Salesforce julkaisi äskettäin Spring ‘20 Releasen, eli vinon pinon tuoreita ominaisuuksia ja päivityksiä. Tällä kertaa teemana oli jokaiselle jotakin. Listaan tässä blogitekstissä uutuuksista mielenkiintoisimmat.

Einstein – tekoälyä ilman lisäkustannuksia

Spring Releasen myötä erittäin hyödyllinen Einstein Opportunity Scoring kuuluu jatkossa Sales Cloud -lisenssiin, eli ei vaadi yritykseltä erillisiä investointeja. Einstein Opportunity Scoring on toiminto, jossa tekoäly käy läpi yrityksen myyntimahdollisuudet ja laittaa ne paremmuusjärjestykseen.

Tekoäly voi siis jatkossa kertoa sinulle, mihin myyntimahdollisuuksiin sinun kannattaa keskittyä.

Kyseessä on valmis sovellus, jonka käyttöönotto onnistuu tunneissa. Käyttöönoton jälkeen sovellus käy läpi järjestelmässä olevat suljetut myyntimahdollisuudet ja tunnistaa tietojen perusteella kaavoja, jotka vaikuttavat kaupan syntymiseen.

Samalla myös vaadittavan datan vähimmäisvaatimukset ovat pienentyneet merkittävästi. Algoritmi vaatii jatkossa toimiakseen 200 voitettua ja 200 hävittyä myyntimahdollisuutta edellisten kahden vuoden ajalta.

Tätä helpommin ei tekoälyn hyötyihin enää voi Salesforce-maailmassa päästä.

Einstein Voice – unohda näpyttely

Onko sinulla toisinaan kiire ehtiä yhdestä tapaamisesta seuraavaan? Haluat varmaan onnistuneen tapaamisen jälkeen kirjata itsellesi ylös joitakin asioita, kuten muistutuksen tapaamisen tulosten läpikäymisestä.

Einstein Voicen myötä sinun ei tarvitse näpytellä kaikkea Salesforceen käsin, vaan voit äänikomennoin ohjata mobiilisovellusta, esimerkiksi luoda muistutuksen tai liidin. Perinteinen puheen sanelu tekstiksi on luonnollisesti ollut osa mobiilisovelluksen toimintaa jo aikaisemmin.

Einstein Voice on vasta beta-julkaisu, joten sen käyttöönotto saattaa vaatia sen, että Salesforce erikseen aktivoi sen sinulle.

Laske uniikkien arvojen määrä raportin yhteenvedossa

Mitä olisikaan Salesforce Release ilman jotain näppärää toimintoa datanörteille?

Jatkossa on mahdollista laskea raportista löytyvien uniikkien arvojen määrä. Kuulostaa peruskauralta, mutta aikaisemmin tämä hyödyllinen perusominaisuus on loistanut poissaolollaan.

Esimerkiksi myyntimahdollisuusraportit palauttavat monesti useita myyntimahdollisuuksia, jotka ovat saman yritystilin alla. Lisäämällä uniikkien tietojen yhteenlasku raporttiin voidaan nähdä, kuinka monta yksittäistä yritystiliä raportilla esiintyy.

Toiminnallisuus on hyödyllinen myös esimerkiksi tilanteessa, jossa haluat tietää, kuinka monta uniikkia käyttäjää on päivän aikana kirjautunut järjestelmääsi. Aikaisemmin tiedon kaivaminen on vaatinut kikkailua, nyt tiedon saa ulos vaivattomasti.

Tämä on pitkään kaivattu hyödyllinen ominaisuus, joka hyödyttää kaikkia raporttien parissa työskenteleviä.

Jos haluat lukea, mitä muuta jännittävää uusin Release toi mukanaan, niin tutustu uuteen Fiid-julkaisuumme, jossa uusien ominaisuuksien lisäksi paljon asiaa muun muassa avainasiakkuuksien johtamisesta.

Tekoäly elää datasta: jotta sen avulla voitaisiin tehdä luotettavia analyysejä, tarvitaan dataa riittävästi. Tämä on ollut monelle organisaatiolle este tekoälyn hyödyntämiselle. Summer ‘19 Releasen yhteydessä julkaistu Global Models taklaa tätä haastetta.

Einstein on Salesforcen tekoälytuoteperheen nimi. Sales Cloud Einstein tarkoittaa Salesforcen myynnin ratkaisun yhteyteen saatavia tekoälytoiminnallisuuksia, kuten liidien ja myyntimahdollisuuksien pisteyttämistä tai tekoälyn hyödyntämistä ennusteiden tekemisessä.

Tekoälyn tuominen osaksi loppukäyttäjän työkalua pienentää merkittävästi kynnystä hyödyntää sitä: tekoäly ei ole irrallinen kokonaisuus analyysejä varten, vaan arjen apuri, joka ohjaa käyttäjää tekemään parempia päätöksiä. Tekoäly voi kertoa myyjälle esimerkiksi sen, miten hänen kannattaa priorisoida ajankäyttöään, jotta voisi saavuttaa kuukauden myyntitavoitteeseensa.

(Jos haluat lukea lisää tekoälyn hyödyntämisestä myynnissä käytännössä, kannattaa käydä lataamassa “Myy enemmän tekoälyn avulla” -oppaamme.)

Einstein tuo tekoälyn ominaisuudet osaksi CRM:n loppukäyttäjän näkymää. Kuvassa näkyy mm. Lead Scoring -ominaisuus, joka pisteyttää liidit pohjautuen aikaisempaan dataan.

Yhteiset mallit kaikkien käyttöön

Yksi tekoälyn yleistymisen taustalla ollut haaste on se, että tekoäly tarvitsee paljon dataa kyetäkseen tekemään luotettavia analyysejä ja ennustuksia. Läheskään kaikilla organisaatioilla ei ole ollut tällaisia datamääriä käytettävissä.

Salesforce rakentaa tämän datan avulla yleisiä malleja, joita kaikki voivat käyttää – toki tietosuoja huomioiden.

