Yapay Zeka ile Müşteri Adayı Nitelendirme ve Yönlendirme Kontrol Listesi: Çoğu Ekibin Atladığı 12 Şey (ve Yapay Zekaları Neden Tıkanıyor)

Çoğu yapay zeka müşteri adayı nitelendirme ve yönlendirme projesi, model zayıf olduğu için tıkanmaz. Modelin etrafındaki iş akışı hiç yeniden tasarlanmadığı için tıkanır; böylece yapay zeka kirli veriyi, tanımlanmamış bir yanıt SLA'sını, eskalasyon kuralının olmamasını ve bir sahibinin olmamasını miras alır. On iki şey, yapay zeka nitelendirmesinin gerçekten sonuç verip vermeyeceğini belirler ve tedarikçi blogları bunların neredeyse hepsini "puanı şöyle yapılandırırsınız" anlatımı uğruna atlar. Bu, 12 maddenin alıcıya dönük bir denetimidir: etkileyici istatistikleri yakalayan bir sistemi, Gartner'ın "değer tavanı" dediği noktaya çarpıp sessizce beklentinin altında kalan bir sistemden ayıran veri hijyeni, kazanma kaybetme senkronizasyonu, yönlendirme adaleti, eskalasyon tetikleyicileri ve SLA hesap verebilirliği. Satın almadan önce listeyi adım adım gözden geçirin; o zaman yapay zekanızın tıkanmadan önce neden tıkanacağını tam olarak bileceksiniz.

Bunu sizin için biz tasarlayıp yürütelim isterseniz, yapay zeka satış ajanlarını nasıl çalıştırdığımıza bakın. Aşağıdaki her şey her iki durumda da sizindir ve ister HubSpot'ta, ister Salesforce'ta, ister özel bir yığında kurun aynı şekilde işler.

Yapay zeka müşteri adayı nitelendirmesi en başta neden tıkanır?

Dürüst yanıt, size yapay zekayı satması gereken analistlerden geliyor. Gartner, 2028'e kadar yapay zeka ajanlarının insan satıcılardan 10 kat fazla olacağını öngörüyor ve aynı nefeste, satıcıların yüzde 40'ından azının bu ajanların üretkenliklerini artırdığını bildireceği konusunda uyarıyor. Başkan yardımcısı analistleri Melissa Hilbert bunu açıkça ifade etti: "Yapay zeka ajanları her yerde, ama bir değer tavanı var. Belli bir noktanın ötesinde, daha fazla yapay zeka daha fazla üretkenlik anlamına gelmiyor." Bu cümle bir itiraftır. Çoğu ekip daha fazla bot satın alır ve daha az getiri elde eder, çünkü botun etrafındaki iş hiç değişmemiştir.

McKinsey, gelir tarafından aynı şeyi söylüyor. Üretken yapay zekanın EBIT etkisini neyin yönlendirdiğine dair test ettiği tüm özellikler arasında, iş akışı yeniden tasarımı en büyük tekil etkiye sahipti; modelden, kullanım durumundan veya bütçeden daha büyük. Ticari sistemi ölçeklenmiş yapay zeka etrafında yeniden inşa eden kazananlar öne geçiyor: pazar liderlerinin yüzde 60'ı çift haneli gelir büyümesi bildirirken geride kalanlarda bu oran yüzde 21; ve yüzde 90'ı satış etkinliğinde iyileşme bildirirken emsallerinin kabaca yarısı bunu bildiriyor. Bir inşaat şirketi, hunin üst kısmında müşteri adayı üretimi için ajan tabanlı yapay zeka kullanarak erişim hacmini 25 katına çıkardı, ama bu bir araç lisanslamaktan değil, hunin yeniden tasarlanmasından geldi.

Yani değer tavanı bir donanım sınırı değildir. Yapay zekayı değişmemiş bir sürecin üzerine cıvatalamanın getiri sağlamayı bıraktığı noktadır. Aşağıdaki 12 madde, bir denetim olarak ifade edilmiş yeniden tasarım çalışmasıdır.

Bir bakışta 12 maddelik denetim

İşte kontrol listesinin tamamı. Makalenin geri kalanı her maddeyi, iyi neye benzediğini ve onu atlamanın yapay zekayı neden tıkattığını tek tek işliyor.

1 ve 2. maddeler: puanlama veriniz temiz mi ve kazanma kaybetme geri senkronize oluyor mu?

