Ei päivääkään ilman mainintaa ChatGPT:stä tai tekoälystä. Tekoälypöhinä nousi vuodenvaihteessa ennennäkemättömiin sfääreihin, mutta onko kyse pelkästä hypetyksestä vai mullistavasta kehitysloikasta? Nappasimme haastateltavaksi Antti Merilehdon, joka on viimeiset kahdeksan vuotta keskittynyt tekoälyyn. Halusimme kuulla, missä tekoälyn osalta oikeasti tällä hetkellä mennään.

Esittele itsesi lyhyesti. Kuka olet?

Olen Antti Merilehto. Tässä ammattikontekstissa olen yrittäjä ja varhaisen vaiheen teknologiayrityksiin erikoistunut sijoittaja.

Koulutan työkseni tiimejä, johtoryhmiä ja toisinaan yksittäisiä johtajia yrityksissä. Viimeiset kahdeksan vuotta olen työskennellyt erityisesti tekoälyn parissa.

Juttelemme tänään tekoälystä. Aloitetaan kevyellä kysymyksellä. Milloin ja miten käytit viimeksi tekoälyä?

Käytin tekoälyä kahdeksan minuuttia sitten. Pyysin ChatGPT:ltä ideoita webinaariin. Minulla oli jo sisältö valmiina, mutta halusin muokata sitä myyvempään suuntaan. Pyysin apua tekoälytyökaverilta, joka osasi sanoittaa mun ideat hieman eri tavalla.

Tekoäly on siitä mahtava työkaveri, että pystyn hyödyntämään sen kykyjä milloin ja missä tahansa.

Julkaisit vuonna 2018 kirjan “Tekoäly – Matkaopas johtajalle”, joka oli kyseisen vuoden myydyin businesskirja. Mitkä ovat olleet tekoälyn saralla suurimpia muutoksia kirjasi ilmestymisen jälkeen?

Tässä välissä on ehtinyt tapahtua paljon näkyviä ja näkymättömiä muutoksia. Bisneksessä tekoäly toimii nykyisin hyvin usein ennusteiden tekijänä. Se esimerkiksi auttaa ennustamaan keihin asiakkaisiin kannattaa olla milloinkin yhteydessä ja mihin asioihin resurssit kannattaa suunnata.

Suurin muutos on tapahtunut siinä, että hyvin harva keskisuuri tai suuri yritys rullaa enää ilman taustalla pyörivää kehittynyttä analytiikkaa.

Tietysti pitää mainita myös ChatGPT, joka on yksittäisen kielimallin käyttöliittymä. Isossa kuvassa ei ole väliä, minkälaisia teknologioita on olemassa ennen kuin ihmiset pääsevät niihin käsiksi. ChatGPT toi ihmisten saataville työkalun, jota kuka tahansa voi käyttää hyvin helposti. Sitä kautta kiinnostus tekoälyä kohtaan on kasvanut räjähdysmäisesti.

Myös minun liiketoiminnan kannalta ChatGPT on ollut valkoinen joutsen.

Tekoäly tosiaan nousi ChatGPT:n myötä aiempaakin isommaksi puheenaiheeksi vuodenvaihteessa. Onko tekoäly kaiken hypetyksen arvoinen?

Jos pohjustat kysymyksen noin, niin ei varmaan ole.

Tekoälykeskustelussa on mukana ihmisiä, jotka eivät ymmärrä asioista enempää kuin sika tuulimyllystä. Usein ei ymmärretä, että datan laatu ratkaisee melkein joka tilanteessa.

Jos kolme yritystä ottaa käyttöön identtisen tekoälysovelluksen, niin tulokset ovat todennäköisesti hyvin erilaisia. Työkaluosio on sama, mutta tulokset riippuvat käytettävissä olevan datan laadusta.

Tekoäly ei siis minusta ole kaiken hypen arvoista, mutta paikoin se on kaikkea hypeäkin isompi juttu. Sen avulla saadaan jo paljon hyviä asioita aikaan.

Forbes Advisorin mukaan 97% yritysten omistajista uskoo, että ChatGPT:stä on hyötyä heidän yritykselle. Onko kyseessä tosiaan niin merkittävä game changer?

Kolme prosenttia vastaajista on väärässä.

Mulla on työhuone Helsingin Punavuoressa. Naapurikorttelissa on ranskalaisen leipurin yksin pyörittämä leipomo. Hän leipoo joka päivä tietyn määrän leivonnaisia ja vie ne läheisiin ravintoloihin. Hän ei tarvitse ChatGPT:tä.

Jos firmassa on töissä yksikin henkilö, joka käyttää näppäimistöä, niin ChatGPT:stä on varmasti hyötyä. Se on toimialariippumaton työkalu, joka hyödyttää yhtä lailla yksinyrittäjää kuin globaalia markkinajohtajaa. Sillä saa kuka tahansa esimerkiksi tehtyä innovaatiosetelihakemuksen ChatGPT:llä älyttömän nopeasti ilman viestinnän asiantuntijan apua.

Äskettäin oltiin vasta miettimässä tekoälyn pilotointia, mutta nyt moni yritys on jo luomassa itselleen tekoälystrategiaa. Mikä oikein on muuttunut?

Edes algoritmeja ja tekoälyä ammatikseen tutkivat akateemikot eivät olisi uskoneet, että kielimallit kehittyvät näin nopeasti.

ChatGPT:n kaltaiset kielimallit tekivät yhtäkkiä tekoälystä helpommin ymmärrettävän asian. Se muutos toi tekoälyn yritysten kulmahuoneisiin. Monissa yrityksissä ylin johto havahtui siihen, että ei jumalauta, tämähän mahdollistaa vaikka mitä. Yrityksissä havahduttiin myös siihen, että tekoälyn nopea kehitys tulee muuttamaan monia tapoja tehdä töitä.

Olen itsekin kiinnittänyt huomiota siihen, että keskustelut asiakkaiden kanssa ovat olleet erilaisia kuin aikaisemmin. Asenneilmapiiri on muuttunut. Myös osaaminen ja ymmärrys ovat kasvaneet valtavasti.

Tekoälystä ei enää ajatella, että se on jokin irrallinen palikka, joka liimataan kiinni koneeseen. Keskusteluissa ei siis keskitytä siihen, mitä tekoälyllä voitaisiin tehdä, vaan mietitään liiketoiminnan haasteita ja niiden ratkaisemista. Joskus tekoäly on se ratkaisu haasteeseen.