Vaikka yksittäisellä Salesforcea käyttävällä organisaatiolla ei olisikaan riittävästi dataa hyödyntää Sales Cloud Einsteinin ominaisuuksia, Salesforcen järjestelmiin on tallennettu valtavat määrät dataa. Global Models -konsepti tarkoittaa, että Salesforce rakentaa tämän datan avulla yleisiä malleja, joita kaikki voivat käyttää – toki tietosuoja huomioiden.

Tietosuoja on huomioitu kahdella tapaa: ensinnäkin kerättävä data on anonyymiä ja aggregoitua dataa, eli Salesforce ei vain imaise asiakkaidensa asiakasrekistereitä omaan käyttöönsä. Tämä olisikin vastoin Salesforcen tietosuojaperiaatteita. Ohjelmaan ei myöskään ole pakko osallistua, jos ei halua.

Miten uusi ominaisuus tulee saataville?

Kesän julkaisun yhteydessä tehty ilmoitus ei tällä kertaa kertonut vielä valmiista tuotteesta, vaan oli ilmoitus siitä, että ominaisuus on tulossa. Tarkkaa aikataulua Salesforce ei vielä kertonut, vaan ilmoitti vasta suunnitelmista alkaa kerätä dataa näitä malleja varten.

Lähitulevaisuudessa tulemme siis kuulemaan lisää siitä, miten dataa kerätään, miten ohjelmasta voi jättäytyä pois ja millä aikataululla uusia malleja saadaan käyttöön.

Jään kuitenkin mielenkiinnolla odottamaan, millaisia malleja Salesforce saa datasta rakennettua. Global Models on asia, joka voi entisestään laskea kynnystä hyödyntää tekoälyä liiketoiminnassa.

Salesforcen alkuperäiset release notet aiheeseen liittyen löytyvät täältä. Ja jos haluat lukea Summer ‘19 Releasesta poimimamme mielenkiintoisimmat uutuudet ja muuta ajankohtaista Salesforcen ekosysteemiin liittyen, kannattaa käydä lataamassa uusin Biit Fiidin numero.

Salesforce on julkaissut Einstein-tekoälyyn pohjautuvia ominaisuuksia Sales Cloudiin myynnin käyttöön, joten oli vain ajan kysymys, koska näitä tulee myös Pardotin puolelle B2B-markkinoinnin automaatioon. Mutta mitä hyötyä tekoälystä on markkinoinnille?

Salesforce julkaisi viimeisimmän Spring ‘19 -julkaisun yhteydessä Pardot Einsteinin, eli Einstein-tekoälyn ominaisuudet tulevat Salesforcen B2B-markkinoinnin automaatiojärjestelmään. Pardot Einstein -ominaisuudet tulivat nyt saataville Advanced-versioon.

Tässä vaiheessa ominaisuuksia on kolme:

Mitä Einstein-tekoäly tekee sinua paremmin?

Tekoälyyn liittyy paljon hypeä, mutta mitä Pardot Einstein tekee sinua paremmin? Puhutaan koneoppimisesta: tässä tilanteessa järjestelmä voi käsitellä valtavat määrät dataa ja päätellä, mitkä seikat vaikuttivat lopputulokseen.

Otetaan esimerkki: kuinka päätellä, että järjestelmään saatu prospekti (eli tunnistettu vierailija, joka on esimerkiksi ladannut oppaan antamalla yhteystietonsa lomakkeen kautta) on valmis myynnin liidiksi? Tässä kolme eri tapaa:

1. Luodaan pisteytykset käsin. Käyttäjä määrittelee, mistä asioista prospekti saa pisteitä. Paljon pisteitä tulee oppaan lataamisesta? Entä paljon hinnoittelu-sivulla vierailusta? Entä jos kävijä vierailee rekrytointisivulla? Kun tietty pistemäärä tulee täyteen, siirtyy prospekti myynnin liidiksi. Tämä on se tapa, jota suurin osa meistä markkinoijista tällä hetkellä käyttää.

On selvää, että ihmisen luomat pisteytykset ovat aina arvauksia, vaikka kriteereitä voidaankin jatkuvasti kehittää. Pisteytyksiin vaikuttavat myös omat ennakko-odotukset: onhan vaivalla kasatun oppaan oltava niin hyvä, että sen lataamalla saa paljon pisteitä. Mutta onko sillä oikeasti mitään merkitystä asiakkaan ostopolulla? Datan avulla pyritään pääsemään irti näistä ennakko-odotuksista ja arvioimaan asioita objektiivisesti.

Datan avulla pyritään pääsemään irti näistä ennakko-odotuksista ja arvioimaan asioita objektiivisesti.

2. Luodaan algoritmi arvioimaan prospekteja. Palkataan data scientist, joka luo mallin siitä, mitkä tekijät vaikuttavat lopputulokseen; tässä tilanteessa prospektin potentiaaliin myynnin liidinä. Käytännössä data scientist ottaa pohjalle vanhaa dataa, rakentaa sen pohjalta prospektin kiinnostavuutta ennustavan algoritmin ja testaa algoritmin sillä osalla datasta, jota ei käytetty algoritmin luomiseen.

Harvalla meistä tosin on mahdollisuutta palkata data scientistiä. Myös mallin päivittäminen pitäisi tehdä aina manuaalisesti.

3. Hyödynnetään valmiiksi rakennettua tekoälyä ja sen itseoppivia algoritmejä. Sen sijaan, että prospektin kiinnostavuudesta kertovan mallin loisi ihminen, voi tekoäly käydä taustalla olevan datan läpi ja päätellä, mitkä tekijät vaikuttavat lopputulokseen. Tämän pohjalta tekoäly voi laskea prospektille esimerkiksi pistemäärän ja kertoa, mitkä tekijät ovat vaikuttaneet tähän pistemäärään.

Tekoälyn yksi hyöty on myös se, että se osaa päivittää itse itseään, eli sen luoma malli muuttuu tilanteen muuttuessa.

Mitä Pardot Einstein sisältää?