Tahmine dayalı müşteri adayı puanlaması makine öğrenmesidir ve makine öğrenmesi ancak eğitim verisi kadar iyidir. Yapay zeka müşteri adayı puanlama modelleri, firmografik, demografik, davranışsal ve ürün kullanım verinizi sindirerek iyi bir müşteri adayının nasıl göründüğünü öğrenir, sonra yeni müşteri adaylarını satın alma olasılığına göre sıralamak için kazanılan fırsat geçmişiniz üzerinde eğitilir. HubSpot, başarısızlık biçimi konusunda açık sözlü: "Salesforce'ta kapatıyor ama kazanılan/kaybedileni geri senkronize etmiyorsanız, model eksik bir resim üzerinde eğitilir." Yanlış bir puan, hiç puan olmamasından daha kötüdür, çünkü güvenle yanlış yöne yönlendirir.

Yani 1. madde veri hijyenidir. Fırsat aşamalarınız tutarlı mı, "kazanıldı" ve "kaybedildi" ekip genelinde aynı şekilde mi tanımlanıyor ve geçmiş, öğrenilecek kadar eksiksiz mi? 2. madde senkronizasyondur: fırsatları gerçekten nerede kapatıyorsanız, sonucu modelin eğitildiği yere geri yazmalı. Bu, neredeyse herkesin üstünden geçtiği ön koşuldur ve puanın sessizce bozulmasının en yaygın nedenidir. Bu kontrol listesinden başka hiçbir şey almasanız da, önce bu ikisini denetleyin.

İşe yarar bir test: yakın zamanda kapanmış 20 fırsatı çekin ve her birinin kazanılan ya da kaybedilen sonucunun, kapanma nedeninin ve son sahibinin yapay zekanın okuduğu sistemde eksiksiz ve tutarlı olup olmadığını kontrol edin. Birkaçı bile eksik veya çelişkiliyse, puanınız gürültü üzerinde eğitiliyor demektir.

3 ve 4. maddeler: uyum ve etkileşim ayrı ayrı mı puanlanıyor ve müşteri adayı önce zenginleştiriliyor mu?

En güçlü puanlama modelleri iki puanı ayrı tutar. Bir uyum puanı, müşteri adayının ideal müşteri profilinize ne kadar iyi uyduğunu ölçer: sektör, şirket büyüklüğü, rol. Bir etkileşim puanı ise davranışsal niyeti ölçer: sizinle ne sıklıkta ve ne kadar yakın zamanda etkileşime girdiklerini. Bunları tek bir sayıya çökertmek klasik hatadır, çünkü henüz etkileşime girmemiş yüksek uyumlu bir müşteri adayının beslenmeye ihtiyacı vardır, çok aktif olan düşük uyumlu bir müşteri adayının ise kibar bir filtreye ihtiyacı vardır ve tek bir harmanlanmış puan her iki durumu da gizler.

Uyum - etkileşim matrisi, yönlendirmeyi akıllı yapan şeydir: yüksek uyum ve yüksek etkileşim, dakikalar içinde doğrudan bir temsilciye ya da bir yapay zeka SDR'ına gider; yüksek uyum ama düşük etkileşim beslemeye gider; düşük uyum, aktiviteden bağımsız olarak önceliği düşürülür. Bu mantığı tek bir puan üzerine kuramazsınız.

1. madde, 3. maddenin ön koşuludur. Firmografikler eksikse uyumu puanlayamazsınız, bu yüzden zenginleştirmenin puanlamadan önce çalışması gerekir. Bir ad ve e-posta yakalayan bir form, ideal müşteri profili uyumunu değerlendirmeye yetmez. Önce kaydı şirket büyüklüğü, sektör ve rolle zenginleştirin, sonra puanlayın, sonra yönlendirin. Zenginleştirme adımını atlarsanız uyum puanınız çoğunlukla tahminden ibarettir.

Kendiniz mi yürütmeyi tercih edersiniz? Yapay Zeka Ajanları Kiralayabilir ve daha bugün birini işe koyabilirsiniz.

5 ve 6. maddeler: kimlik yinelenenlerden arındırıldı mı ve yönlendirme gerçekten adil mi?

1. madde yinelenen kayıt temizliği ve kimlik çözümlemesidir. Bir alıcı iki form doldurur ve üçüncü bir e-postadan bir teknik doküman indirirse, bir şey onları birleştirmediği sürece bu üç kayıttır. Yinelenenler etkileşim sinyalini böler, müşteri adayını iki kez yönlendirir ve iki temsilcinin aynı kişiyi kovalamasına yol açar. Herhangi bir puanlamadan veya yönlendirmeden önce, bir insan tek bir kayda eşlenmeli. Bu, sistemin geri kalanının doğruyu söyleyip söylemeyeceğini belirleyen gösterişsiz tesisattır.

