Melko tarkkaan 20 vuotta sitten IBM:n supertietokone Deep Blue voitti shakissa ensimmäisen kerran maailmanmestari Garry Kasparovin. Vuonna 1996 venäläispelaaja vielä peittosi tietokoneen pistein 4-2 mutta reilua vuotta myöhemmin osat vaihtuivat ja Deep Blue jäi historiankirjoihin ensimmäisenä tietokoneohjelmana, joka pystyi kukistamaan hallitsevan maailmanmestarin shakissa.

Deep Bluen tapauksessa kyse ei varsinaisesti ollut tekoälystä. Shakki pelinä perustuu rajalliseen, joskin erittäin suureen määrään mahdollisia siirtoja ja voittoon riitti, kun ohjelma saavutti riittävän suuren laskentatehon ja pystyi luotettavasti käymään kaikki mahdolliset siirrot jokaisessa pelitilanteessa ja laskemaan todennäköisyyksiin pohjautuen parhaan mahdollisen ratkaisun. Deep Blue ei varsinaisesti kehittynyt paremmaksi pelin kehittyessä vaan sitä kehitettiin paremmaksi pelien välillä.

Tietokoneen laskentanteho mahdollistaa sen, että voidaan vertailla satoja tai jopa tuhansia yrityksiä koskevia parametreja ja etsiä korrelaatioita.

Prospektointiohjelmistojen historia

Myös prospektoinnissa erilaisia ohjelmistoja on hyödynnetty jo pitkään. Puhelinluetteloiden digitointi loi jo 90-luvulla paljon paikallisia sähköisiä yrityshakemistoja, joiden avulla B2B-myyjä saattoi melko vaivattomasti kartoittaa kaikki tietyn alueen, toimialan ja kokoluokan yritykset muutamalla yksinkertaisella hakukomennolla.

Hieman edistyksellisempiä ratkaisuja tuli markkinoille, kun prospektointiohjelmistoihin ja asiakkuudenhallintajärjestelmiin lisättiin toimintoja kuten liidipisteytys ja samankaltaisten yritysten tunnistaminen. Näissäkään ratkaisuissa ei varsinaisesti hyödynnetty tekoälyä vaan kyseessä oli tietokantaan tehtävä haku, joka oli tehty palvelun käyttäjälle entistäkin helpommaksi.

Ihminen kohderyhmän määrittelijänä

Valtaosassa yrityksiä ihmistä tarvitaan edelleen määrittelemään yrityksen tavoiteltu asiakaskohderyhmä. Esimerkiksi meillä Vainulla kohderyhmämäärittely voisi kuulua seuraavasti: “Palvelumme soveltuu parhaiten B2B-yrityksille, jotka panostavat moderniin myyntiin, ovat kasvuhakuisia ja tutustuvat uteliaasti uuden teknologian luomiin mahdollisuuksiin.”

Kohderyhmämäärittely muutetaan sen jälkeen hakuehdoiksi, joiden perusteella Vainu-ohjelmistomme luo dynaamisen kohderyhmän, joka päivittyy reaaliajassa, kun uusia ehdot täyttäviä yrityksiä löytyy. Hakuehtojen rakentaminen vaatii usein vielä ihmistä. Esim. kasvuhalukkuutta tai uteliaisuutta uusia teknologioita kohtaan ei perinteisesti ole suoraan löytynyt mistään yksittäisestä tietokannasta, mutta ne voidaan päätellä esimerkiksi tutkimalla koneellisesti yrityksen hyödyntämiä web-teknologioita. Yritys, jolla on markkinoinnin automaation ohjelmisto, live-chat -palvelu verkkosivulla ja joka hyödyntää mainonnassa Facebook Pixel Eventtejä on todennäköisesti huomattavasti kiinnostuneempi uudesta teknologiasta kuin yritys, joiden web-sivulla ei tämänkaltaisia teknologioita hyödynnetä.

Ohjelmistotoimittajat pyrkivät toki tekemään näitä määrittelyjä valmiiksi käyttäjille, jolloin käyttäjän ei tarvitse kiinnittää huomioita tiettyihin yksittäisiin asioihin vaan hänelle voidaan suoraan luoda hakuehto “teknologisesti edistyksellinen”. Säästää valtavasti aikaa, vaikka tekoälyä tässäkään prosessissa ei vielä varsinaisesti vaadita.

