in

როდის უნდა დაეფუძნოს გაყიდვების მიმართულების გადაწყვეტილება ანალიტიკას

AI-ზე დაფუძნებული სისტემა ტექნოლოგიური კომპანიის გამყიდველს აწვდის იდეას, რომ რომლითაც საშუალო ბიზნესი შეიძლება იყოს დაინტერესებული ღრუბლოვანი სერვისების შეძენით. ფინანსური მომსახურების გაყიდვების მენეჯერი იღებს LinkedIn-ის მიერ გენერირებულ სიას რეკრუტირებისთვის. ფარმაცევტული კომპანიის გაყიდვების ხელმძღვანელი რეკომენდაციას იღებს შიდა პროექტის გუნდისგან, რომ გაყიდვების გუნდი შეამციროს. ისმის კითხვა, რამდენად უნდა დავეყრდნოთ მონაცემებზე დაფუძნებულ დასკვნებს?

სირთულე ბევრია. მონაცემთა სიზუსტე შეიძლება იყოს მაღალი ან დაბალი. მოდელები, რომლებიც მონაცემებს ინსაითებად აქცევს, შეიძლება განსხვავდებოდეს ხარისხით. ზოგიერთ გადაწყვეტილებაში შეცდომებს შეიძლება მოჰყვეს მსუბუქი შედეგები. სხვა შემთხვევებში კი, გადაწყვეტილებები გავლენას შეიძლება ახდენდეს ბევრ ადამიანზე და გრძელვადიანად.

დღეს, გაყიდვების ეფექტური გადაწყვეტილების მიღება გულისხმობს იმის აღქმას, თუ როდის და როგორ ჩართოთ ან უარვყოთ მონაცემების საფუძველზე მიღებული შეხედულებები. ვფიქრობთ, ამ ორ კითხვაზე პასუხები დაგეხმარებათ: რამდენად მაღალია გადაწყვეტილების რისკი? რამდენად სანდოა მონაცემებზე ორიენტირებული ინსაითი?

მაღალრისკიანია ის გადაწყვეტილებები, რომლებსაც აქვთ ფართო და ხანგრძლივი გავლენა. არასწორი გადაწყვეტილება იწვევს მნიშვნელოვან ზარალს და ძნელია მისი შედეგების შემოტრიალება. დაბალი რისკის მქონე არასწორ გადაწყვეტილებებს აქვს მცირე მინუსი და უფრო ადვილია სიტუაციის შებრუნება. პროდუქტის შესყიდვის შეთავაზება მომხმარებელს შეიძლება ხელახლა გადაიხედოს, თუ ის არ მუშაობს ეფექტურად.

მონაცემებზე ორიენტირებული გადაწყვეტილებების სანდოობა დამოკიდებულია მონაცემებსა და იმ მოდელზე, რომელიც ამ მონაცემებს ამუშავებს, დასკვნების გასაკეთებლად.

როდესაც ბონუსის კალკულატორი აფასებს გაყიდვების სპეციალისტის ანაზღაურებას, პასუხს (ძირითადად) შეიძლება დაეყრდნოთ. როდესაც გაყიდვების მენეჯერი იყენებს გენერაციულ AI სისტემას შეხვედრის შეჯამებისთვის, შედეგი სავარაუდოდ კარგი იქნება. ეს არის ის სიტუაციები, სადაც გადაწყვეტილების მიღება მაღალი საიმედოობით გამოირჩევა. მაგრამ რა ხდება სიტუაციებში სადაც რისკი მაღალია და მოდელი – ნაკლებად საიმედო? AI-ზე დაფუძნებული მოდელი აფასებს LinkedIn-ის კანდიდატის პროფილებს გაყიდვების სამუშაოებისთვის. მოდელის ხედვა ეფექტურია, მაგრამ სანდოობა ზომიერია, რადგან LinkedIn-ის პროფილები წარმოადგენენ კანდიდატების მიკერძოებულ და არასრულყოფილ სუბიექტურ სურათს.

როდესაც AI-ზე დაფუძნებული სისტემა ურჩევს გაყიდვების მენეჯერს, როგორ მოიქცეს მომხმარებელთან შემდეგ ჯერზე, მოდელის რჩევა საჭიროებს შემოწმებასა და ზედამხედველობას რეკომენდაციის მიღებამდე, ან განხორციელებამდე. ეს იმიტომ ხდება, რომ მონაცემები, რომლებზეც ასეთი მოდელებია დაფუძნებული, არასოდეს არის სრული და ძირითადად, წარსულიდან მომდინარეობს.

