Cuándo la analítica debería impulsar las decisiones de ventas y cuándo no
Por Prabhakant Sinha, Arun Shastri, y Sally E. Lorimer
Ventas Y Marketing
Harvard Business Review
#Doxa #analítica #decisión #ventas #marketing #datos #empresa
Resumen. A medida que la IA prolifera, las empresas la utilizan para ofrecer recomendaciones basadas en datos sobre una amplia gama de actividades, desde a quién contratar hasta qué producto debería recomendar un vendedor a los clientes. Cuánto depender de estas recomendaciones basadas en datos debería depender de dos preguntas: ¿Qué tan importantes son las decisiones en juego? ¿Y qué tan confiable es la información basada en datos?
Un sistema basado en inteligencia artificial le sugiere a un vendedor de una empresa de tecnología que una empresa mediana podría estar interesada en comprar servicios en la nube. Un gerente de ventas de una empresa de servicios financieros obtiene una lista generada en LinkedIn de posibles empleados para cubrir una vacante. Un líder de ventas de una empresa farmacéutica recibe una recomendación de un equipo de proyecto interno para reducir el tamaño de su fuerza de ventas en varios cientos de vendedores.
A medida que los conocimientos y recomendaciones basados en datos como estos se vuelven omnipresentes en las ventas, también lo hace la pregunta: "¿Cuánto deberíamos confiar en los conocimientos basados en datos?"
Hay muchas complicaciones. La precisión y la integridad de los datos pueden ser altas o bajas. Los modelos que convierten datos en conocimientos pueden variar en calidad. Los errores en algunas decisiones pueden tener consecuencias leves. Otras decisiones afectan a muchas personas y tienen un impacto a largo plazo.
Hoy en día, la toma de decisiones de ventas eficaz consiste en tener una idea de cuándo y cómo adoptar, incorporar o rechazar conocimientos basados en datos. Las respuestas a dos preguntas pueden ayudar:
- ¿Qué tan altas son las decisiones en juego?
- ¿Qué tan confiable es la información basada en datos?
La variedad de decisiones en juego y la confiabilidad de los conocimientos basados en datos
Las decisiones de alto riesgo son aquellas que tienen un impacto amplio y duradero. Una mala decisión de alto riesgo conduce a una pérdida significativa y es difícil de revertir. Los ejemplos incluyen decidir qué canales utilizar para un nuevo producto, diseñar un plan de incentivos y desarrollar el perfil de contratación para un nuevo equipo de cuentas clave. Las malas decisiones de bajo riesgo tienen un pequeño inconveniente y son más fáciles de revertir. La sugerencia de compra de un producto de un vendedor a un cliente se puede revisar si no funciona.
La confiabilidad de las decisiones basadas en datos depende de los datos y del modelo que los procesa para producir conocimientos. Considere una variedad de ejemplos que ilustran cómo las decisiones en juego y la confiabilidad del modelo influyen en la forma en que los equipos de ventas utilizan los conocimientos.
Cuando una calculadora de pagos de incentivos estima el pago de incentivos de un vendedor, se puede (en gran medida) confiar en la respuesta. Cuando un gerente de ventas utiliza un sistema de inteligencia artificial generativo para ayudar a resumir una reunión, es probable que el resultado sea un buen comienzo. Estas son situaciones con riesgos de decisión modestos y alta confiabilidad del modelo.
Pero, ¿qué sucede en situaciones con mayores riesgos o menor confiabilidad del modelo? Un modelo basado en inteligencia artificial califica los perfiles de candidatos de LinkedIn para trabajos de ventas. La información del modelo es útil, pero la confiabilidad es moderada porque los perfiles de LinkedIn presentan una imagen de los candidatos elaborada por ellos mismos que es sesgada e incompleta.
Cuando un sistema basado en IA aconseja a un vendedor sobre qué hacer a continuación con un cliente, el consejo del modelo requiere escrutinio y supervisión antes de aceptar, rechazar o modificar la recomendación antes de implementarla. Esto se debe a que los datos en los que se basan dichos modelos nunca son completos y en su mayoría se refieren al pasado.
Consideremos ahora un ejemplo aún más complejo. Un modelo produce una recomendación de tamaño y estructura para la fuerza de ventas, una decisión que tiene un impacto duradero y será difícil de revertir rápidamente. Los datos de entrada del modelo, como las estimaciones del potencial de clientes, son imprecisos. Los escenarios futuros también son inciertos. Hay mucho en juego y la confiabilidad del modelo es buena, pero no perfecta. El modelo proporciona información, pero la supervisión y el juicio desempeñarán papeles importantes.