Pardot Einsteiniin kuuluu tällä hetkellä kolme ominaisuutta. Kaksi ensimmäistä liittyvät prospektien arviointiin, jota perinteisestikin on tehty kahdella akselilla: henkilöön (ja tämän yritykseen) liittyvät ominaisuudet ja henkilön käyttäytymiseen liittyvä arviointi.

Sales Cloudista tuttu Einstein Lead Scoring arvioi sitä, miten mielenkiintoinen kyseinen prospekti on ominaisuuksiensa puolesta ja antaa arvosanan asteikolla 1-100. Einstein Behavior Scoring taas arvioi prospektin käyttäytymistä: mitä hän on ladannut, millä sivuilla hän on vieraillut jne, ja antaa pisteet tämän pohjalta.

Vielä beta-vaiheessa oleva Einstein Campaign Insights arvioi kampanjoiden tuloksia ja antaa suosituksia tämän pohjalta. Ominaisuus hyödyntää Salesforcen Kampanjat-objektia (campaigns). Sen avulla voi saada käsityksen esimerkiksi siitä, millä toimialalla kyseinen kampanja toimii hyvin – ilman, että dataa joutuu pyörittelemään taulukoissa tai raporteissa.

Tekoälyn avulla parempia tuloksia ja ajansäästöä

Parempien tulosten lisäksi tekoäly myös vapauttaa markkinoinnin aikaa järkevämpään tekemiseen: sen sijaan, että aikaa kuluisi pisteytysmallien hiomiseen tai kampanjadatan pyörittelyyn taulukoissa, voidaan tätä tekemistä automatisoida. Sen sijaan, että käyttäjä jaottelee dataa eri kriteerien pohjalta, jotka voisivat vaikuttaa kampanjan lopputulokseen, Einstein kertoo automaattisesti tulokseen vaikuttaneet seikat

Parempien tulosten lisäksi tekoäly myös vapauttaa markkinoinnin aikaa järkevämpään tekemiseen.

Pardot Einsteinin ominaisuudet laitetaan asetuksista päälle ja määritetään, missä tiedot näytetään. Esimerkiksi Einstein Campaign Insightsin tiedot voidaan näyttää laatikossa kampanjan muiden tietojen yhteydessä ja Behavior Scoringin tiedot taas näkyvät lukuna, jota voidaan hyödyntää missä tahansa, missä muutakin kenttätason dataan voidaan hyödyntää. Tekoälyn käyttöönotto ei siis vaadi isoa erillistä projektia.

Kuten kaikkeen datan hyödyntämisen ja mallien luomisen kohdalla, järjestelmässä on oltava riittävästi dataa, jotta näitä malleja voidaan luoda luotettavasti. Toisaalta hyödyllistä ja hyvälaatuista dataa voi – ja myös kannattaa – kerätä jo nyt, vaikka tekoälyn hyödyntäminen ei olisikaan suunnitelmissa aivan lähitulevaisuudessa.

Jos haluat lisätietoa Pardot Einsteinistä, kannattaa käydä katsomassa Salesforcen pitämän webinaarin tallenne: Pardot Spring ’19 Release: Transform Marketing with AI. Uusimmassa ilmaiseksi ladattavassa Salesforcen ekosysteemin ajankohtaisjulkaisussa Biit Fiidissä lisää uutuuksia viimeisimmästä Salesforcen julkaisusta.

Olin ensimmäistä kertaa Salesforcen vuosittaisessa päätapahtumassa Dreamforcessa, joka järjestettiin San Franciscossa 25. – 29.9. Kulunut sanonta “Amerikassa kaikki on suurempaa” todellakin pitää paikkansa tämän tapahtuman kohdalla: 180 000 kävijää sekä lähes 3000 luentoa ja työpajaa ahdettuna viiteen päivää kuorrutettuna Metallican konsertilla.

Dreamforce 2018

Dreamforcessa konkretisoituu hienolla tavalla Salesforce-ekosysteemin koko ja voima. Kävin tapahtumassa useimmilla keynote-luennoilla, joista suurin on luonnollisesti Marc Benioffin isännöimä pääkeynote. Tämän lisäksi Dreamforcesta löytyy lukuisia tuotealuekohtaisia keynoteja. Mitä niistä sitten on jäänyt käteen? Tekoäly on edelleen vahvasti esillä ja toisaalta neljäs teollinen vallankumous on myös nostettu esiin monessa puheenvuorossa.

Neljäs teollinen vallankumous

Käsitellään ensin jälkimmäistä, joka Salesforcen mukaan voidaan tiivistää termiin “Connected”. Vapaasti suomennettuna tämä tarkoittaa verkottunutta. Laajemmassa kontekstissa se kuvastaa, kuinka kaikki koneet ja ihmiset ovat antureiden, älylaitteiden ja järjestelmien kautta yhteyksissä toisiinsa, ja kuinka tätä tietoa hyödynnetään esimerkiksi entistä parempien terveyspalveluiden tarjoamiseksi.

Salesforcen tapauksessa kyse on siitä, kuinka kaikki Salesforcen “pilvet” (Sales Cloud, Service Cloud jne.) ja muut yrityksen järjestelmät ovat yhteydessä toisiinsa. Tämä edesauttaa muodostamaan entistä kokonaisvaltaisempaa kuvaa asiakkaasta.

Tämä edesauttaa muodostamaan entistä kokonaisvaltaisempaa kuvaa asiakkaasta.

Tätä teemaa tukemaan Salesforce julkaisi kuluvan vuoden toukokuussa hankkineensa Mulesoftin, joka on pilvipohjainen integraatioalusta. Mulesoft oli vahvasti esillä myös lukuisissa keynote-puheissa. Sen etuna ovat valmiit rajapintatoteutukset, eli connectorit, useimpiin yleisiin ERP- ja muihin järjestelmiin, minkä nopeuttaa selvästi integraatioiden rakentamista.

Verkottuneisuudesta tekoälyyn

Tekoäly toimii verkkotuneisuudelle luontevana jatkumona: tekoäly tarvitsee suuria määriä dataa antaakseen luotettavia tuloksia, kun toisiinsa kytkeytyneet järjestelmät mahdollistavat suurien datamäärien tuottamisen. Keynote-puheenvuoroista tuli selväksi, että Salesforcen tavoitteena on hyödyntää tekoälyä läpi koko asiakkaan elinkaaren. Tämän tavoitteena on tarjota entistä yksilöllisempi ja parempi asiakaskokemus.

