Ocenjevanje potencialnih strank na podlagi lastnosti in vedenja je naloga, ki se dobro prilega AI, pod pogojem, da sta izpolnjena dva pogoja: validiran model ocenjevanja in dovolj zgodovinskih podatkov za treniranje. Brez teh dveh ni mogoče zanesljivo prevzeti naloge, kako mikavno se to tudi sliši. Kar AI danes zmore, je agent: sistem, ki potencialne stranke neprekinjeno ocenjuje, jim določa oceno in jih posreduje naprej v prodajo ali marketinško avtomatizacijo, brez da bi človek posamično preverjal vsako potencialno stranko.
Potencialne stranke prihajajo z fiksnim naborom lastnosti: velikost podjetja, funkcija, vir, klikno vedenje, vnosi v obrazcih, pogostost obiskov. To so strukturirani podatki, ki so že urejeno shranjeni v CRM ali sistemu za marketinško avtomatizacijo. Model AI lahko te lastnosti kombinira in določi oceno na podlagi vzorcev iz preteklosti: katere kombinacije lastnosti in vedenja so v preteklosti privedle do poslov. To je natanko tista vrsta naloge, za katero je zgrajeno strojno učenje. Primerjajte to z nalogo, pri kateri mora nekdo sam interpretirati zgodbo ali oceniti edinstven pogovor — to zahteva drugačno vrsto presoje, in to ni tisto, kar je ocenjevanje potencialnih strank.
Pri stotinah ali tisočih potencialnih strankah na mesec ročno ocenjevanje ni vzdržno, in ravno tam avtomatizacija dokaže svojo vrednost. Marketing, ki mora ročno pregledati vsako potencialno stranko po desetih lastnostih, izgublja čas, ki ne odtehta pridobljene koristi. Model, ki dosledno in izjemno hitro ocenjuje, ne glede na število potencialnih strank, popolnoma spremeni ta izračun. Pri podjetju z le peščico potencialnih strank na teden je to drugače: takrat je korist avtomatizacije manjša in je človeška presoja pogosto enako hitra. Ta razlika v obsegu je natanko razlog, zakaj se enako delo pri enem podjetju izkaže drugače kot pri drugem.
Napačno ocenjena potencialna stranka ni katastrofa, ni pa niti brez posledic. Če obetavna potencialna stranka dobi prenizko oceno, jo lahko prodaja spregleda in prihodek se izgubi. Če povprečna potencialna stranka dobi previsoko oceno, prodaja zapravi čas za pogovor, ki nikamor ne pelje. To je neprijetno, vendar praviloma popravljivo: naslednja ocena ali naslednja kontaktna točka popravi sliko. To je drugače kot pri, na primer, finančni spremembi, ki ni pravilno zabeležena, kjer so stroški napak precej višji — kot je razvidno pri vprašanju, ali lahko AI vodi revizijsko sled finančnih sprememb. Pri ocenjevanju potencialnih strank je ocena pripomoček, ne končna sodba, in to naredi stroške napak obvladljive.
Prostor za presojo je na srednji vrednosti, ker se ocena sicer računa po fiksnih pravilih, vendar interpretacija — koliko teže dobi ocena pri dejanski nadaljnji obravnavi — pogosto še vedno leži pri človeku. Stik s strankami se za avtomatizacijo razmeroma ugodno ocenjuje, ker samo ocenjevanje poteka še pred dejanskim stikom: AI ocenjuje vedenje in lastnosti, ne pogovora. Skladnost dobi srednji položaj, ker osebni podatki in podatki o vedenju sodijo pod GDPR; kako organizacija zbira in ocenjuje podatke o potencialnih strankah, mora ustrezati tem pravilom, in to je drugo vprašanje kot tehnična izvedljivost samega ocenjevanja.
Zgornji izid ne velja avtomatično za vsako organizacijo. Podjetje, ki šele začenja z generiranjem potencialnih strank, preprosto nima dovolj zgodovinskih podatkov o konverzijah za treniranje modela — takrat razvrščanje za zdaj ostaja človeško delo, ali pa preprosto točkovanje brez AI. Podjetje z močno spremenljivo ciljno skupino, kjer so lastnosti dobre potencialne stranke to leto drugačne kot lansko leto, mora svoj model pogosteje pregledovati in validirati kot podjetje s stabilnim trgom. In organizacija, kjer potencialne stranke skoraj vedno prihajajo prek enega kanala, z malo variacije v vedenju, ima enostavnejše podatke za treniranje kot podjetje z desetimi različnimi vstopnimi kanali. To je natanko razlog, zakaj je ocena kot »agent« indikacija za nalogo v splošnem smislu, ne garancija za vaš primer — glejte tudi kaj razpon pove in kaj ne.
Ta izid pove nekaj o nalogi ocenjevanja potencialnih strank, ne o vlogi marketinškega ali prodajnega sodelavca v celoti. Te vloge običajno vsebujejo veliko več kot le ocenjevanje: nadaljnjo obravnavo, vodenje pogovorov, strategijo, odnos s strankami. Odločitve o osebju in zaposlovanju spadajo pod lastne zakonske zahteve in ne sodijo v tovrstno oceno naloge. Zato raje računamo v sproščenih urah kot v funkcijah, kar pojasnjujemo v zakaj računamo v urah in ne v ljudeh.
Bi radi izvedeli, koliko ur v vašem lastnem profilu je povezanih s takšnimi nalogami? Brezplačni hitri pregled (quickscan) podjetja ftetoai obsega dvanajst vprašanj, ne zahteva računa in poda indikacijo, kateri del vaših nalog je danes mogoče prevzeti z AI. Celoten delovni pregled (werkscan), ki poglobljeno obravnava vaše lastne procese, je še v izdelavi — zato ga tukaj še ne ponujamo, vendar hitri pregled že zdaj poda prvo usmeritev.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.