Od automatizacije zadataka i pobolјšanja do dugotrajnih procesa, tehnologija menja način poslovanja. I veštačka inteligencija i mašinsko učenje podržavaju lјudske napore u svakom aspektu poslovanja.
Kako se kompanije prilagođavaju kako bi pružile više virtuelnih opcija i više zadovolјile individualne potrebe kupaca, tehnologija u procesu prodaje ostaje tu. Međutim, lideri moraju da obezbede da se primena tehnologije vrši sa najvećom pažnjom. Pogrešan potez može da znači gublјenje vremena, novca i truda. U nastavku 15 članova Forbes-ovog poslovnog razvojnog veća ocenjuje uobičajene greške napravlјene integracijom mašinskog učenja i veštačke inteligencije u prodajni proces.
Članovi Forbes-ovog saveta za poslovni razvoj dele uobičajene greške koje kompanije prave prilikom uklјučivanja pranja novca i veštačke inteligencije u prodajni proces.
-
Korišćenje pogrešnih skupova podataka
Jedna od grešaka koje treba izbeći na početku je korišćenje pogrešnog skupa podataka. Netačni podaci generišu iskrivlјene rezultate u izlazu algoritma. Zvuči jednostavno, ali postoji veća složenost u osiguravanju tačnosti podataka i definisanju tačnih parametara. Početak sa pogrešnim skupovima podataka može da dovede do neusklađenosti meta i cilјeva. Ovo izaziva efekat kapanja koji utiče na druge izazove u donošenju odluka. – Quyen Pham, Swoon Group LLC
-
Zaboravlјanje o lјudskoj inteligenciji
Rešenja veštačke inteligencije i mašinskog učenja odlični su alati koje prodavci mogu da usvoje jer zasigurno pomažu da proces bude efikasniji i efektivniji, ali i lјudska inteligencija mora da bude deo procesa donošenja odluka. Na kraju dana, lјudi kupuju od lјudi. Lideri moraju da veruju instinktu i prosuđivanju njihovih prodavaca da odmere predloge i preporuke veštačke inteligencije. – Ed Calnan, Seismic
-
Zamena mašinskog učenja empatijom
Iako mašinsko učenje može da pomogne u automatizaciji nekih dugotrajnih zadataka ručne prodaje, ono još nije zamena za empatiju ili razumevanje gledišta vašeg pojedinačnog potencijalnog klijenta u prodajnom procesu. Lideri u prodaji moraju da uravnoteže tehnologiju sa interakcijom čovek-čovek, a treneri reputacije na mekim veštinama, kao što su aktivno slušanje i efikasne tehnike ispitivanja za pristup orijentisan na kupca. – Julie Thomas, ValueSelling Associates
-
Ne gledati na korisnike kao pojedince
Zapamtite da nisu svi korisnici isti. Kada se proizvodi razvijaju, oni se obično stvaraju s obzirom na specifičan slučaj upotrebe, pa će biti važno da budete spremni za ponavlјanje. Povratne informacije sa više gledišta (upotreba proizvoda i direktno od klijenata) pružiće uvide koji mogu da pomognu u proširenju skupova podataka i pruže više mogućnosti za zatvaranje na osnovu primene u stvarnom svetu. – Ernesto Pineda, Twenty Five Ventures
-
Zanemarivanje kontekstne i emocionalne inteligencije
Uobičajena greška je ignorisanje uloge konteksta i emocionalne inteligencije u naknadnom treniranju. Mašinsko učenje postaje sjajno kada maksimizuje obradu podataka u velikom obimu (na primer, određivanje lead prioriteta ili pregled poziva). Takođe može da se koristi za označavanje područja koja izazivaju zabrinutost, kao što su reči za popunjavanje ili ton, i pomaže u fokusiranju razgovora o treniranju, ali menadžeri su najprikladniji za obavlјanje stvarnog treninga kako bi pomogli predstavnicima da budu spremni. – Gopkiran Rao, MindTickle
-
Nekorišćenje praksi upravlјanja promenama
Najveća greška koju lideri u prodaji čine kada implementiraju mašinsko učenje u prodajni proces je to što ne koriste najbolјe prakse upravlјanja promenama. Kada prodavci ne razumeju „zašto“ ili čak šta mašinsko učenje namerava da im učini, ili će se opirati ili će pretpostaviti da će tehnologija na neki način zameniti njihova radna mesta i učiniti ih zastarelim. – Joe DiDonato, Baker Communications, Inc.
