Un sistema basado en inteligencia artificial (IA) sugiere a un vendedor de una empresa de tecnología que una compañía mediana podría estar interesada en adquirir 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 firma 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: “¿Hasta qué punto debemos confiar en la información basada 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 efectivas consiste en tener una idea de cuándo y cómo adoptar, incorporar o rechazar conocimientos basados en datos. Las respuestas a dos preguntas pueden ayudar:
- – ¿Cuánto está en juego?
- – ¿Qué tan confiable es la información basada 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.
Estas estrategias pueden ayudarle a evaluar la confiabilidad de la información basada en datos.
UTILICE LA PRUEBA DEL OLFATO
¿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 los competidores de escala similar tienen fuerzas de ventas en este rango de tamaño.
INDAGUE SI LA RECOMENDACIÓN PUEDE EXPLICARSE
Una recomendación sobre una oportunidad de venta cruzada en la nube es más convincente si el modelo también proporciona una explicación de cómo se llegó a la conclusión; por ejemplo, “porque empresas de la misma industria, de tamaño similar y en situaciones comparables han adoptado con frecuencia esta 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.
TENGA UNA IDEA DE LA CALIDAD DE LOS DATOS
¿Los datos son razonablemente relevantes, precisos, completos 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.
DESARROLLE IDEAS SOBRE LA CALIDAD DE LOS MODELOS
Evalúe 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, 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.
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 de modelos funcionará mejor que cualquiera de los dos por sí solo en esta era digital que cambia rápidamente.
Escrita por Prabhakant Sinha, Arun Shastri y Sally E. Lorimer
(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 dirige la práctica de inteligencia artificial en ZS. Sally E. Lorimer es directora de ZS)