Tiivistetysti tekoälyä ei enää edistetä teknologia-, vaan liiketoimintalähtöisesti.

Suuryritykset ovat luonnollisesti eturintamassa hyödyntämässä tekoälyä, mutta mikä on pk-yritysten suhde tekoälyyn? Voiko tekoälyä lähteä soveltamaan pienemmilläkin resursseilla?

Mä oon käynyt kouluttamassa jopa yksinyrittäjille tekoälytyökalujen käyttöä. Mitä yksinyrittäjä tekee? Hän viestii asiakkailleen.

Yksinyrittäjä yrittää tietysti olla oman elämänsä jariparantainen ja tuotteistaa oman palvelunsa ja osaamisesta. Tässä tekoäly on erinomainen apuri.

Kuvitellaan, että sinusta tulee vinyylilevykauppias. Tekoälyn avulla saat perustamispaperit tehtyä hetkessä ja kun potentiaalinen vuokranantaja tekee tarjouksen toimitilan vuokrasta, niin ChatGPT voi auttaa sinua keksimään perusteluja, miksi vuokra voisi olla vaikka 20 prosenttia pienempi.

Se on erityisesti pienyrittäjä, joka hyötyy massiivisesti siitä, että hänellä on käytössään pieni armeija (tekoäly)työkavereita.

Tekoälyn hyödyntäminen ei siis todellakaan ole käytettävissä olevista resursseista kiinni.

Onko sinulla kertoa esimerkkejä pk-sektorilta?

Esimerkkejä olisi vaikka kuinka paljon.

Otetaan vaikka energia-ala. Viime talvena ei yhdelläkään alan yrityksellä ollut tarpeeksi asiakaspalvelijoita vastailemaan asiakkaiden yhteydenottoihin. Mitä jos olisimme keränneet kaikki vanhat palautteet ja tiedot aspa-keskusteluista sekä kouluttaneet niiden avulla kielimallin vastailemaan asiakkaiden kysymyksiin?

Siellä olisi edelleen Antti asiakaspalvelijana vastailemassa kyselyihin, mutta ChatGPT kykenisi hoitamaan ison osan yhteydenotoista ja vastaamaan yleisesti esitettyihin kysymyksiin välittömästi.

Esitellään vielä ihan toisenlainen esimerkki. Jos toimitaan sellaisella toimialalla, jossa ostajana on poliitikko, niin silloinhan tehdään vaikutustyötä.

Oon auttanut useampaa vaikuttajaa hyödyntämään ChatGPT:tä, sillä ministeriöiltä yms. tahoilta ilmestyy tuhansia raportteja, joista vaikuttajan pitäisi olla jossain määrin perillä. On utopistinen ajatus, että yksi ihminen ehtisi tutustua niihin kaikkiin. ChatGPT:n avulla tietoa pystyy kahlaamaan ja analysoimaan aivan eri tehokkuudella kuin aikaisemmin.

Mieti, mitä tämä muutos tarkoittaa kaikille lobbareille ja juristeille! 

Mitkä ovat olleet makeimmat tekoälyn soveltamiskohteet, joihin olet törmännyt?

Poimin yhden tylsän asiallisen, yhden hassun ja yhden liiketoiminnallisen esimerkin.

Tylsän asiallinen, mutta äärettömän tärkeä esimerkki liittyy ilmastonmuutoksen hidastaminen ja siihen, miten energiatehokkuutta voidaan lisätä tekoälyn avulla. Tämä esimerkki sai minut kirjoittamaan tekoälystä kirjankin alun perin.

Googlen kehittämä DeepMind kykeni laskemaan datakeskuksen sähkönkulutusta 40 prosenttia. Kun energiankulutus maailmassa kasvaa pinnan pari vuodessa ja samaan aikaan ilmastonmuutos vain kiihtyy kiihtymistään, nin miten me pystymme laskemaan energiankulutusta kaikissa olemassa olevissa asioissa, kuten esimerkiksi datakeskuksissa? Tämä on sinänsä hyvin näkymätön ja jopa tylsältä kuulostava asia, mutta vaikuttaa kuitenkin merkittävällä tavalla siihen, miten pidämme tämän planeetan elinkelpoisena.

Hassu-kategoriasta nostan esille kansainvälisesti menestyneen valokuvaajan Antti Karppisen. Itsekin visuaalisena ihmisenä ja harrastajavalokuvaajana olen ollut pöllämystynyt siitä, miten Karppinen käyttää tekoälyä taiteessaan. Häneltä ilmestyi äskettäin Ridiculously Strange Finland -niminen kuvasarja, joka haastaa miettimään, voivatko kuvat olla oikeita. Eivät ne tietenkään ole, mutta näyttävät aivan oikeilta valokuvilta. Jos miettii taiteen tehtävää, niin minusta se on tuttujen asioiden esittäminen uudessa valossa. Siinä Karppinen onnistuu häkellyttävän hyvin.

Bisnesesimerkkinä käytän sellaista tuoretta keissiä, jossa teimme ChatGPT-sovelluksen asiantuntijoille yrityksen sisäisen tietokannan käyttämiseen. Laskimme, että jos saman sovelluksen olisi rakentanut kaksi vuotta sitten, niin projektin hintalappu olisi ollut noin 100 000 euroa. Nyt hintalappu oli 20 000. Kahdessa vuodessa saman toteutuksen kustannukset olivat siis pudonneet viidesosaan. Koska sovellus tehostaa merkittävästi yrityksen kaikkien asiantuntijoiden työtä, niin projektin takaisinmaksun osalta puhutaan päivistä kuukausien sijaan.

Monilla aloilla kärsitään tällä hetkellä osaajapulasta, niin mitä jos ottaisimme käyttöön työkaluja, joiden avulla nykyiset työntekijät pystyvät tekemään työnsä paljon tehokkaammin? Kun kone tekee koneen työn ja ihminen ihmisen työn, niin ehkä emme aja ihmisiä loppuun siihen työvuoron päättymiseen mennessä. Haluan uskoa, että hyvät yritykset näkevät nämä mahdollisuudet.

Mitä yritysjohdon tulisi tänä päivänä tekoälystä ja algoritmeista ymmärtää?

