της παραγωγικότητας και καλύτερο περιβάλλον πωλήσεων.

Η δυνατότητα της ΤΝ να μεταμορφώσει τις πωλήσεις είναι τεράστια. Και τα οφέλη είναι πραγματικά. Αλλά οι ιστορίες επιτυχίας που διαβάζουμε σπάνια προσφέρουν αρκετή εικόνα για τις προκλήσεις που πρέπει να ξεπεράσουν οι εταιρείες για να συνειδητοποιήσουν τα οφέλη.

 Δείτε παρακάτω  τους τέσσερις τρόπους και μερικές απροσδόκητα απλές αλλά συχνά αγνοημένες λύσεις, που μπορούν να προσαρμοστούν σε κάθε επιχειρηματική κλίμακα, μικρότερη ή μεγαλύτερη.

Σχηματισμός διαλειτουργικής ομάδας και συνεργασία

Η προσέλκυση μοντέλων ΤΝ απαιτεί νέους ρόλους με συγκεκριμένα σύνολα δεξιοτήτων. Τα μέλη των ομάδων από τις πωλήσεις είναι κρίσιμα για να δίνουν φωνή στο τμήμα πωλήσεων, το προϊόν και τις ανάγκες των πελατών. Η ομάδα χρειάζεται εμπειρογνώμονες big data, επιστήμονες δεδομένων, μηχανικούς μηχανικής μάθησης και πολλούς άλλους. Για να λειτουργήσουν όλα αυτοί μαζί, η ομάδα χρειάζεται επίσης κάποιον που να αναλάβει τον ρόλο αποτροπής των ορίων- ένα άτομο που καταλαβαίνει τόσο τις πωλήσεις όσο και την τεχνολογία.

Τέτοιες διαλειτουργικές ομάδες ΤΝ είναι γενικά πιο αποτελεσματικές όταν προέρχονται από τις προσπάθειες της βάσης, όχι από την διοικητική κορυφή. Για παράδειγμα, όταν μια εταιρεία τεχνολογίας ανέπτυξε ένα σύστημα ΤΝ για μία από τις ομάδες πωλήσεών της, ο πρωταθλητής του έργου προήλθε από τις πωλήσεις. Το άτομο αυτό εργάστηκε για να καλλιεργήσει κοινή πεποίθηση και σκοπό για το project των πωλήσεων που ενεργοποιούν την ΤΝ, συγκεντρώνοντας περισσότερους από 50 ανθρώπους από πέντε επιχειρηματικές μονάδες.

Ενσωμάτωση δεδομένων από διάφορες πηγές

Τα συστήματα ΤΝ λειτουργούν με τεράστιες ποσότητες δεδομένων. Ορισμένα από τα δεδομένα είναι δομημένα (π.χ. δημογραφικά στοιχεία, ιστορικό αγορών) και ορισμένα είναι αδόμητα (π.χ. λέξεις από emails ή ηχογραφήσεις). Η συγκέντρωση των δεδομένων για μια εφάπαξ χρήση είναι αρκετά δύσκολη. Η δημιουργία των διαδικασιών που απαιτούνται για τη συνεχή ανανέωση των δεδομένων μπορεί να είναι τρομακτική, χρονοβόρα και δαπανηρή.

Ευτυχώς, η ΤΝ μπορεί να λειτουργήσει με ελλιπή ή ατελή δεδομένα, υπό την προϋπόθεση ότι τα δεδομένα αυτά είναι απαλλαγμένα από συστηματική μεροληψία. Στην πραγματικότητα, η ΤΝ μπορεί να βελτιώσει την ποιότητα των δεδομένων, για παράδειγμα, προβλέποντας τιμές που λείπουν ή εντοπίζοντας πιθανά σφάλματα. Μην αφήσετε το τέλειο να γίνει εχθρός του καλού.

Ένα καζίνο ήθελε να χρησιμοποιήσει την ΤΝ για τη βελτιστοποίηση της προσέγγισης των πελατών. Διέθετε ξεχωριστές βάσεις δεδομένων για την παρακολούθηση των στοιχημάτων των πελατών υψηλής αξίας, των δαπανών ξενοδοχείων, των δαπανών για φαγητό και ποτά και των δαπανών για ψυχαγωγία. Μια προβλεπόμενη εκτίμηση θα απαιτούσε έξι μήνες προσπάθειας για την ενσωμάτωση όλων αυτών των δεδομένων και ακόμη και τότε τα δεδομένα θα ήταν μόνο κατά 95% πλήρη. Έτσι, το καζίνο επέλεξε να επικεντρωθεί σε ένα υποσύνολο δεδομένων. Σε μερικές εβδομάδες, είχε μια πλήρως ενσωματωμένη βάση του 55% των δεδομένων που θα μπορούσε να ενημερώνεται κάθε μήνα. Ξεκινώντας με μέρος των δεδομένων, το καζίνο απέκτησε πολλές πληροφορίες γρήγορα.