2. madde yönlendirme adaletidir ve göründüğünden daha politiktir. Sıralı dağıtım, bölge kuralları ve kapasite ağırlıklandırmasının hepsinin güncel ve gerçekten adil olması gerekir, yoksa temsilciler sisteme güvenmeyi bırakır ve onun dışında seçmece yapmaya başlar. Tedarikçi bloglarının asla bahsetmediği yaygın başarısızlık biçimleri:

• Tatildeki bir temsilcinin hâlâ sıralı dağıtımda olması, böylece müşteri adaylarının onun kuyruğunda çürümesi.
• İki yeniden yapılanma önce yazılmış, yanlış bölgeye yönlendiren bölge kuralları.
• Kapasite sınırının olmaması, böylece en iyi temsilcinizin altında ezilirken diğerlerinin boş oturması.
• Yüksek değerli bir hesabın, adı belirli hesap sahibine değil sıralı dağıtımla yönlendirilmesi.

Yönlendirme adaleti, kimin müsait olduğunu, hangi hesapların kime ait olduğunu ve kimin daha fazla iş alacak yeri olduğunu izlemek zorunda olan yaşayan bir kurallar dizisidir. Temsilciler yönlendirmenin hileli ya da bayatlamış olduğuna inanırsa, onu atlayarak yönlendirir ve temiz veriniz yeniden çürümeye başlar.

7 ve 8. maddeler: yazılı bir yanıt SLA'sı var mı ve kaçırmanın sahibi kim?

Hız, bunu yapmanın bütün sebebidir. 15.000'den fazla müşteri adayını analiz eden temel MIT araştırması, bir müşteri adayıyla 30 dakika yerine 5 dakika içinde iletişime geçmenin sizi iletişim kurma olasılığında 100 kat ve onu nitelendirme olasılığında 21 kat daha yüksek yaptığını buldu. HBR'nin 2.241 şirket üzerindeki analizi, bir saat içinde yanıt veren firmaların, yalnızca bir saat daha bekleyenlere kıyasla bir müşteri adayını nitelendirme olasılığının neredeyse 7 kat daha yüksek olduğunu buldu. Yine de ortalama bir B2B şirketi, yeni bir gelen müşteri adayına yanıt vermek için hâlâ yaklaşık 42 saat sürüyor. O 42 saatlik boşluk, yapay zekanın kapatmak için var olduğu fırsattır.

1. madde yazılı bir SLA'dır: yapay zekanın karşılamak üzere kurulduğu belirli bir müşteri adayına hız hedefi (yüksek öncelikli müşteri adayları için beş dakika, peşine düşmeye değer standarttır). Bir sayı olmadan, "hızlı" yeniden 42 saate doğru kayar.

2. madde, neredeyse herkesin unuttuğu maddedir: SLA için adı belirli bir sahip. Beş dakikalık hedef gece 2'de bozulduğunda ya da bir yönlendirme kuralı sıcak bir müşteri adayını ölü bir kuyruğa gönderdiğinde, birinin kaçırmanın sahibi olması, uyarıyı görmesi ve kuralı düzeltmesi gerekir. Sahibi olmayan bir SLA bir dilektir. Lansman heyecanı sönüp gittikten sonra sistemi dürüst tutan şey hesap verebilirliktir ve tedarikçi bloglarının alıcının tek başına çözmesine bıraktığı operasyonel sahiplik de tam olarak budur.

9 ve 10. maddeler: davranışsal tetikleyiciler canlı olarak yeniden yönlendiriyor mu ve yapay zeka emin olmadığında ne olur?

1. madde davranışsal tetikleyicilerdir. Puanlama, form doldurulduğunda vurulan tek seferlik bir damga değildir. Geri dönen, fiyatlandırma sayfasını açan ve bir demo ayırtan bir müşteri adayı, gerçek zamanlı olarak yeniden puanlanmalı ve yeniden yönlendirilmeli, beslemeden "şimdi iletişime geç"e yükselmeli. Puanlarınız statikse, niyetin yükseldiği anı, yani hızın en çok önem taşıdığı anı kaçırırsınız. Uyum ve etkileşim modeli, ancak etkileşim canlı olduğunda hakkını verir.