  1. Tekoäly on täällä jo tänään, eikä ole katoamassa mihinkään. Asiat tulevat joka tapauksessa muuttumaan, joten kyse on ennen kaikkea muutosjohtamisesta. Miten luodaan sellaiset edellytykset, että ihmiset menestyvät näiden muutosten keskellä?
  2. Yritysjohtajan olisi hyvä tehdä skenaarioharjoitus, jossa mietitään, mitä saman alan haastajayritys voisi tappiin asti tekoälyä hyödyntämällä tehdä.
  3. Päätöksentekijän pitäisi tietää, mikä olisi omassa yrityksessä tekoälyn hyödyntämisen sweet spot. Eli pitäisi siis ymmärtää, ketkä yrityksessä tekevät toistuvaa työtä (esimerkiksi tekstintuottamista ja raporttien luomista) ja kuinka paljon sellaista ylipäätään tehdään.

Miten kannattaisi lähteä liikkeelle?

Yleisesti sanon, että konkretian kautta. Ei mitään päälleliimattuja yksittäisiä juttuja tai Midjourneyllä luotuja Avataria edustamaan yritystä Instagramissa. Liikkeelle on syytä lähteä ihmisten arjen kautta.

Tässä kuitenkin kolme konkreettista steppiä, joista on hyvä lähteä liikkeelle.

  1. Yritysjohdon on syyskuun loppuun mennessä määriteltävä, miten heillä käytetään tekoälytyökaluja. Yksi esimerkki tästä on ohjeistaa työntekijöitä olemaan syöttämättä ChatGPT:hen mitään GDPR:n alaista asiakastietoa. Näihin tarvitaan selkeät pelisäännöt.
  2. Yrityksen vastuulla on myös tarjota työntekijöilleen kasvupolkuja, eli kertoa mitä tekoälytyökalut ovat ja miten ne toimivat sekä tarjota jatkossa myös sopivia koulutuksia tekoälyn hyödyntämiseen. Oppimista ei siis pidä sysätä pelkästään työntekijöiden vastuulle.
  3. Yksilön kohdalla kannattaa suhtautua tekoälyyn avoimin mielin. Aina kun tekee jotain toistuvaa työtä, niin voisi miettiä, olisiko jostain tekoälytyökalusta apua.

Pitäisikö työpaikoilla puhua enemmän ja avoimemmin tekoälyn vaikutuksista?

Minun kokemusteni mukaan aiheesta – varsinkin ChatGPT:stä – on jo puhuttu paljon kahvipöydissä. Myös mediassa aihetta ruodittu paljon.

Seuraavaksi haluan nähdä, että siirrytään puheista kokeiluihin. Että yhä useampi kokeilee tekoälytyökaluja kaikenlaisissa tehtävissä, kuten esimerkiksi raporttien laatimisessa tai tuotekuvausten tekemisessä.

Elokuun biittiläiseksi valittiin Oulun ja Piilaakson kautta Biitille päätynyt Pekka Sipola, joka on erikoistunut tekoälyyn ja analytiikkaan.

Minkälainen tyyppi olet?

Tyyppinä olen tosi rento ja sosiaalinen. Vapaa-ajalla tulee hiihdettyä kesäisin ja talvisin. Lisäksi suuntaan aina joko kuntosalille tai ampumaradalle toiminnallisen ammunnan pariin kun vain kerkeän.

Olen aina ollut kiinnostunut uusista asioista ja opiskelen jatkuvasti jotain uutta. Tällä hetkellä tulee kahlattua läpi Causal AI ja Decision Intelligence -aiheisiin liittyvää tutkimusta ja aineistoa.

Töissä olen päämäärätietoinen ja periksiantamaton.

Miten päädyit Biitille?

Tutustuin Salesforceen jo 2004 ja innostuin tosi paljon mahdollisuudesta rakentaa omia tuotteita Salesforcen päälle. AppExchange oli jotain täysin uutta. Ajan kanssa löysin hyvän tuoteidean, jonka pohjalta lähdin Piilaksoon rakentamaan startup-yritystä 2013.

Sen parissa työskentelinkin siihen asti, kun valot sammutettiin vuonna 2016.

Tämän seikkailun jälkeen pidin useamman vuoden taukoa teknologiamaailmasta. Kun paluu alalle alkoi kiinnostaa, niin Salesforce oli ekosysteeminä se, jonka pariin halusin ehdottomasti palata.

Biit johtavana Salesforce-talona oli se, johon otin ensimmäisenä yhteyttä. Yhteiset intressit löytyivät lopulta todella nopeasti ja aloitin Biitillä keväällä 2022.

Mitä teet Biitillä?

Tulin Biitilille johtavana konsulttina reilu vuosi sitten kehittämään yrityksen data- ja analytiikka osaamista sekä palveluita Tableaun ja CRM Analyticsin ympärille.

Olen koko urani ajan ollut enemmän tai vähemmän tekemisissä myynnin kanssa, joten Biitillä olen myös ottanut vastuulleni tiettyjä asiakkuuksia sekä ollut mukana käynnistämässä uusia asiakkuuksia.

Tekninen taustani on tekoälyjen kehityksen parista reilun kymmenen vuoden ajalta, joten olen viime aikoina yhä enemmän ja enemmän käyttänyt aikaani tekoälystä keskustelemiseen yritysten kanssa. Tavoitteena on löytää heille parhaimmat tavat hyödyntää tekoälyä liiketoiminnassa. Toisinaan se voi tarkoittaa esimerkiksi kustomoidun tekoälyratkaisun rakentamista jonkin tietyn haasteen ratkaisemiseksi.

Kolme mahtavinta asiaa, joista tykkäät työssäsi eniten?

  1. Ihmiset. Saan tehdä töitä todella huippujen tyyppien ja ammattilaisten kanssa (niin Biitillä, asiakkailla kuin Salesforcella), mikä haastaa myös itseäni antamaan parasta joka päivä.
  2. Monipuolisuus. Olen ehtinyt jo tähänastisen urani aikana oppia monenlaisia asioita ja hankkinut kokemusta monista rooleista. Pystyn hyödyntämään kaikkea tätä aiemmin oppimaani tässä nykyisessä roolissani.
  3. Ongelmat. Tämä saattaa kuulostaa vähän erikoiselta vastaukselta, mutta mitä suurempi ongelma, sitä enemmän innostun sitä ratkomaan –  varsinkin silloin, kun ongelmaan haetaan apua tekoälyratkaisuista.

Mieleenpainuvin hetki Biitillä?