Prospektoinnin aikaulottuvuus

Ajoituksen merkitys myynnissä on suuri, ja se luo oman haasteensa prospektoinnille ja siihen rakennetuille ohjelmistoille. Tietty yritys voi olla hyvä prospekti vain lyhyen ajanjakson ajan. Esimerkiksi kansainvälistymispalveluiden myyjän kannalta kansainvälistymistä aloittava yritys on mielenkiintoinen prospekti, mutta muutamaa kuukautta myöhemmin sama yritys voi olla jo huono prospekti, koska tarve myyjän palveluille oli konkreettinen vain tietyn ajanjakson ajan.

Ajoituksen merkitys myynnissä on suuri, ja se luo oman haasteensa prospektoinnille ja siihen rakennetuille ohjelmistoille.

Tilastollisesti yritykset ostavat enemmän palveluita tilikauden päättymistä edeltävän ja seuraavan kuukauden aikana, joten yritykset joiden tilikausi päättyy 31.5. ovat tietyille palveluntarjoajille parempia prospekteja touko-kesäkuussa kuin joulu-tammikuussa.

Käyttäjän oman datan hyödyntäminen

Yhä useammin prospektointiohjelmistoon kirjauduttaessa käyttäjää pyydetään linkittämään esimerkiksi CRM-tili ja/tai sosiaalisen median kanavia kiinni ohjelmistoon. Syy on yksinkertainen. Mitä enemmän käyttäjä luovuttaa tietoja omasta myyntityöstään ja kiinnostuksen kohteista, sitä paremmin ohjelmisto pystyy luomaan valmiiksi kohderyhmiä yrityksistä, jotka vaikuttavat vastaavan myyjän kiinnostuksen kohteita. Sama asia voidaan toteuttaa myös lyhyellä kyselyllä, jossa käyttäjä kertoo kohderyhmänsä perusparametrit.

Tämäkään vaihe ei vielä varsinaisesti edellytä ohjelmistolta oppimista. Kyse on edelleen tietokannassa löytyviin parametreihin suuntautuvia kyselyitä, joiden tuloksia käyttäjälle esitetään.

Tietokone löytää samankaltaisuuksia isoista tietomassoista ihmistä tehokkaammin.

Äkkiseltään yrityksissä A, B ja C ei välttämättä ole juurikaan samankaltaisuuksia, vaikka ne kaikki saattavat olla erinomaisia asiakkaita. Toimiala, kokoluokka ja sijainti saattavat olla täysin erilaisia, mutta silti jokainen niistä on aikanaan ollut erinomainen prospekti, koska heidän kanssaan on aloitettu kaupankäynti. Tietokoneen laskentanteho mahdollistaa sen, että voidaan vertailla satoja tai jopa tuhansia yrityksiä koskevia parametreja ja etsiä korrelaatioita. A, B ja C yritys eivät välttämättä myyjän silmin vaikuta kovin samankaltaisilta mutta tietokone löytää samankaltaisuuksia isoista tietomassoista ihmistä tehokkaammin.

Opetusaineiston merkitys

Koneoppimisesta on kyse, kun muodostetaan jokin yritysjoukko, jota käytetään opetusaineistona. Kyseessä voi olla käyttäjän edellä kuvatuin keinon määrittelemä joukko yrityksiä tai sitten kyseessä on automaattisesti päivittyvä ryhmä yrityksiä.

Opetusaineiston perusteella ohjelmisto pystyy esittämään myyjälle todennäköisimmin konvertoituvat prospektit – myyjän ei välttämättä tarvitse edes ymmärtää, miksi jokin prospekti on hyvä.

Opetusaineiston hyödyntäminen koneoppimisessa perustuu siihen, että voimme todeta jonkin asian perusteella onko olettamus prospektin hyvyydestä ollut totta vai ei. Mikäli prospekti on päätynyt asiakkaaksi, on prospekti mitä ilmeisimmin ollut hyvä. Joskus jo se, että prospekti haluaa tavata myyjän, voi olla todiste prospektin hyvyydestä. Koneoppiminen tässä esimerkissä tarkoittaa sitä, että ohjelmisto kehittyy koko ajan paremmaksi perustuen siihen minkälaiset prospektit päätyvät ostamaan myyjältä tai haluavat tavata myyjän. Tarvittaessa jo se, että myyjä on siirtänyt jonkin tietyn yrityksen CRM-ohjelmistoon, on riittävä tieto kyseisen prospektin osuvuudesta.