Keynote-puheenvuoroista tuli selväksi, että Salesforcen tavoitteena on hyödyntää tekoälyä läpi koko asiakkaan elinkaaren.

Eräs kuvitteellinen, mutta toteutettavissa oleva esimerkki tavasta käyttää tekoälyä läpi myyntiprosessin oli rengasvalmistaja Michelinin ympärille rakennettu esimerkki. Siinä lähdettiin liikkeelle kysynnän ennustamisesta tekoälyn avulla (Einstein Forecasting), jota hyödynnetään tulevien myyntitoimenpiteiden suunnittelussa.

Seuraavassa vaiheessa tekoäly osaa tunnistaa potentiaalisimmat myyntimahdollisuudet Einstein Opportunity Scoring:in avulla ja Einstein Prediction Builder osaa laskea todennäköisyyden, jolla asiakas tulee ostamaan uusia tuotteita. Tämän lisäksi Einstein Next Best Action osaa nimensä mukaisesti ehdottaa seuraavia konkreettisia toimenpiteitä, kuten tapaa asiakasta X seuraavan viikon sisällä.

Michelinin jälleenmyyjä voi puolestaan ottaa kuvan asiakkaan renkaasta, jonka merkki ja malli tunnistetaan Einstein Visionin avulla ja edellä mainittuja tekoälytoimintoja hyödyntäen suositella asiakkaalle uutta rengasmallia.

Tekoäly tulee myös verkkokauppaan ja asiakaspalveluun

Visionia voidaan hyödyntää myös Commerce Cloud -verkkokaupan puolella, jossa käyttäjä voi ottaa kuvan kamerallaan ja sen perusteella etsiä tuotteita verkkokaupasta. Lisäksi tekoäly osaa ehdottaa asiakkaalle hänen ostokäyttäytymisensä perusteella muita mielenkiintoisia tuotteita.

Erona nykyisiin staattisiin tuotesuosituksiin, joita kaikki olemme verkkokaupoissa nähneet, on toiminnon käyttäjäkohtaisuus ja kyky oppia asiakkaan ja muiden vastaavalla profiililla olevien asiakkaiden ostokäyttäytymisestä. Tämä vaikutti demon perusteella erittäin mielenkiintoiselta ja toimivalta konseptilta ja osoittaa suunnan, johon tulevaisuuden verkkokauppa tulee menemään.

Vastaavia käyttötapausesimerkkejä löytyy myös asiakaspalvelun puolelta, jossa Einstein Bots -chatbotti osaa hoitaa suurimman osan asiakaspalveluun tulevista tukipyynnöistä alusta loppuun ilman ihmisen apua. Botin vahvuutena on kyky hyödyntää luonnollista kielentunnistusta (natural language processing), jolloin asiakas voi kommunikoida sen kanssa aivan kuin ihmisen kanssa.

Päivän päätteeksi Einstein Bot tekee käyttäjälle yhteenvedon tapauksista, joissa se ei osannut tulkita asiakkaan pyyntöjä oikein, ja pyytää esimerkiksi luokittelemaan, mihin kategoriaan tukipyyntö kuuluu. Palautteen perusteella botti kehittyy ja palvelee asiakkaita seuraavalla kerralla entistä paremmin.

Tekoäly sulautuu osaksi järjestelmää

Kaikkien luentojen perusteella sanoma on selvä: tekoäly tulee auttamaan ja joissain tapauksissa korvaamaan ihmisen jo lähiaikoina yksinkertaisimmissa asiakaspavelutehtävissä. Salesforce haluaa olla tämänkin kehityksen kärjessä ja esiintyy kaiken Dreamforcessa nähdyn ja koetun perusteella vakuuttavasti edelläkävijänä.

Tekoälytuotteiden nimet ja vastuualueet tulevat varmasti elämään, kunnes joku päivä toiminnot ovat luonnollinen osa järjestelmän toimintaa.

Tekoälytuotteiden nimet ja vastuualueet tulevat varmasti elämään, kunnes joku päivä toiminnot ovat niin luonnollinen osa järjestelmän toimintaa, että niitä ei enää erikseen brändätä.

Ps. Kannattaa käydä katsomassa myös Laurin videot Dreamforcesta.

Salesforce julkaisi uusia Einstein Voice -palveluja Dreamforcessa. Uudet palvelut muodostuvat kahdesta eri osasta: ääniohjatusta henkilökohtaisesta Einstein Assistant -avustajasta ja Bots-palvelusta.

Einstein Assistant

Assistant mahdollistaa Salesforcen päivittämisen ja tietojen syöttämisen ääniohjatusti täydentäen puhelimesta tuttua sanelintoimintoa ja sen päälle rakennettua tekoälyä. Palvelu on tulossa ensitietojen mukaan kaikille Salesforce-mobiilikäyttäjille 2019 alkuvuoden aikana, ja Dreamforcen tietojen perusteella on ilmainen. Pilot-ohjelma on avattu aiheesta kiinnostuneille asiakkaille.

Dreamforcessa näytetyt demot, esimerkit ja käyttötapaukset liittyvät palaverimuistiinpanojen syöttämiseen ja jatkotehtävien luomiseen sekä myyntimahdollisuuden päivittämiseen.

Assistant vastaa monen asiakkaan toiveeseen järjestelmien käytön tekemisestä helpommaksi ja useiden manuaalisten vaiheiden automatisoinnista kerralla. Voisi kuvitella, että sama puheohjattu toiminta laajenee myös muihin Salesforcen tuotepilviin, kuten Service Cloudin sisältämään Field Service -kokonaisuuteen.

Einstein Voice Bots

Bots-palvelu on ratkaisu, jossa käyttäjä voi ääniohjauksen avulla tiedustella ja ohjata Salesforcea. Puhetta kuuntelee esimerkiksi Alexa, Google Home tai Applen vastaava ratkaisu. Puheentunnistus ei teknologiana ole uusi, mutta mikä tekee aiheesta kiinnostavan, on tekoälyn yhdistäminen aiheeseen.