Yksi hetki on erityisesti jäänyt mieleen. Eräs asiakkaani laittoi viestiä lauantaina, että tarvitsee nopeasti apua kriittiseen ongelmaan. Meidän asiakkuustiimistämme useampi henkilö oli jo ehtinyt reagoida pyyntöön ja olivat valmiita auttamaan. Siis viikonloppuna.

Minulle tämä kuvastaa sitä, että ihmiset aidosti välittävät muista ja ovat halukkaita auttamaan aina, kun joku apua todella tarvitsee.

“Nyt vain 9,99 euroa”. Hintaoptimointia on harrastettu siitä saakka, kun joku keksi, että hintaa muuttamalla voidaan tehdä tehdä parempaa tulosta. Teknologisen kehityksen myötä optimoinnin mahdollisuudet ovat moninkertaistuneet. Nykyisin on mahdollista tarjota asiakkaalle paras mahdollinen hinta kaikissa tilanteissa. Myös B2B-bisneksessä, jossa kilpailijoiden hintatietoja ei ole yleisesti saatavilla. Tämänkertaisessa artikkelissa jututimme hinnan optimoinnista twoday’n Joonas Ollilaa, joka on myös lupautunut vieraaksi meidän tulevaan webinaariin.

Keskustelemme kanssasi tänään optimoinnista. Mistä siinä on oikein kyse?

Optimoinnissa on kyse siitä, että pyritään löytämään paras mahdollinen vaihtoehto monien erilaisten vaihtoehtojen joukosta. Optimoinnissa on siis yksinkertaisuudessaan kyse siitä, että yritetään löytää tehokkain keino tavoitteiden saavuttamiseen annetuissa raameissa. Teknologia mahdollistaa sen, että vaihtoehtoja voidaan käydä läpi miltei rajattomasti ja niiden joukosta voidaan seuloa sellaisiakin vaihtoehtoja, joita ihminen ei löytäisi.

Kerro hieman itsestäsi. Mitä teet nykyisin ja miten olet päätynyt nykyiseen asemaasi?

Autan asiakkaita löytämään ratkaisuja monenlaisiin ongelmiin. Oma taustani on sovelletun matematiikan puolelta. Halusin päästä sellaiseen rooliin, jossa voin vaikuttaa mahdollisimman laajasti. Siksi päädyin IT-konsultoinnin pariin. Pidän työssäni myös siitä, että tämä ei ole nollasummapeliä, vaan parhaassa tapauksessa kaikki osapuolet voittavat. Jos ajatellaan vaikkapa myyntiä, niin hintaa optimoimalla voidaan löytää paras mahdollinen hinta sekä myyjän että ostajan näkökulmasta.

Lisäksi teknologiaa hyödyntämällä se voidaan tehdä niin, ettei myyjän tarvitse käyttää siihen juuri lainkaan aikaa, eikä asiakkaan tarvitse jäädä odottamaan tarjousta.

Mitä liiketoimintapäättäjien pitäisi optimoinnista tietää?

Päättäjillä on yleensä varsin hyvä ylätason ymmärrys organisaation tavoitteista sekä keinoista, joilla niihin pyritään. Nämä keinot, eli esimerkiksi myynti, markkinointi, asiakaspalvelu ja henkilöstöhallinto vaativat omanlaisensa prosessit. Usein yritysjohdolle tulee yllätyksenä, että näitä kaikkia osa-alueita voidaan tehostaa merkittävästi automatisoimalla jokin osa prosessista optimointimallin avulla.

Yllätyksenä tulevat usein myös saavutettavat tulokset. Ei ole mitenkään tavatonta, että jonkin osa-alueen optimointi lisää tehokkuutta 5-10 prosenttia. Optimoinnin periaate on yksinkertainen, mutta tekninen toteutus dataputkineen ja algoritmeineen kannattaa jättää asiantuntijoille.

Mihin kaikkeen optimointia voidaan organisaatioissa soveltaa?

Optimointia voidaan soveltaa hyvin erilaisiin asioihin, mutta esittelen tässä muutamia erilaisia esimerkkejä.

Kerron aluksi hyvin arkipäiväisen esimerkin, joka avaa hyvin sitä, mistä optimoinnissa on käytännön tasolla kyse. Meistä varmaan jokainen on joskus leiponut piparkakkuja ja törmännyt siihen haasteeseen, kuinka asetella piparkakkumuotit taikinalle niin, että syntyy mahdollisimman vähän hukkaa ja uuniin saadaan mahdollisimman paljon piparkakkuja. Sama tilanne on edessä teollisuudessa, kun asetellaan komponentteja piirilevylle tai leikataan osia teräslevystä.

Organisaatioissa optimointi toimii ajatuksen tasolla ihan samalla tavalla, mutta asiat ovat paljon monimutkaisempia ja liikkuvia osia paljon enemmän.

Otetaan yhtenä esimerkkinä työvoiman suunnittelu. Ensin meidän pitää ymmärtää, mitä työtehtäviä meillä ylipäätään on eli minkälaisiin tarpeisiin työvoimalla vastataan. Tämän jälkeen suunnitellaan työvuorot sen pohjalta, mitä asioita päivän aikana pitäisi saada tehtyä. Kuulostaa mekaaniselta, mutta sitähän se todellisuudessa on.

Tämän puolen optimointi hyödyttää samaan aikaan kaikkia. Yksittäiselle työntekijälle hyöty on siinä, että työ saadaan mitoitettua tehokkaasti. Ei tarvitse pyöritellä peukaloita tai yrittää tehdä liikaa. Työnjohtaja puolestaan saa apua suunnitteluun. Ylimmän johdon näkökulmasta läpinäkyvyys lisääntyy ja työtarpeiden ennustettavuus paranee. Kaiken tämän päälle suurin vaikutus on tuottavuuden kasvussa, koska optimointi auttaa tekemään enemmän samoilla resursseilla.

Toinen tyypillinen ja hyvä esimerkki on tuotantoympäristö. Tuotantolinjoissa on aina kiinni paljon rahaa, eli koneiston on toimittava tehokkaasti. Nämä tuotantolinjat ovat yleensä monimutkaisia kokonaisuuksia, joita ei kannata yrittää pyörittää fiilispohjalta tai Excel-taulukoilla.