Opetusaineiston perusteella ohjelmisto pystyy esittämään myyjälle lisää mahdollisimman samankaltaisia yrityksiä. Myyjän ei välttämättä tarvitse aina edes tietää tai ymmärtää miksi jokin prospekti on hyvä, mutta hän voi luottaa siihen, että tietokone on laskenut todennäköisyyden palaverin buukkaukselle tai kaupan saamiselle olevan erityisen korkea.

New Call-to-action

Ihminen tulkkina

Ihmistä tarvitaan edelleen myyntiprosessin monissa vaiheissa. Ensimmäisiä vaiheita, joissa ohjelmistot jo aktiivisesti toimivat myyntiprosessissa ovat kiinnostuksen herättäminen ja palaverin sopiminen. Kuluttajapuolella kiinnostus usein herätetään markkinoinnin keinoin ja mainosten automaattinen kohdentaminen on esimerkki tekoälyn hyödyntämisestä myyntiprosessissa. Yritysmyynnissä tulemme näkemään botteja, jotka lähestyvät tiettyjä yrityksiä tiettynä ajankohtana ja tietyntyyppisellä viestillä. Nämä botit pyrkivät myös sopimaan palavereja myyjille valmiiksi.

Ohjelmistoilla on kuitenkin vielä pitkä matka siihen, että ne pystyisivät ihmisen tavoin antamaan merkityksiä, lukemaan rivien välistä ja rakentamaan luottamusta. Hyvä myyjä ymmärtää asioiden taustoja ja esittää asioita oikeassa kontekstissa. Kaikissa näissä myyjä suoriutuu vielä huomattavasti tietokonetta paremmin.

Hyvä myyjä ymmärtää asioiden taustoja ja esittää asioita oikeassa kontekstissa. Kaikissa näissä myyjä suoriutuu vielä huomattavasti tietokonetta paremmin.

Ostajana ihminen ei toimi aina rationaalisesti, vaikka myyjät usein näin olettavatkin. Prospektoinnissa on myös, toisin kuin shakissa, käytössä miltei ääretön määrä tietoa ja mahdollisia toimenpiteitä (=siirtoja). Juuri rationaalisuuden puute, epätäydellinen informaatio sekä miltei rajaton määrä vaihtoehtoja tekevät prospektoinnista shakkia haastavamman pelin tietokoneelle.

Maailman parhaat myyntiorganisaatiot panostavat tällä hetkellä valtavasti myyntiteknologiaan. Usein kyseessä on vielä ennen kaikkea lisääntynen tiedon ja koneiden laskentatehon hyödyntäminen, mutta enenevissä määrin myyjä myös hyötyy ohjelmistojen tekoälystä, joka osaa ehdottaa toimenpiteitä, löytää uusia myyntikulmia ja toimii myyjän väsymättömänä assistenttina, tutkijana ja sparraajana.

Myyjä hyötyy tekoälystä, joka osaa ehdottaa toimenpiteitä, löytää uusia myyntikulmia ja toimii myyjän väsymättömänä assistenttina, tutkijana ja sparraajana.

Me Vainulla haluamme olla tämän kehityksen kärjessä. Haluamme, että meillä on tietokannassa kaikkien yritysten kaikki nykyiset ja kaikki tulevat asiakkaat – ja niistä enemmän tietoa kuin kenelläkään muulla. Matka on pitkä, mutta se on alkanut jo useampi vuosi sitten. Jo nyt Vainu on mullistanut yli tuhannen organisaation tavan tehdä prospektointia ja se oppii paremmaksi vuoden joka ikinen päivä. Fiksu myyjä ei pelaa tietokonetta vastaan vaan sen kanssa.

Aihealueet: Prospektointi Sales AI

Piditkö blogista? Muista jakaa eteenpäin!

Uudet blogit suoraan mailiin!