Συνειδητοποίηση της αξίας γρήγορα

Είναι ευνόητο ότι μια σύνθετη εφαρμογή της ΤΝ θα πρέπει να περιλαμβάνει ευέλικτο, σταδιακό και επαναληπτικό σχεδιασμό και δοκιμή, με συνεχή ανατροφοδότηση από το τμήμα πωλήσεων. Ωστόσο, επανειλημμένα, βλέπουμε οργανισμούς που προσπαθούν να δημιουργήσουν ολοκληρωμένα συστήματα που δεν ελέγχονται επαρκώς από τους πωλητές και οι πελάτες δεν μπορούν να ωφεληθούν. Το σφάλμα είναι συχνά θανατηφόρο. Το σύστημα που προκύπτει θεωρείται κουραστικό από ένα επιφυλακτικό τμήμα πωλήσεων που επιθυμεί να δει κάποια αποδεδειγμένη αξία πριν επενδύσει στην αλλαγή του τρόπου πώλησης. Η εφαρμογή της ΤΝ θα πρέπει να περιλαμβάνει μια σειρά από σπριντ, όχι έναν μαραθώνιο…

Μια εταιρεία βιοτεχνολογίας απέδωσε την επιτυχία της στην ΤΝ στην απόφασή της να ξεκινήσει σε μικρό εύρος. Το ευρύτερο όραμα της εταιρείας περιελάμβανε μια εφαρμογή που θα πρότεινε δράσεις πωλήσεων, περιεχόμενο και μηνύματα για την προσέγγιση πελατών σε πολλαπλά κανάλια πωλήσεων. Ξεκίνησε  με ένα μόνο κανάλι πωλήσεων. Η ανάπτυξη βασίστηκε στην πρόοδο των πρώτων επιτυχιών, που απέδειξαν ότι ήταν σωστή η προσέγγιση, πριν επεκταθεί το πρόγραμμα ευρύτερα.

Διασφάλιση της αποδοχής των πωλητών

Η κατανόηση και η αποδοχή οποιουδήποτε νέου εργαλείου ή τεχνολογίας πωλήσεων ποικίλλει μεταξύ των πωλητών. Πολλοί είναι φυσικά επιφυλακτικοί σχετικά με τις τολμηρές υποσχέσεις της ΤΝ.

Πολλές στρατηγικές ενθαρρύνουν την υιοθέτηση εργαλείων ΤΝ από τους πωλητές. Για να ξεκινήσετε, βεβαιωθείτε ότι τα εργαλεία αυτά ευθυγραμμίζονται με τον τρόπο με τον οποίο οι πωλητές εκτελούν την καθημερινή τους εργασία, και στη συνέχεια δώστε τους πληροφορίες για τη φυσική ροή της εργασίας. Παρέχετε εξηγήσεις για τις συστάσεις που βασίζονται στην ΤΝ. Για παράδειγμα: "Αυτός ο πελάτης είναι πιθανό να αγοράσει αυτό το προϊόν, επειδή άλλοι πελάτες  με παρόμοια πρότυπα αγοράς το αγόρασαν τελικά". Ενθαρρύνετε τους πωλητές να παρέχουν σχόλια σχετικά με τις συστάσεις των πελατών. Π.χ.: "Ήταν χρήσιμη η σύσταση; Εάν όχι, γιατί όχι; Είχατε ήδη αντιμετωπίσει το ζήτημα; Ή δεν ήταν καλή ιδέα; "Αυτή η ανατροφοδότηση συμβάλλει στη βελτίωση του συστήματος ΤΝ, αλλά το πιο σημαντικό, παρακινεί τους πωλητές στο χτίσιμο των εργαλείων.

Η ΤΝ μπορεί να έχει σημαντικό αντίκτυπο στις πωλήσεις. Τα οφέλη που διαβάσατε είναι πιθανά. Αλλά μην υποτιμάτε τον χρόνο και την προσπάθεια που απαιτείται. Διατηρείστε τα πράγματα απλά για να ξεκινήσετε, παραμένοντας ευκίνητοι καθώς προχωράτε σε εφαρμογή και εμπλέξτε τη σωστή ομάδα ανθρώπων, ώστε να δείτε τα ανάλογα αποτελέσματα.

________________________________________

*Ο Andris A. Zoltners είναι ομότιμος καθηγητής στο Kellogg School of Management του Northwestern University στο Evanston του Illinois. Είναι επίσης συνιδρυτής της ZS Associates, μιας παγκόσμιας εταιρείας παροχής συμβουλών για επιχειρήσεις που εδρεύει στο Evanston, και ένας από τους συγγραφείς του βιβλίου «The Power of Sales Analytics». Ο Dr. Prabha Sinha είναι συνιδρυτής της ZS Associates, και συγγραφέας επίσης του «The Power of Sales Analytics».

Copyright © 1999-2019 Premium S.A. All rights reserved.