Kolmas esimerkki on ruokatoimitusten toimittaminen, mikä on hyvin klassinen optimointiongelma. Kuinka toimittaa vaikkapa 20 ruokalähetystä mahdollisimman nopeasti ja mahdollisimman lyhyillä reittivalinnoilla? Isossa kuvassa on tietysti oleellisinta, että mitä pienemmällä määrällä ajoneuvoja toimitukset voidaan tehdä, sen parempi.

Organisaation kannalta voidaan myös tarkastella, mitkä ovat niitä kannattavimpia ruokatilauksia ja ohjailla tilauskäyttäytymistä esimerkiksi hinnalla. Jos tilaan tänään ruokaa 15-16 välissä ja naapuri sattuu tekemään tilauksen juuri samaan aikaan, niin meitä voidaan ohjata hinnoittelun avulla tekemään jatkossakin tilauksia samaan aikaan.

Hinnoittelun optimointi kuulostaa mielenkiintoiselta. Miten sitä käytännössä tehdään?

Hintaoptimointi perustuu siihen, että meillä on olemassa dataa siitä, miten asiakas on reagoinut eri hintoihin. On voitettuja ja hävittyjä kauppoja sekä tietoa siitä, mitä tuotteita tai palveluita näihin kauppoihin on kuulunut. Voitetut ja hävityt kaupat voidaan siis purkaa osiin ja lähteä etsimään parasta mahdollista hintaa näiden osien pohjalta.

Yksi esimerkki tästä voisi olla vaikkapa IT-tarvikkeiden toimitus. Isommat firmat tilaavat tarvikkeita paketteina. Halutaan esimerkiksi 700 läppäriä, 200 hiirtä ja 100 näyttöä. IT-tarvikkeiden toimittajat saavat tällaisia tilauksia paljon. Myös ostajat lähettävät usein tarjouspyyntöjä useille toimittajille. Lisäksi tilanne elää jatkuvasti. Joitain tarvikkeita on saatavilla paremmin ja joitain huonommin.

Toimittajana tiedän saatavuustilanteen sekä tiedän historiadatan perusteella, että asiakas A on tilannut tietyllä hinnalla ja asiakas B on jättänyt tilaamatta toisella hinnalla. Näitä tietoja hyödyntämällä voidaan hakea hintajoustoa. Voimme esimerkiksi laskea asiakas C:lle hintaa viidellä prosentilla, jos tiedämme tarjouksen menevän 90 prosentin todennäköisyydellä läpi ja saavamme silti kaupasta riittävän katteen.

Näin haetaan kaupalle optimaalista hintaa. Laskutoimituksissa voidaan huomioida monia etukäteen määriteltyjä asioita, kuten tässä esimerkissä varastotilannetta, kaupan todennäköisyyttä ja katetta. Näitä laskutoimituksia ei todellakaan kannata lähteä tekemään pelkän intuition varassa. Suomessa on edelleen paljon hyvää tulosta tekeviä B2B-yrityksiä, jotka eivät optimoi hintojaan.

Mitä jos näiden yritysten tuottavuutta voitaisiin parantaa vaikka viidellä prosentilla? Optimoinnin avulla hinnoittelupäätökset ovat paljon nopeampia sekä tarkempia. Mitä monimutkaisemmasta tarjouspyynnöstä on kyse, sitä tärkeämpää olisi onnistua löytämään paras mahdollinen hinta. Myyjänä en haluaisi päätyä johonkin hintaan kevyellä valmistelulla ja päässälaskutoimituksilla. Olisi hyvä, että pakista löytyisi työkalu, joka osaisi automaattisesti tarjota jokaiseen tilanteeseen sopivan hinnan.

Onko hinnan optimoinnilla muitakin hyötyjä, joita emme ole vielä käyneet läpi?

Yksi lisähyöty on ainakin se, että tieto kulkee paljon nopeammin. Etenkin isoissa myyntiorganisaatioissa kaikki eivät mitenkään ehdi keskustella keskenään. Optimoinnin avulla voidaan myös reagoida muutoksiin nopeasti.

Jos esimerkiksi kilpailijat ovat jossakin asiakasryhmässä laskeneet hintoja, pystytään optimointimallin avulla tällaisiin muutoksiin reagoimaan nopeasti. Optimointi auttaa olemaan jatkuvasti pulssilla siitä, mitä markkinoilla tapahtuu. Kuluttajapuolella kilpailutilanne on erilainen, koska hinnat ovat julkisia.

Mekin olemme tehneet hintarobotteja, jotka pyrkivät reaaliajassa optimoimaan hintoja muualta kaivettujen hintatietojen pohjalta. B2B-maailmassa hinnat eivät useinkaan ole julkisia, joten hinnoittelupäätökset tehdään asiakkaiden reaktioiden perusteella. Tässä kohtaa voin muuten mainita pienenä kuriositeettina, että kuluttajapuolelta tuttu 0,99 kohdalle asettuva hinta on yksi maailman vanhimmista hinnan optimoinnin sovellutuksista.

Joku on aikoinaan huomannut, että hintaa marginaalisesti alaspäin pyöristämällä kauppa käy ihan eri tavalla. B2B-puoli on siinä mielessä lähentynyt kuluttajapuolta, että jos yksi toimittaja palaa tarjouspyyntöön päivän sisällä ja toinen parin päivän päästä, niin juna on ehkä ehtinyt jo mennä. Jotkut yritykset ovat jo tehneet niin, että voit asiakkaana keskustella chatbotin kanssa ja pyytää tältä alustavan hinta-arvion, minkä jälkeen saat myyjältä sitovan hinnan.

Tämä asettaa toki chatbotille haasteita, sillä asiakkaana tietysti ajattelen, että chatbotilta saatu hinta-arvio on se hinta, jolla saan kaupat tehtyä. Tämä asettaa myyjän hankalaan tilanteeseen, jos chatbotin antama hinta-arvio ei osu kohdalleen.

Te olette nimenomaan erikoistuneet optimointiin. Minkälaisia teidän asiakkaat tyypillisesti ovat? Minkälaisia toteutuksia te heille teette?

Tyypillinen meidän asiakas on isohko suomalainen yritys. Koon puolesta puhutaan ehkäpä top1000-yrityksistä Suomessa. Jotkut asiakkaat haluavat, että toimitamme heille esimerkiksi pelkästään hinnanoptimointimallin ja he vastaavat itse teknisestä toteutuksesta.