-
Pilotiranje tehnologije bez vizije
Mnoge kompanije počinju da pilotiraju tehnologiju bez jasnog uvida u to kako ona zaista može da pomogne. To ih čini da ostanu u teorijskom prostoru. Identifikovanje slučajeva upotrebe koji pokreću vrednost je prvi i najvažniji aspekt. Mašinsko učenje zatim mora da se modeluje kako bi se rešile te stvarne poslovne potrebe. Takođe, mašinsko učenje može da izgleda zanimlјivo, ali možda postoje jednostavnija, pragmatičnija rešenja. – Doina Popa, UiPath Inc.
-
Previše obećavajuće
Nemojte previše da obećavate. To je lako da učinite pomoću mašinskog učenja, ali njegov uticaj zavisi od podataka vaših klijenata. Pomozite vašim potencijalnim klijentima da shvate da je mašinsko učenje isto toliko transformativno koliko i podaci koje u njega unesete. Ako pomognete u izgradnji temelјa koji će im omogućiti da bolјe iskoriste prednosti mašinskog učenja, onda ne samo da prodajete proizvod, već i dodajete tonu vrednosti njihovom poslovanju. – Sarah Knapp, Spruce Technology
-
Prilagođavanje samo jednoj strategiji
Većina prodajnih lidera ima preferirani stil koji je donosio uspeh u prošlosti. U žurbi da postanu „fintech“, „tech-savvy“ ili „digitalno vođena“ kompanija, vođe prodaje imaju tendenciju da daju ili pregledaju podatke koji podržavaju samo taj lični stil. Usporite i potražite mišlјenje od pouzdanog kolege koji se ne bavi prodajom. Svi želimo da učimo od nekoga pametnijeg od nas – samo ne želimo da se zbog toga osećamo glupo. – Sundance Brennan, Sales Grammar
-
Nenamerno stvaranje pristrasnosti
Prodaja se odnosi samo na lјude. Radi se o izgradnji poverenja i odnosa sa njima. Svaki pojedinac je drugačiji, i trebao bi da bude i proces prodaje. Iako je dobro da se iskoristi mašinsko učenje kad god je to moguće, jedan zajednički problem u ovom procesu je to što mašinsko učenje može da stvori pristrasnosti i zato može da utiče na personalizovano iskustvo koje treba da se nastoji da se postigne za svakog kupca. – Hitesh Wadhwa, Tech Mahindra
-
Zaboravlјanje na osnovne korisnike
Jedna od uobičajenih grešaka vođa prodaje kada pokušavaju da primene mašinsko učenje u prodajni proces je zaboravlјanje na lјude koji kupuju vaše proizvode ili usluge. Veštačka inteligencija i mašinsko učenje mogu da budu zaista frustrirajući iz perspektive korisnika. Omogućite vašim klijentima „izlaz“ iz robotskih poruka. – Lauren Mieli, Prudent Pet Insurance
-
Nerazumevanje praktične primene prodaje
Lideri u prodaji možda neće uvek da budu ti koji obavlјaju svakodnevne, prve poslove. Zato, kada primene mašinsko učenje ili bilo koju vrstu tehnologije za njihov prodajni tim, to često može da izgleda neverovatno na papiru, ali ne funkcioniše u stvarnom životu. Zašto? Jednostavno rečeno, oni nisu dovolјno u rovovima i možda su izgubili neki uvid u to kako se zapravo odvijaju prodajni poslovi, oslanjajući se samo na ono što su čuli. – David Strausser, Vision33
-
Požurivanje procesa
Za implementaciju novih prodajnih metodologija potrebno je vreme. Od suštinskog je značaja da se osigura da oni koji svakodnevno koriste nove prakse mašinskog učenja dobiju dovolјno vremena da razviju nove veštine potrebne za efikasnu upotrebu novih prodajnih metodologija. – Ashu Goel, WinWire
-
Skrivanje iza tehnologije
Čini se da je tendencija da mašinsko učenje i automatizacija postanu nešto iza čega se možete sakriti, romantična ideja organizacije koja i sama radi na veštačkoj inteligenciji. Većina preduzeća zaboravlјa da botovi ne mogu da izgrade poverenje i ne mogu da imaju jake odnose. Tehnika može da pomogne predstavnicima da izgrade odnose i bolјe razumeju klijente, ali ih neće zameniti u složenoj prodaji. – Daniel Berger, Intersection Capital
-
Pod pretpostavkom da tehnologija može da reši sve
Ponekad lјudi misle da tehnologija rešava sve. Tehnologija treba da služi lјudima, a ne obrnuto. Stoga je komunikacija klјučna; puzati, hodati pa trčati. Ne pretpostavlјajte ništa jer lјudi imaju različite nivoe izloženosti promenama i na različitim nivoima zadržavanja. – Wayne Elsey, The Funds2Orgs Group