Nähdyssä esimerkeissä käyttäjä voi tiedustella Salesforcen mittaristoista KPI-lukuja ja ymmärtää, mistä tieto muodostuu ja miten siihen voi vaikuttaa. Paljon kauppaa on voitettu? Paljon olen tavoitteestani jäljessä? Mikä myyntimahdollisuus (Opportunity) on jäänyt huomiotani vaille?

Uusia tapoja käyttää järjestelmiä

Ilmiönä molemmat Einstein Voice -laajennukset edustavat uutta tapaa käyttää järjestelmiä ja välittää/päivittää dataa useaan tarkoitukseen, jopa eri järjestelmien välillä. Tekoälyn käyttö parantaa myös datan laatuun liittyviä ongelmia: tiedot pysyvät paremmin ajan tasalla, koska päivittäminen on helpompaa ja kone poistaa inhimilliset virheet, esimerkiksi turhien duplikaattien luonnin.

Ilmiönä molemmat Einstein Voice -laajennukset edustavat uutta tapaa käyttää järjestelmiä.

Kannattaa tarkistaa myös Laurin videot Dreamforcesta:

Mitä myynnin johtaminen on? Taulukoiden kyttäämistä ja “myykää lisää” -mantran hokemista? Vai myyjien huipputulosten saavuttamisen mahdollistamista? Myynnissä on liikaa liikkuvia osia, jotta sen tehokas johtaminen on mahdollista käsipelillä.

On jälleen aika viikoittaiselle myyntipalaverille. Myyntijohtajan johdolla käydään yksi kerrallaan avoinna olevat mahdollisuudet läpi muiden myyjien samalla tuijottaessa kännyköitään tai läppäreitään. Taulukko kertoo, että ollaan jäljessä myyntitavoitteista, joten vahva viesti on, että “myykää enemmän”. Sitten palaveri loppuu ja kaikki palaavat töidensä pariin.

Kuulostaako tutulta? Saatiinko palaverissa jotain aikaan vai käytettiinkö monta tuntia ihmisten kallista aikaa? Monta päätöstä saatiin tehtyä?

Myynnin johtaminen on paljon monitahoisempaa kuin ulkopuolinen voisi kuvitella.

Myynnin johtaminen on paljon monitahoisempaa kuin ulkopuolinen voisi kuvitella. Mitä pitäisi myydä ja kenelle? Miten nopeutetaan funnelin läpimenoa, jotta tavoitteisiin päästään? Mihin keskittyä, jos tavoitteet alkavat lipsumaan? Mitä osaamista kehittää kenen myyjän osalta? Kuinka tehdä luotettavia ennusteita? Miten ylipäätään johtaa tulevia toimenpiteitä?

Myyntijohtajalle aikaa johtamiseen

Myynnissä monesti hyväksytään hämmentävän suuretkin erot eri myyjien tuloksissa. Samalla jos myynnin johdon aika kuluu ennusteiden ja raporttien tekemiseen, ei hänellä ole mitään mahdollisuutta pureutua asioihin yksittäisen myyjän tasolla ja olla aidosti valmentaja, coach, tuki, mentori, työnohjaaja… mitä näitä nyt on.

Juuri tässä on yksi tekoälyn merkittävä hyöty: taulukoiden rutiinipyörittelyn sijaan tekoälyllä terästetty analytiikka luo paljon aikaisempaa luotettavammat ennusteet ja mahdollistaa raportoinnissa pureutumisen aikaisempaa syvemmälle.

Taulukoiden rutiinipyörittelyn sijaan tekoälyllä terästetty analytiikka luo paljon aikaisempaa luotettavammat ennusteet ja mahdollistaa raportoinnissa pureutumisen aikaisempaa syvemmälle.

Jos tulosta ei synny, voidaan ongelman juurisyitä lähteä selvittämään nopeammin ja tehdä korjaavat toimenpiteet vielä kun niille on aikaa. Ja yksittäisten myyjien tulosten taustalla olevien erojen syyt selviävät paremmin, jolloin jokaista myyjää voidaan johtaa ja kehittää yksilönä. Tämä kaikki johtaa luonnollisesti myynnin kasvuun.

Tekoälyllä terästetty CRM ja myyntianalytiikka muuttaa viikottaisten myyntipalaverien luonteen – tai tekee ne täysin turhiksi. Jokaisella on kuitenkin pääsy tarvittavaan tilannekuvaan ja mahdollisten ongelmien ilmetessä voi myyntijohtaja selvittää niiden syyt nopeasti. Ja keskittyä myynnin johtamiseen ja myyjien osaamisen kehittämiseen yksilötasolla.

Alla videolla on livedemo tekoälystä. Salesforcen Einstein kertoo, millä toimenpiteillä tietyn koulun oppilaiden keskipalkkaa voidaan parantaa 6 vuotta valmistumisen jälkeen. Älä myöskään unohda ladata Myy enemmän tekoälyn avulla -opasta.

Yksi yleinen nurinan aihe CRM:n käytössä on ollut se, että tietojen kirjaaminen sinne vie myyjiltä aikaa. Uusimmassa Salesforcen julkaisussa tuodaan tähänkin kätevä tekoälyyn pohjautuva työkalu.

Salesforce Summer ’18 -julkaisun myötä Einstein Activity Capture -toiminto tuli osaksi Sales Cloud -lisenssiä, eikä vaadi enää erillisen lisenssin hankkimista. Einstein Activity Capturen avulla käyttäjä voi automaattisesti liittää sekä lähetetyt että vastaanotetut sähköpostit ja kalenteritapahtumansa Salesforcen tietueisiin.

Palvelu toimii sekä Gmail:in että Office 365:n kanssa ja linkittää sähköpostit ja kalenteritapahtumat yritys- (account), yhteyshenkilö- (contact), mahdollisuus- (opportunity), liidi- (lead), tarjous- (quote) sekä sopimustietueisiin (contract).