Toisille yrityksille toimitamme optimointikokonaisuuden, joka sisältää esimerkiksi mallin rakentamisen, käytännön toteutuksen dataputkineen ja raportoinnin. Jos teknologioita mietitään, niin sillä ei varsinaisesti ole väliä, mihin IT-ympäristöön optimointia lähdetään toteuttamaan.

Aivan kevyimmissä toteutuksissa puhutaan esikartoituksesta ja suositusten antamisesta. Sellaiset ovat yleensä noin parin viikon hankkeita. Jos halutaan ihan oikeaa softaa, esimerkiksi analytiikkamoduuli, niin tällaiset projektit kestävät keskimäärin pari kuukautta. Laajempien kokonaisuuksien osalta puhutaan 4-5 kuukauden hankkeista, jota on tekemässä usean henkilön tiimi.

Meidän asiakkaat ovat tosiaan tyypillisesti isohkoja yrityksiä. Syynä siihen on yksinkertaisesti datan määrän ja laatu sekä resurssit. Jos tavoitteena on kasvattaa tehokkuutta 5% ja se edellyttää muutaman kuukauden kehitysprojektia, niin pienimmillä yrityksillä ei useinkaan ole sellaiseen rahkeita. Selvää on myös, että tulokset kertautuvat, kun puhutaan isosta kokoluokasta tai esimerkiksi isoista volyymeistä. Olemme myös tehneet yhteistyötä monien start-uppien kanssa. He haluavat yleensä viilata jotain tiettyä osa-aluetta ihan tappiin asti ja hakevat sillä kilpailuetua markkinoilla.

Olet mukana meidän järjestämässä webinaarissa 17.5. Haluatko kertoa, miksi kannattaisi tulla mukaan linjoille?

Koska taatusti joku kilpailija on jo hyödyntämässä optimointia tai suunnittelemassa sen hyödyntämistä. Yleisesti ottaen jos tuottavuuden parantaminen kiinnostaa tai kiinnostaa kuulla, miten olemassa olevaa dataa voisi hyödyntää paremmin, niin kannattaa ilmoittautua mukaan.

Vaikka optimointi ei olisikaan juuri nyt ajankohtainen asia omassa organisaatiossa, niin kannattaa tulla kuuntelemaan, mikä on optimoinnin saralla kuuminta hottia juuri nyt. Näytämme webinaarissa ihan käytännössä, miten hintaoptimointi toimii.

 

 

Lähdin kokeilemaan valtavasti huomiota viime aikoina saaneen ChatGPT:n yhdistämistä Salesforceen. Lopputulos on nähtävissä tämän kirjoituksen yhteydessä olevassa videossa. Kerron nyt hieman tarkemmin tästä kokeilustani.

Uusi ystävämme ChatGPT on tosiaan herättänyt paljon huomiota viime aikoina. Moni on kokeillut etsiä sillä tietoa tai kirjoittaa runoja, ja lopputulokset ovat olleet vaikuttavia. Jotta tekoälystä saa enemmän irti, sen on pystyttävä suoraan yhdistymään muihin järjestelmiin kuten toiminnanohjaukseen tai asiakkuudenhallintaan.

Jotta ChatGPT:n saa toimimaan Salesforcen – tai minkä tahansa ulkoisen järjestelmän – kanssa, niin siihen on luotava integraatiot, joiden tekeminen on usein vaivalloista ja hidasta. Välttääkseni kaiken “dokumentaatiorämpimisen” ja “päähän seinään hakkaamisen” pyysin ChatGPT:tä tekemään integraatiokutsut ja käyttöliittymän.

Hetkessä koodit oli kopioituna Salesforceen ja lopputuloksena järjestelmä käänsi automaattisesti asiakkaan kyselyt, minkä lisäksi generoi niihin sähköpostivastaukset. Tämän kaiken tekeminen kesti alle tunnin!

ChatGPT:n rajapintaa kutsutaan yksinkertaisesti lähettämällä sinne vastaava chat-teksti kuin käyttöliittymässä ja tekoäly vastaa siihen kuten käyttöliittymässä. Toimintaperiaate on rajapinnalle nerokas. Teknisesti samalla kyselyllä voi tehdä käytännössä mitä vain! Rajapinnan kyselysanomat ovat yksinkertaisesti muotoa: 

Yhtä rajapintaa, joka on toteutettavissa alle tunnissa(!) voidaan käyttää lukemattomiin tarkoituksiin. Lisäksi tekoälyn palauttamaa vastausta voidaan ohjata oikeanlaisella “kyselytekstillä”, jolloin vastaus palautuu esimerkiksi asiakkaan tunnetilan perusteella.  Tämä vaatii ihmisiltä uudenlaisen taidon: miten kysellä tekoälyltä tehokkaasti (“prompt writing”)! 

Markkinoilla on lukemattomia tekoälyratkaisuja, jotka toimivat esimerkiksi chat-botteina, automaattisina kielenkääntäjinä, tekstin analysoijina jne. Nyt yhdellä järjestelmällä käyttäen yhtä rajapintaa, voidaan korvata lähes kaikki. Tekoälylle on juuri käymässä samoin kuin sosiaaliselle medialle, missä kaikki keskittyy muutamalle toimijalle.

Aloitan kirjoittamaan liittyen teknologiaan ja johtamiseen. Jos aihepiiri kiinnostaa, niin voit seurata minua LinkedIn:ssä tai Twitterissä!

Ps. Jos haluat lähdekoodit, niin laita DM!

ChatGPT-Salesforce Demo.mp4 from Mikko Leskinen on Vimeo.

Tekoäly. Tuo monen mielessä jo elähtänyt buzzword on edelleen teknologia, jota vain harva pieni tai keskisuuri yritys todellisuudessa hyödyntää. Tarinoita tekoälystä kyllä kuulee. Milloin shakin maailmanmestaruuden voittaneena tai Amazonin varastonhallintaa ohjanneena.

Tekoälyllä ratkaistaan kuitenkin useimmiten arkisempia haasteita, kuten kuratoidaan verkkosivun uutisvirtaa kullekin vierailijalle sopivaksi tai ennustetaan asiakaspoistumaa.

Yleensä tämä tapahtuu koneoppimisen avulla, jossa algoritmi oppii sille syötetystä datasta ja pystyy tekemään jatkuvasti tarkempia ennusteita sen pohjalta.