2. madde insana eskalasyon kuralıdır ve her yapay zeka nitelendirme kurulumunun en az belirtilmiş tekil parçasıdır. Kurumsal desen artık iki katmanlıdır: tahmine dayalı bir katman puanlar ve nitelendirir, ajan tabanlı bir katman ise harekete geçerek kişiselleştirilmiş erişim gönderir, toplantıyı ayırtır ve kaydı günceller; insanlar ise istisnaları ve ilişkileri ele alır. "İstisnalar" kelimesi çok iş görüyor. Yapay zekanın tam olarak ne zaman bir insana devrettiğini yazılı olarak tanımlamalısınız:

• Düşük güvenilirlik. Puan belirsiz ya da veri yetersizdir. Tahmin etmek yerine eskale edin.
• Yüksek değer ya da stratejik. Büyük bir hesap ya da adı belirli bir hedef, puandan bağımsız olarak bir bot değil bir insan alır.
• Kapsam dışı. Müşteri adayı, ajanın ele almak için kurulmadığı bir şey sorar.
• Olumsuz ya da hassas sinyaller. Şikayetler, hukuki sorular ya da insan yargısı gerektiren her şey.

Bu kural olmadan, yapay zeka ya eskale etmesi gereken durumlarda fazla harekete geçer ve güveni aşındırır, ya da bir insan darboğazı her şeyi yutar ve hız avantajını öldürür. Eskalasyon yolu, "puanla, nitelendir, yönlendir, etkileşime gir" akışının güveni ya kazandığı ya da kaybettiği yerdir.

11 ve 12. maddeler: her eylem geri yazılıyor mu ve tüm döngünün sahibi kim?

1. madde eksiksiz CRM geri yazımıdır. Her puan, her yönlendirme kararı, her yapay zeka erişimi ve yanıtı bağlamıyla birlikte kayda inmeli ki bir sonraki kişi (ya da bir sonraki ajan) tüm geçmişi görsün. Yapay zeka bir toplantı ayırtır ama nedenini kaydetmezse, temsilci içeriye kör girer ve alıcı bir makine tarafından idare edilmiş gibi hisseder. Geri yazım aynı zamanda 2. maddeyi besleyen şeydir: bugünün sonuçları yarının eğitim verisi olur. Harekete geçen ama kaydetmeyen bir sistem, öğrenme döngüsünü ve insan devir teslimini aynı anda bozar.

2. madde, diğer on biri birbirine bağlayan maddedir: ölçülmüş bir başlangıç değeri ve tüm iş akışı için adı belirli bir sahip. Lansmandan önce mevcut müşteri adayına hızınızı, nitelendirme oranınızı ve dönüşümünüzü kaydedin ki yapay zekanın bunları kımıldattığını kanıtlayabilesiniz. Gartner'ın kendi doğru-dağıt rehberi şudur: başarı metriklerini yeniden tanımlayın, pilot yapın ve iyileştirin, ölçeklendirmeden önce veri kalitesine ve sürece öncelik verin, etkinleştirmeye yatırım yapın ve alıcı deneyimini iyileştirin. Bunların hiçbiri, sayıları izleyen ve kuralları güncel tutan bir sahip olmadan gerçekleşmez. İş akışı bir lansman değil, yaşayan bir sistemdir.

Bu, yeniden tasarlanmış tek bir iş akışı olarak neye benzer?

12 maddeyi sıraya koyun ve McKinsey ile Gartner'ın işaret ettiği yeniden tasarımı elde edersiniz. Bir müşteri adayı gelir. Zenginleştirilir (4) ve yinelenenlerden arındırılır (5), tek bir temiz kayda dönüşür. Uyum ve etkileşim ayrı ayrı puanlanır (3); bunun için temiz kazanılan fırsat verisi (1) üzerinde eğitilmiş ve kazanma kaybetme senkronizasyonuyla (2) güncel tutulan bir model kullanılır. Adil bir yönlendirme kuralı (6), onu doğru temsilciye ya da bir yapay zeka SDR'ına, adı belirli bir sahibin (8) izlediği yazılı bir SLA'ya (7) karşı gönderir. Davranışsal tetikleyiciler (9), niyet değiştikçe onu canlı olarak yeniden yönlendirir ve bir insana eskalasyon kuralı (10), yapay zekanın tek başına ele almaması gereken durumları yakalar. Her eylem CRM'e geri yazılır (11) ve tüm döngünün bir başlangıç değeri ve bir sahibi (12) vardır ki işe yaradığını kanıtlayabilir ve işler tutabilirsiniz.