Salesforce Einstein Activity Capture screencap

Linkitys perustuu lähettäjän ja vastaanottajan sähköpostiosoitteeseen, jonka perusteella palvelu etsii yhteyshenkilön ja häneen liittyvät muut tietueet Salesforcesta. Linkitetyt tapahtumat näkyvät kyseisten tietueiden aktiviteettiaikajanalla (activity timeline). Päälle kytkemisen yhteydessä Einstein hakee käyttäjän sähköpostit ja kalenteritapahtumat myös menneisyydestä (Gmail 6kk ja Office365 2 vuotta) ja käyttäjä voi valita, jos hän ei halua linkittää tietystä sähköpostiosoitteesta tai -domainista tulevia tapahtumia ja hallita linkitettyjen tapahtumien näkyvyyttä muille käyttäjille. Lisäksi käyttäjä voi halutessaan poistaa massana kaikki tietyn henkilön linkitetyt tapahtumat Salesforcesta.

Ajansäästön lisäksi muitakin hyötyjä

Tapahtumien (sähköpostit ja kalenteritapahtumat) automaattinen linkitys Salesforceen tuo useita hyötyjä sekä käyttäjän että organisaation kannalta. Suhteessa manuaaliseen linkittämiseen automaatio tuo prosessiin lisää tehokkuuta ja varmistaa, että kaikki oleelliset tapahtumat löytyvät Salesforcesta, eikä niitä tarvitse penkoa sähköpostiohjelmasta. Myös myyntijohto on kiinnostunut tapahtumista raportoinnin näkökulmasta, koska tiedolla johtaminen vaatii muun muassa tietoa asiakkaaseen kohdistuneista aktiviteeteista.

Uusi ominaisuus auttaa myös juurisyyanalyysin tekemisessä, kun lähdetään selvittämään eroavaisuuksia myyjien suorituskyvyissä. Kolmantena täydellinen tapahtumahistoria auttaa tiedonsiirron tekemisessä: uuden myyjän aloittaessa hän voi esim. asiakkaan tai myyntimahdollisuuden tiedoista katsomaan kaikki aiemmat keskustelut ja tapaamiset, mitä asiakkaan kanssa on käyty. Aiemmin tämä tieto on ollut lähes yksinomaan myyjän sähköposteissa, jolloin paljon arvokasta tietoa menetetään pysyvästi, jos myyjä irtisanoutuu.

Viimeisimpänä, mutta erittäin oleellisena asiana tapahtumat ovat arvokasta tietoa tekoälylle, joka analysoi menneitä tapahtumia ja tekee niiden perusteella ennusteita ja suosituksia.

Viimeisimpänä, mutta erittäin oleellisena asiana tapahtumat ovat arvokasta tietoa – eli dataa – tekoälylle, joka analysoi muun muassa menneitä myyntitapahtumia ja liidejä sekä tekee niiden perusteella ennusteita ja suosituksia. Tekoäly tuottaa sitä parempia tuloksia mitä enemmän sillä on dataa käytössään analyysin tekemiseen ja siksi onkin luonnollista, että Activity Capture on osa Einstein-tekoälytuoteperhettä.

Einstein Activity Capture on tehokas tapa parantaa edelleen Salesforcessa olevaa kokonaiskuvaa asiakkaasta ja uuden lisensointimallin myötä entistä suuremman käyttäjäryhmän ulottuvilla. Toiminto löytyy Salesforcesta Summer ’18 -julkaisun myötä Asetukset-valikosta ja käyttöönotto on suoraviivaista opastetun käyttöönottoassistentin ansiosta.

Tekoäly auttaa myymään enemmän ja nopeammin, mutta se tarvitsee dataa. Jos data ei ole CRM:ssä kunnossa, ei tekoälykään voi sitä hyödyntää. Tämä tarkoittaa myös ehjää myyntiprosessia.

Myynti ei ole vain kertarykäys, vaan asiakas kulkee ostoprosessinsa aikana pitkän matkan. Myyjän näkökulmasta tämä matka alkaa usein liidistä, joka kvalifioidaan myyntimahdollisuudeksi eli opoksi. Myyntimahdollisuus itsessään voi sisältää monta eri vaihetta ja päättyy tiettyyn lopputulokseen, oli tämä esimerkiksi kauppa, häviö kilpailijalle tai asiakkaan vetäytyminen.

Tekoäly voi auttaa myyjää koko prosessin ajan muun muassa pisteyttämällä liidejä ja oppoja sekä suosittelemalla myyjälle toimenpiteitä. Lisäksi tekoäly parantaa ennustetarkkutta merkittävästi. Mutta vain, jos ketju on ehjä.

Ehjä ketju alusta loppuun

Tekoäly oppii datasta. Osa liideistä johtaa myyntimahdollisuuteen ja osa kauppaan. Osa jää kesken matkan. Tämän datan avulla tekoäly oppii, mitkä ominaisuudet tietyssä liidissä tekevät siitä houkuttelevamman ja suosittelee myyjää keskittymään tällaisiin liideihin.

Jos ketju ei ole CRM:n tasolla ehjä, ei tekoälykään voi tehdä datan pohjalta suosituksia.

Jos ketju ei ole CRM:n tasolla ehjä, ei tekoälykään voi tehdä datan pohjalta suosituksia. Salesforcen maailmassa tämä tarkoittaa esimerkiksi sitä, että liidi on muunnettu järjestelmän sisällä myyntimahdollisuudeksi tai kuollut liidi merkitty kuolleeksi.

Samoin yksittäinen vaihe voi sisältää vielä useita pieniä askeleita. Myyntimahdollisuuteen voi kuulua esimerkiksi tilanteen analysointi, arvolupauksen määrittely ja tarjouksen tekeminen. Parhaaseen lopputulokseen päästään, kun prosessi kulkee näiden vaiheiden läpi CRM:ssä samaan tahtiin kuin se etenee oikeassa elämässä.

Mitä pidemmältä matkalta ketju on ehjä, ja mitä enemmän dataa CRM:ään kirjataan koko matkan ajan, sitä parempia suosituksia tekoälykin voi tehdä.