Kuulen usein työssäni asiakkailta, että tekoälyn hyödyntäminen kyllä koetaan tarpeelliseksi, mutta että koko ruljanssiin lähteminen tuntuu tarpeettoman vaikealta. Tarvittaisiin runsaasti kuranttia dataa, mutta tieto on hajallaan eri järjestelmissä.

Lisäksi tarvittaisiin analytiikkatiimi asian taakse, mutta resurssit uupuvat. Kaikkien muiden haasteiden lisäksi pitäisi vielä löytyä selkeä käyttötapaus, jota lähteä pilotoimaan.

Koko prosessi datan keräämisestä analysointiin ja hyödyntämiseen pitäisi myös viedä yrityksen liiketoimintaprosesseihin, jotta homma ei jäisi yksittäiseksi kokeiluksi tai resursseja hukanneeksi harjoitukseksi pöytälaatikkoon.

”Ensimmäinen askel siis kuulostaa ylitsepääsemättömältä.”

Ensimmäinen askel siis kuulostaa monesta ylitsepääsemättömältä. Asetelma on samanlainen kuin jos lähtisi harrastamaan seiväshyppyä nollasta – alinkin rimankorkeus tuntuu kohtuuttoman haastavalta, koska ylipäätään seipään käyttäminen ja sen avulla ponnistaminen edellyttävät valtavasti voimaa ja taitoa. Siis resursseja.

Tekoälyyn ei siis uskalleta lähteä hevin investoimaan, koska onnistuminen on epävarmaa.

Saatavilla olevasta datasta liikkeelle

Tekoälystä ja analytiikasta puhuttaessa suuri osa resursseista menee usein datan keräämiseen, puhdistamiseen ja analysointiin.

Kehotankin miettimään aluksi, minkälaista dataa yrityksessä on tällä hetkellä helposti saatavilla, mahdollisimman paljon ja mielellään eheässä muodossa. Tällaista dataa voi olla esimerkiksi toiminnanohjausjärjestelmässä tai CRM:ssä. 

Seuraavaksi voit lähteä miettimään, miten tuota dataa voisi hyödyntää – onko esimerkiksi asiakkaille lähetetyt tarjoukset merkattuina järjestelmässä?

Jos lähetettyjä tarjouksia on tuhansittain, niin koneoppimisen avulla datasta löytyisi todennäköisesti syy–seuraussuhteita, jolloin järjestelmä voisi ohjata myyjiä lähettämään entistä parempia tarjouksia.

Tekoäly helpottaakin juuri tiedon muuttamista toimintasuunnitelmiksi, mikä on ollut perinteisten Business Intelligence (BI) -työkalujen haaste. Hyvä uutinen on, että moderneissa BI-työkaluissa tekoäly voi olla sisäänrakennettuna. 

On hyvä muistaa, että tässä vaiheessa ei tarvitse tehdä kaikkea talon sisäisillä resursseilla, vaan tekoälyosaamista voi ostaa ulkopuoliselta palveluntarjoajalta. Aivan kuten esimerkiksi taloushallinto on usein yrityksissä ulkoistettu.

Haluatko lukea lisää tekoälystä ja sen hyödyntämisestä? Tässä linkki kaikkiin aihetta käsitteleviin teksteihimme.

Tableau on Salesforcen vastaus tekoälystä kiinnostuneille

Salesforce on mukana tässä kehityksessä Tableau-tuoteperheellä. Salesforcen etuna on se, että ennusteet ja mittaristot saadaan vietyä suoraan liiketoimintakäyttäjien hyödynnettäviksi CRM-ympäristöön – ilman integraatioita.

”Salesforcen etuna on se, että ennusteet ja mittaristot saadaan vietyä suoraan liiketoimintakäyttäjien hyödynnettäviksi CRM-ympäristöön”

Kerron tässä vielä lopuksi yhden hyvin arkisen ja tyypillisen esimerkin siitä, miten tekoälyn kyvykkyyksiin pääsee Salesforcen avulla melko vaivattomasti käsiksi.

Keskustelin erään rakennusalalla toimivan asiakkaan kanssa liidigeneroinnista ja liidien ohjaamisesta myyjille kontaktoitaviksi. Asiakkaan tilanne oli, että liidejä olisi kyllä tarjolla, mutta niitä ei systemaattisesti kontaktoitu.

Kerroin, että liidit voisi tuoda eri kanavista yhteen järjestelmään ja siitä automaation avulla ohjata oikeille myyjille. Asiakas ei kuitenkaan innostunut ideasta, koska liidien laatu oli tyypillisesti heikkoa, jolloin myyjien aikaa olisi kulunut hukkaan.

Onneksi tähän haasteeseen löytyi valmis tekoälyn mahdollistama ratkaisu. Tekoälyn avulla pystyttiin pisteyttämään liidit Salesforcessa ja laittamaan ne myyjille jonoon niiden potentiaalin perusteella, jolloin myyjät pystyvät keskittymään vain laadukkaimpiin liideihin.

Tekoäly siis oppii jatkuvasti siitä, mitkä eri muuttujat ja tekijät vaikuttavat kauppojen syntymiseen ja muodostaa näiden tekijöiden pohjalta arvosanan kullekin liidille. Tekoäly pystyy siis tarjoilemaan päätöksenteon tueksi arvokkaita näkemyksiä juuri siinä hetkessä ja kontekstissa, jolloin päätöksiä tehdään.

”Tekoäly pystyy tarjoilemaan päätöksenteon tueksi näkemyksiä juuri silloin, kun päätöksiä tehdään.”

Toinen varsin tyypillinen tilanne, jossa tekoälystä on paljon hyötyä, on asiakaspalvelutilanne. Tekoäly voi ehdottaa käyttäjälle suoraa vastausta asiakkaan esittämään kysymykseen, jolloin tikettien ratkaisuaikaa saadaan nopeutettua merkittävästi. Samalla säästetään siis asiakkaiden aikaa ja yrityksen omia resursseja.

Oletko kiinnostunut kuulemaan, miten sinä voisit päästä kiinni Salesforcen tekoälykyvykkyyksiin? Ota ihmeessä yhteyttä vaikkapa LinkedInissä!

Tekoälyn potentiaali on kiistaton. Sen avulla voidaan jo tänä päivänä tehdä uskomattomia asioita, kuten automatisoida työprosesseja ja analysoida valtavia määriä dataa silmänräpäyksessä. Potentiaalista huolimatta harvalla yrityksellä on kuitenkaan vielä edellytyksiä hyödyntää tekoälyä myynnin johtamisessa.