Juzgar la confiabilidad de los conocimientos basados en datos
Varias estrategias pueden ayudarle a evaluar la confiabilidad de los conocimientos basados en datos, lo que a su vez determinará cuánta atención debe prestarles.
Utilice la prueba de olfateo.
¿La idea parece razonable? Utilice su experiencia y puntos de referencia externos para asegurarse de que la información parezca sensata. Por ejemplo, si un análisis basado en datos y modelos sugiere que usted duplique el tamaño de su equipo de ventas a 300 personas, puede evaluar la razonabilidad reflexionando sobre si competidores de escala similar tienen fuerzas de ventas en este rango de tamaño.
Investiga si la recomendación se puede explicar.
La recomendación sobre una oportunidad de venta cruzada en la nube es más convincente si el modelo también proporciona una explicación de cómo llegó a la conclusión; por ejemplo, "porque empresas de la misma industria, de tamaño similar y en situaciones comparables han adoptado con frecuencia esta oportunidad". solución." Una recomendación sobre el tamaño y la estructura de la fuerza de ventas hecha con la ayuda de la IA es más creíble cuando el equipo del proyecto deja en claro que está analizando la sugerencia de la IA y el equipo respalda su recomendación con detalles que muestran cómo el nuevo tamaño y la estructura afectan la cobertura de grupos de clientes específicos. , junto con predicciones plausibles de las ventas resultantes.
Obtenga una idea de la calidad de los datos.
¿Los datos son razonablemente relevantes, precisos, completos y oportunos? Si las recomendaciones sobre a quién contratar provienen de perfiles de LinkedIn, sabrá que los datos pueden ser intencionalmente o no inexactos o incompletos. Por otro lado, si un algoritmo planifica la ruta de un vendedor para cubrir varios clientes en un día, los datos subyacentes (ubicación GPS, condiciones del tráfico y calendario de citas con los clientes) son precisos y oportunos. La puntualidad de los datos es una consideración clave. Cuando los datos son mayoritariamente retrospectivos, se debe evaluar si la recomendación se aplica de forma prospectiva. Las fuentes oportunas incluyen datos de CRM, datos de interacción con el cliente, inteligencia de mercado y monitoreo de redes sociales. Las fuentes menos actuales incluyen estudios de mercado sobre el potencial de los clientes o inteligencia competitiva de hace un año.
Desarrollar conocimientos sobre la calidad de los modelos.
Esto puede resultar difícil de hacer, pero en su lugar puedes evaluar la calidad de los modelos. Diferentes personas (modeladores) a los que se les dan los mismos datos producirán resultados diferentes en las situaciones de decisión más complejas. La experiencia previa y el conocimiento de la industria y el contexto de ventas de un modelador tienen un gran impacto en el diseño y el rendimiento del modelo. ¡La construcción de modelos es un arte!
La toma de decisiones basada en datos no se trata solo de utilizar datos y modelos para confirmar sus antecedentes. De hecho, es contraproducente buscar selectivamente datos que respalden sus creencias existentes ignorando información contradictoria. Mitigar los riesgos de una toma de decisiones sesgada implica reconocer el valor de los conocimientos no intuitivos y, al mismo tiempo, perfeccionar su experiencia en el uso de enfoques basados en datos. Al implementar sistemas de recomendación basados en IA con vendedores, a menudo vemos que en dos años, las tasas de adopción de recomendaciones crecen del 40% al 80%. Los modelos mejoran y los usuarios se vuelven más competentes. Una combinación juiciosa de conocimientos y juicios del modelo funcionará mejor que cualquiera de los dos por separado en esta era digital que cambia rápidamente.
Lea más sobre Ventas y marketing o temas relacionados Toma de decisiones y resolución de problemas e IA y aprendizaje automático
Prabhakant Sinha es cofundador de ZS, una firma global de servicios profesionales. También enseña a ejecutivos de ventas en la Indian School of Business.
Arun Shastri lidera la práctica de inteligencia artificial en ZS, una firma global de servicios profesionales.
Sally E. Lorimer es directora de ZS, una firma global de servicios profesionales.
No hay comentarios:
Publicar un comentario