CRM kuntoon ja tekoäly käyttöön

Kaiken hypen keskellä tekoäly on jo hiipinyt myynninkin maailmaan. Esimerkiksi Salesforce on tehnyt omasta Einstein-tekoälystään helposti hyödynnettävän. Se ei ole erillinen kokonaisuus, vaan antaa myynnille ja myynnin johdolle suosituksia osana normaalia CRM:n käyttöä.

Tekoälyn hyödyntämistä onkin helppo lähteä kokeilemaan pienin askelin. Toisaalta jos jää odottamaan liian pitkäksi aikaa, on riskinä, että kilpailijat menevät ohi oikealta ja vasemmalta. Ensiksi on kuitenkin varmistettava, että CRM:ää käytetään oikein.

Jos haluat lukea lisää siitä, kuinka tekoäly auttaa myyntiä ja mitä se vaatii, kannattaa käydä lataamassa uusi oppaamme Myy enemmän tekoälyn avulla.

Toteutimme Helsingissä järjestettyyn Dreamforce to You -tapahtumaan Einstein-tekoälyyn perustuvan demon. Otimme iPadilla kuvia Angry Birds -pehmoleluista, jonka jälkeen kuva analysoitiin ja luokiteltiin johonkin ennalta määritellyistä kategorioista, eli tässä yhteydessä Einsteinille opetetuista pehmoleluista.

Kaiken taustalla on Salesforcen kehittämä tekoäly Einstein ja sen kuvantunnistustoiminto Vision.

Ensiksi tekoäly on koulutettava

Jotta kuvantunnistus saadaan toimimaan luotettavasti, tekoäly tarvitsee alkuun opetusdataa. Kuvattavista kohteista, tässä tapauksessa pehmoleluista, tarvitaan erilaisia valokuvia. Mitä enemmän kuvia on käytettävissä, sitä luotettavampi kuvan tunnistus tulee olemaan.

Demossamme käytimme jokaiselle kolmesta eri luokasta 20 kuvaa. Tällä määrällä demo saatiin toimimaan luotettavasti, mutta varsinaiseen liiketoimintaan liittyvään käyttötarkoitukseen kuvia tarvittaisiin huomattavasti enemmän. Opetuskuvia tarvitaan myös sitä enemmän, mitä samankaltaisempia tutkittavat kohteet ovat keskenään. Näin kuvien erot saadaan esille.

Opetusdatan kuville määritellään luokkaleimat, jonka perusteella tekoäly jaottelee käyttäjän ottamia kuvia. Kun opetusdata on luotu, se annetaan tekoälyn analysoitavaksi ja Einstein Vision “opettelee” datan. Käytännössä tekoäly purkaa kuvista piirteitä ja muodostaa niistä yhteneväisyyksiä samaan luokkaan kuuluvien kuvien välille. Näin valokuva saadaan purettua koneen ymmärtämään muotoon.

Tekoäly Einstein tunnistaa Angry Birds -pehmoleluja
Demossa tunnistettava pehmolelu saattoi olla pöydällä tai vaikka toisen ihmisen sylissä.

Kuva tunnistetaan palvelimella

Kun opetusvaihe on valmis, käyttäjä voi ottaa kuvan halutusta kohteesta ja antaa sen tekoälyn analysoitavaksi. Kuvan prosessointi tapahtuu pilvipalvelimella, ei käyttäjän koneella. Tämä onkin järkevää, koska piirteiden purkaminen voi vaatia tietokoneelta todella paljon laskentatehoa.

Palvelimelta tuleva vastaus ja opetusdata antavat käyttäjälle vastauksen siitä, mihin luokkaan kyseinen kohde kuuluu. Lisäksi tästä voidaan luoda jatkotoimenpiteitä. Demossamme käyttäjä ohjattiin kuvan ottamisen jälkeen sen Angry Bird hahmon sivulle, josta hän oli kuvan ottanut. Eli päätös tehtiin järjestelmässä taustalla, jonka mukaan käyttäjä ohjattiin uudelle sivulle.

Demossamme saimme tunnistuksen toimimaan luotettavasti. Annoimme vieraiden ottaa tabletilla kuvia hahmoista, jonka jälkeen järjestelmä kertoi, mikä hahmo oli kyseessä. Tämä tarjosi mukavia wau-efektejä tapahtumapäivän aikana.

Tekoäly valmiissa paketissa

Salesforce on paketoinut Einstein Visionin hyväksi ja helppokäyttöiseksi tuotteeksi. Kuvantunnistus ja tekoäly saadaan helposti osaksi yrityksen toimintoja, ja se alkaa välittömästi tuottamaan lisäarvoa.

Kuvantunnistus ja tekoäly saadaan helposti osaksi yrityksen toimintoja, ja se alkaa välittömästi tuottamaan lisäarvoa.

Hyvänä käytännön esimerkkinä voidaan mainita kenttähuollon tarpeet. Teknikko ottaa kuvan jostain laitteesta tai varaosasta ja järjestelmä kertoo kuvan perusteella mikä laite on kyseessä, sekä tarjoaa mahdollisia lisätietoja ja huolto-ohjeita.

Jos haluat lukea lisää Salesforcen laajemmasta hyödyntämisestä tekoälyn ja monien muiden asioiden kanssa, ja sen tuottamasta lisäarvosta, kannattaa käydä lukemassa tuore oppaamme Kilpailukykyä Salesforce-kehityksellä – Salesforce alustana asiakaskohtaisten sovellusten kehityksessä.

Linkedinissä käydään kotimaista keskustelua tekoälystä ja myynnistä, mutta varsin korkealla abstraktiotasolla. Minulla on nykyisen työni kautta mahdollisuus tutustua siihen, mitä Salesforce on asiasta mieltä. Kuluneella viikolla Dreamforce-tapahtuman yhteydessä olen myös saanut kuulla, miten amerikkalaiset yritykset ovat ottaneet tekoälyä käyttöön kuluneen vuoden aikana.

Tekoäly AI myynnin johtamisessa

Tästä on syntynyt käsitys, jonka aion nyt tässä jakaa. On tosin huomioitava, että asiat kehittyvät nopeasti ja tämän hetken tilanne jää nopeasti vanhaksi.