გონივრულად მიგაჩნიათ ინსაითი? გამოიყენეთ თქვენი გამოცდილება და გარე საორიენტაციო ცოდნა, რათა დარწმუნდეთ, რომ ინსაითი გონივრულია. მაგალითად, თუ მონაცემებსა და მოდელებზე დაფუძნებული ანალიზი გეუბნებათ, რომ გააორმაგებთ თქვენი გაყიდვების გუნდს 300 ადამიანამდე, შეგიძლიათ შეაფასოთ გონივრულობა იმაზე ფიქრით, როგორია მსგავსი მასშტაბის კონკურენტებთან გაყიდვების გუნდის ზომა.

გამოიკვლიეთ, შესაძლებელია თუ არა რეკომენდაციის ახსნა

გაყიდვის შესაძლებლობის შესახებ რეკომენდაცია უფრო დამაჯერებელია, როცა მოდელი იძლევა ახსნას, თუ როგორ მივიდა დასკვნამდე – მაგალითად, „რადგან ერთსა და იმავე ინდუსტრიაში, მსგავსი კალიბრის კომპანიები ხშირად იღებდნენ ამ შედეგს, ესაა გამოსავალი“. გაყიდვების გუნდის ზომისა და სტრუქტურის რეკომენდაცია, რომელიც გენერირებულია ხელოვნური ინტელექტის დახმარებით, უფრო სარწმუნოა, როდესაც პროექტის გუნდი დეტალურად განიხილავს AI-ის წინადადებას და გუნდიც მხარს უჭერს მის რეკომენდაციას არგუმენტირებულად.

დაინტერესდით მონაცემთა ხარისხით

არის თუ არა მონაცემები შესაბამისი, ზუსტი, სრული და დროული? თუ რეკომენდაციები დაქირავების შესახებ, მოდის LinkedIn-ის პროფილებიდან, თავადაც გეცოდინებათ, რომ მონაცემები შეიძლება იყოს არასწორი/არასრული. მეორე მხრივ, თუ ალგორითმი იკვლევს გაყიდვების მენეჯერის მარშრუტს, რომ მოიცვას რამდენიმე მომხმარებელი დღეში, როგორც წესი, ძირითადი მონაცემები (GPS მდებარეობა, მოძრაობის პირობები და მომხმარებელთა დანიშვნის გრაფიკი) ზუსტი და დროულია. მონაცემთა დროულობა არის მთავარი ასპექტი. როდესაც მონაცემები ძირითადად რეტროსპექტიულია, თქვენ უნდა შეაფასოთ, ვრცელდება თუ არა რეკომენდაცია პერსპექტივაში. დროული წყაროები მოიცავს CRM მონაცემებს, კლიენტებთან ურთიერთობის მონაცემებს, ბაზრის დაზვერვასა და სოციალური მედიის მონიტორინგს.

მონაცემებზე დაფუძნებული გადაწყვეტილების მიღება არ არის მხოლოდ მონაცემებისა და მოდელების გამოყენება თქვენი პრიორიტეტების დადასტურებისთვის. სინამდვილეში, კონტრპროდუქტიულია შერჩევითად მოძებნოთ მონაცემები, რომლებიც მხარს უჭერს თქვენს არსებულ შეხედულებებს, და უგულვებელჰყოფდეს ურთიერთსაწინააღმდეგო ინფორმაციას. მიკერძოებული გადაწყვეტილების მიღების რისკების შერბილება გულისხმობს არაინტუიციური შეხედულებების მნიშვნელობის ხაზგასმას, ასევე, თქვენი გამოცდილების დაგროვებას მონაცემებზე ორიენტირებულ მიდგომებში. AI-ზე დაფუძნებული სარეკომენდაციო სისტემების გაყიდვების მენეჯერებთან დანერგვისას ხშირად ჩანს, რომ ორი წლის განმავლობაში რეკომენდაციების მიღების მაჩვენებელი 40%-დან 80%-მდე იზრდება. მოდელები უმჯობესდება და მომხმარებლები უფრო პროფესიონალურად იქცევიან. მოდელის შეხედულებებისა და განსჯის გონივრული კომბინაცია უკეთესი იქნება, ვიდრე რომელიმე ერთის არჩევა ამ სწრაფად ცვალებად ციფრულ ეპოქაში.

წყარო: HBR



სმარტ აკადემიისა და Veli ბიზნესის კოლაბორაცია — რას გვთავაზობენ  საახალწლოდ?

როგორ იქცა Godox ფოტოგრაფებისა და ვიდეოგრაფების საყვარელ აქსესუარად