İşte bir puanlama aracı satın almak ile nitelendir-yönlendir-yanıtla iş akışını yeniden tasarlamak arasındaki fark budur. Araç size bir sayı verir. Yeniden tasarlanmış iş akışı, modelin güvenebileceği veri üzerinde, tutarlı bir şekilde, 7/24, 5 dakikalık yanıtı size verir. Aynı zamanda çoğu kendi kendine hizmet veren yapay zeka müşteri adayı aracının beklentinin altında kalmasının dürüst sebebidir: size puanı verir ve 12 maddenin tamamını size bırakır.

Yapay zeka müşteri adayı yönlendirmesini değer tavanına gönderen yaygın hatalar

Yapay zeka nitelendirmeniz tıkandıysa, neredeyse her zaman bunlardan biridir ve her biri yukarıdaki bir maddeye karşılık gelir:

• Veriyi denetlemeden puana güvenmek. Kirli kazanılan fırsat verisi üzerinde güvenli bir puan, güvenle yanlış yere yönlendirir (1 ve 2. maddeler).
• Tek bir harmanlanmış puan. Uyumu ve etkileşimi çökertmek, beslemeye ihtiyaç duyan müşteri adaylarını ve filtreye ihtiyaç duyanları gizler (3. madde).
• Eskalasyon kuralının olmaması. Yapay zeka ya hassas durumları fazla otomatikleştirir ya da bir insan kuyruğu hız avantajını yer (10. madde).
• Kimsenin sahip olmadığı bir SLA. Beş dakikalık hedef geceleyin sessizce bozulur ve haftalarca kimse fark etmez (7 ve 8. maddeler).
• Bayat yönlendirme. Tatildeki temsilciler, eski bölgeler ve sınırsız kapasite, adaleti ve güveni sessizce zehirler (6. madde).
• Kaydetmeden harekete geçmek. Toplantılar ayırtılır ama kaydedilmez, böylece temsilciler kör uçar ve model öğrenmeyi bırakır (11. madde).
• İş akışını yeniden tasarlamak yerine bir araç satın almak. Yukarıdakilerin hepsinin kök nedeni ve analistlerin tam olarak uyardığı şey.

Desen tutarlıdır. Başarısız olan nadiren modeldir. Etrafındaki iş akışı hiç inşa edilmemiştir ve değer tavanı, yeniden tasarlanmamış bir sürecin yer bittiği noktadır.

Bütçe ayırmadan önce bu kontrol listesini nasıl kullanırım?

Onu bir dilek listesi olarak değil, bir denetim olarak yürütün. Madde madde ilerleyin ve her birini yerinde, kısmi ya da eksik olarak işaretleyin. Dürüst olun ve işi bugün nasıl çalıştığıyla derecelendirin, nasıl çalışmasını umduğunuzla değil. Eksik ve kısmi maddeleriniz gerçek proje kapsamınızdır ve bunlar neredeyse her zaman gösterişsiz beşlidir: veri hijyeni, kazanma kaybetme senkronizasyonu, yinelenen kayıt temizliği, SLA sahibi ve eskalasyon kuralı. Hangi puanlama tedarikçisini seçtiğinizden çok daha fazla, sonucu bunlar belirler.

Maddelerin çoğu yeşilse, yapay zeka nitelendirme ve yönlendirme dağıtmaya hazırsınız ve araştırmanın tarif ettiği hız avantajını yakalamasını beklemelisiniz. Veri ve sahiplik maddeleri kırmızıysa, önce onları düzeltin, çünkü bunların üzerine dağıtım yapmak, ekiplerin asla bir üretkenlik kazancı görmeyen yüzde 40'tan-az gruba katılma biçiminin ta kendisidir. Tek bir temiz segmentte dar başlayın, başlangıç değerinin kımıldadığını kanıtlayın, sonra genişletin.

Bu kontrol listesi, değer tavanının bir sürpriz olmaktan çıkması için var. Onu aşan ekipler en iyi modele sahip olanlar değildir. 12 maddenin hepsini yapanlardır. Veri hijyenini, yönlendirme adaletini, eskalasyon mantığını ve SLA hesap verebilirliğini kendiniz bir araya getirmemeyi tercih ederseniz, tüm iş akışını işinizin içinde biz planlar, kurar ve çalıştırırız. Ücretsiz bir danışma görüşmesi ayırtın; bu 12 maddeyi gerçek yığınınızla birlikte adım adım gözden geçirelim.