Tämän hetken käytännön tekoälysovellukset myynnissä voidaan jakaa viidelle osa-alueelle.

1. Liidien pisteytys ja priorisointi

Tekoälyn avulla analysoidaan CRM-dataa ja luodaan historiatiedon pohjalta algoritmit, joilla liidit voidaan pisteyttää ja priorisoida. Salesforcen tekoälytuotteessa Einsteinissa on valmiit toiminnot tätä varten ja käyttöönotto on varsin näppärää. Myynnin puolella voidaan keskittyä parhaiden liidien hoitamiseen.

Kun ero parhaiden ja huonoimpien liidien välillä on luokkaa 4x, on tuottavuuden paraneminen merkittävää. Sivutuotteena voidaan arvioida liidien lähteitä ja näin ohjata liidien hankintapanostukset tehokkaimpiin kanaviin.

2. Myyntihankkeiden arviointi ja pisteytys

Toinen osa-alue käsittää myyntihankkeiden arvioinnin ja pisteytyksen. Myyntihankkeiden pisteytys voidaan toteuttaa liidien pisteytystä vastaavasti tekoälyn avulla. Liidiprosessiin verrattuna käytössä on lisäksi myyjään ja ostajaan liittyvät historiatiedot, joiden avulla voidaan tuoda henkilöistä riippuvat tekijät mukaan analyysiin.

Pisteytys toteutetaan määrittelemällä kauppaan vaikuttavat tärkeimmät tekijät. Pisteet skaalataan yleensä välille 0-100, jolloin kaikkien on helppo käsittää pisteluvun merkitys kullekin liidille ja myyntihankkeelle.

3. Asiakasymmärryksen parantaminen

Kolmas osa-alue on asiakasymmärryksen parantaminen tuomalla asiakkaaseen tai myyntihankkeeseen liittyvää tietoa internetistä myyjän käytettäväksi. Tekoäly tunnistaa internetistä valittujen medioiden uutisvirrasta relevantit uutiset ja poimii ne suoraan CRM:ään tukemaan myyjää asiakaskeskustelussa. Lisäksi voidaan poimia oleellista tietoa myös myyntihankkeiden arviointia varten, kuten avainsanoja YT, organisaatiomuutos, uusi johtaja jne.

4. Toimenpidesuositukset

Neljäs osa-alue liittyy toimenpidesuositusten antamiseen lähinnä myyntihankkeiden osalta. Kun tekoäly tekee myyntihankkeiden pisteytystä, se tuottaa samalla tiedon siitä, mitkä osa-alueet eivät ole täysin kohdallaan. Näin tekoäly kykenee muotoilemaan selkeät toimintasuositukset myyjälle ja myyntijohdolle siitä, mihin toimenpiteisiin pitäisi ryhtyä, jotta kaupan todennäköisyys kasvaisi.

5. Ennustaminen

Viides osa-alue liittyy ennustamiseen. Toteutuneiden ja hävittyjen kauppojen historiatiedon sekä myyntihankkeiden pisteytyksen perusteella tekoäly pystyy tekemään erittäin tarkan ennusteen myyjän, yksikön tai koko firman osalta.

Käytännön kokemusten pohjalta voidaan sanoa, että ennustetarkkuus on jopa +/-5%. Tulos on tarkempi, kuin mikään perinteisillä menetelmillä tehty ennuste, ja aina reaaliaikaisesti saatavilla. Tekoäly huomioi myös seikkoja, joita normaalisti ei käsitellä ennusteprosessissa, kuten myyntihankkelistan ulkopuolelta tulleet nopeat kaupat sekä hankkeen arvon muuttuminen myyntiprosessin loppuvaiheissa. Lisäksi myyjien subjektiiviset tyylit (kuten kuka on optimisti ja kuka varovainen ennustaja) huomioidaan ennusteessa historiatiedon kautta.

Tekoälystä jo nyt käytännön hyötyjä

Tekoälyn ensimmäisen sukupolven käytännön sovellusten hyödyt tulevat seuraavilta osa-alueilta:

  1. Myynnin tehostuminen myyjän keskittyessä niihin liideihin ja myyntihankkeisiin, josta tulee kauppa.
  2. Myynnin kasvaminen toimenpidesuositusten kautta, kun korjataan myynnissä olleet puutteet ajoissa ja kauppojen kotiutumisaste nousee.
  3. Myyntitavotteiden parempi saavuttaminen, kun reaaliaikaisen ja laadukkaan ennustamisen kautta osataan korjata riskitekijöitä etukäteen eikä yllätykset tule viime metreillä.

Tekoälyn ensimmäinen sukupolvi tulee nostamaan myynnin tehokkuutta 30-50%.

Tekoälyn ensimmäinen sukupolvi tulee nostamaan myynnin tehokkuutta 30-50%. Tämä on merkittävä parannus ja kenelläkään ei ole varaa antaa tämän tason kilpailuetua pois.

Mitä tekoälyn käyttöönotto edellyttää teknologian lisäksi?

Tekoälyn pohjana on CRM:ssä oleva data, jonka laatu pitää olla korkea. Virheellistä tai puutteellista tietoa tekoäly ei pysty korjaamaan, vaikka voikin sen pisteytyksessä huomioida. Suurin osa käytössä olevista CRM-järjestelmistä ei ole kaikilta osiltaan käytössä. Lisäksi monessa paikassa sallitaan, että tiedot eivät ole ajan tasalla. Nämä myyntiorganisaatiot joutuvat lähtemään takamatkalta tekoälyn käyttöön ja tulevat kärsimään markkinaosuuksien menetyksistä liiketoiminnassaan.

On mielenkiintoista nähdä missä vaiheessa eri yrityksissä herätään ja käynnistetään CRM:n uudelleenkäyttöönottoprojekteja tekoälyn hyötyjen saamiseksi. Tekoäly on jo oikeasti täällä ja tätä päivää. Se on otettavissa käyttöön, kun vain halu ja kyky ovat kunnossa.