Olemme viime vuosien aikana tehneet lukemattomia asiakaskäyntejä ja tutkineet CRM-järjestelmien hyödyntämistä suomalaisyrityksissä. Meille on muodostunut varsin tarkka käsitys myynnin johtamisen tilasta Suomessa.

Tällä hetkellä tärkeintä olisi saada perustekeminen riittävän korkealle tasolle.

Olin äskettäin Tampereella puhumassa “Tekoäly ja myynnin tulevaisuus” -seminaarissa, jossa tarkasteltiin tekoälyn mahdollisuuksia myynnin kehittämisessä monelta eri kantilta. Viestini tapahtumaan kerääntyneelle runsaslukuiselle yleisölle oli yksinkertainen: suurin osa yrityksistä ei ole vielä valmiita hyödyntämään tekoälyä myynnin johtamisessa.

Miksi?

Syitä on monia, mutta hieman yksinkertaistaen kyse on heikkolaatuisesta datasta ja CRM-järjestelmien vaillinnaisesta hyödyntämisestä. 

Lue tutkimusraportista, mikä on myynnin johtamisen tilanne Suomessa ja nappaa parhaat vinkit myynnin johtamisen kehittämiseen.

Mistä rahasi tulevat?

Kun puhutaan tekoälystä ja myynnin johtamisesta, keskitytään usein liidien ja myyntimahdollisuuksien kvalifiointiin. Tekoälyn ajatellaan ikään kuin pystyvän erottamaan jyvät akanoista. Ideaalimaailmassa tekoäly pystyisi vaivattomasti poimimaan liideistä lupaavimmat ja auttamaan yritystä keskittymään myyntityössä juuri oikeisiin asioihin.

Elämme kuitenkin reaalimaailmassa, jossa asiat eivät aina toimi niin kuin haluaisimme niiden toimivan.

Käytännön esimerkit tekoälykeskustelussa liittyvät miltei poikkeuksetta uusmyyntiin, vaikka yritysten myynnistä suurin osa tulee usein jo olemassa olevilta asiakkailta. Kun tarkastelemme, miten yritykset näille nykyisille asiakkailleen myyvät, törmäämme tekoälyn näkökulmasta merkittäviin haasteisiin.

Kuvailen tässä muutamia eri tapoja, joilla yritykset myyvät nykyisille asiakkailleen. Kuvailen myös samalla hieman kärjistäen, minkälaisia haasteita yleiset käytännöt aiheuttavat laadukkaan datan keräämisen näkökulmasta. Tämä auttaa ymmärtämään paremmin, miksi tekoälyn hyödyntäminen on niin hankalaa.

Jotta tekoälyä voidaan hyödyntää myynnin johtamisessa, tarvitaan laadukasta dataa.

Mikäli data on levällään eri järjestelmissä tai laadultaan heikkoa, tai myyjät eivät käytä järjestelmää optimaalisella tavalla, ei tekoälystä ole myyntityössä hyötyä. 

Tarkastellaan edelleen myyntimahdollisuutta jo olemassa olevalle asiakkaalle. Myyntimahdollisuuden voittamiseen vaikuttaa valtava määrä asioita, kuten yrityksen oma tarjooma, hinnoittelu, kilpailijat ja henkilökemia. Muuttujia on niin paljon, että kaikkien niiden vaikutusta lopputulokseen on mahdotonta arvioida. 

Tekoälylle tällainen analysointi on kuitenkin ideaalimaailmassa lastenleikkiä. Tekoäly voi kertoa, kuinka todennäköistä myyntimahdollisuuden voittaminen on ja mitä myyjän kannattaa tehdä mahdollisuuksien parantamiseksi. Kaikki tämä tieto voi löytyä helposti CRM-järjestelmästä muiden perustietojen rinnalta.

Palataanpa takaisin reaalimaailmaan. Jos myyjät eivät käytä CRM-järjestelmää kunnolla, vaan täyttävät silmiään pyöritellen ainoastaan pakolliset tiedot jälkikäteen myyntimahdollisuuden lopputuloksesta, ei järjestelmään yksinkertaisesti kerry riittävästi laadukasta dataa, jota tekoäly voisi analysoida.

Tekoälyn hyödyntäminen siis edellyttää, että yritykset harppaavat reaalimaailmasta ideaalimaailmaan. Se vaatii perusasioihin keskittymistä. Kun perustekeminen saadaan riittävän korkealle tasolle, voidaan myös tekoälyn huikea potentiaali valjastaa myynnin käyttöön.

Kolme vinkkiä perustason nostamiseen

CRM:ään konfiguroidut myyntiprosessit tuottavat valtavat määrät laadukasta dataa, jos järjestelmiä käytetään ja hyödynnetään kunnolla. Tekoäly voi auttaa johtamaan myyntiä datan avulla sekä tukea myyjien omaa tekemistä lukuisilla eri tavoilla. Tekoälyä voi hyödyntää sekä uusmyynnissä että nykyisille asiakkaille myymisessä.

Tämä kaikki vaatii kuitenkin perusasioiden saamista kuntoon.

Jotta perusasiat saadaan kuntoon, on tehtävä muutama asia:

  1. Kaikki eri myyntiprosessit on rakennettava järjestelmiin. Emme ole vielä kertaakaan törmänneet yritykseen, jossa olisi vain yksi myyntiprosessi. Olemme kuitenkin nähneet monia yrityksiä, joissa myyntiä yritetään johtaa vain yhden CRM:ään rakennetun myyntiprosessin kautta.
  2. Kaikki tarpeellinen data on saatava samaan paikkaan. Jos asiakkaasi esimerkiksi tekevät tilauksia verkkokaupassa, on tämä data saatava myös CRM:n puolelle.
  3. Datan laatu on laitettava kuntoon. Usein tämä tarkoittaa sitä, että myyjät on saatava käyttämään CRM:ää. Myyjät kyllä käyttävät CRM:ää mielellään, kunhan ovat päässeet alusta asti mukaan sen kehittämiseen ja kokevat sen auttavan heitä työn tekemisessä.

Kun perusasiat ovat kunnossa, voidaan myyntiä johtaa entistä paremmin tekoälyn tekemien suositusten avulla.

Jos haluat lukea lisää tekoälystä myynnissä, käy lataamassa “Myy enemmän tekoälyn avulla” -oppaamme.

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.

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.