هوش مشترک: چگونگی ارزش آفرینی هوش انسانی و مصنوعی در امتداد قیف فروش B2B
فرآ یند فروش B2B در حال تحولات اساسی است با پیشرفت در فناوری اطلاعات و ارتباطات ، به ویژه در هوش مصنوعی . فرضیه هوش مصنوعی تبدیل مقادیر زیادی از داده ها به اطلاعات است. برا ی ایجاد دانش برتر و مدیریت دانش در فروش B2B. بنابراین ، هوش مصنوعی می تواند روند فروش سنتی انسان محور را به میزان قابل توجهی تغییر دهد. در این مقاله ، ما توضیح میدهیم که چگونه AI بر روی قیف فروش B2B تأثیر می گذارد. بر ای هر مرحله از برنامه ،ما وظایف اصلی فروش را توصیف میکنیم ، مشارکت های خاص AI را توضیح میدهیم و نقشی را که انسان بازی میکند روشن میکنیم. ما همچنین ملاحظات مدیریتی را برای به حداکثر رساندن کمک های AI و افراد در زمینه فروش B2B ترسیم میکنیم.
1. آیا هوش مصنوعی می تواند به کارایی فروش کمک کند؟
مدیران فروش B2B همیشه نگران ارایه خدمات به مشتریان خود در مراحل فروش هستند. با این حال ، از آن زمان تاکنون چیزهای زیادی تغییر کرده است. روزهای فروشنده کلیشه ای ، ویلی لومان ، قهرمان داستان آرتور میلر در سال 1949 در نقش مرگ یک فروشنده.
همانطور که نقل قول آغازین نشان داد ، سفرهای Loman او را به بسیاری از شهرها می برد که در آنها می توانست به ارتباطات شخصی ، عاطفی و شغلی با مشتریان خود اعتماد کند. در این روند لومان و سایر فروشندگانش که عمدتا مورد اعتماد بودند از فناوری های آنالوگ (برای مثال نقشه ها ، تلفن های ثابت و ...) برای امکان فروش B2B استفاده میکردند.
راه اندازی اولین تلفن همراه جهان مطمئناً مدتها پیش بود. بسیاری از فناوری ها ، فروش B2B را از آن زمان دسخوش تغییر کردند ، به ویژه پیشرفت های عمیق در فناوری اطلاعات و ارتباطات، دیجیتالی شدن و البته هوش مصنوعی (AI).
به طور خاص ، سیستم های هوش مصنوعی که به عنوان سیستم های اطلاعاتی تعریف شده نام برده میشوند که هوشمندانه عمل میکنند، تفاوت های اساسی با پیشرفت های تکنولوژیکی گذشته دارند. در حالی که نوآوری های فنی قبلی ، از جمله ظهور تلفن ، رایانه یا اینترنت ، به جمع آوری کمک کرد ، جمع آوری ، پردازش یا برقراری ارتباط داده ها بازهم به عهده انسان است.
امروزه ، فناوری های نوظهور از جمله هوش مصنوعی توانستند تعاملات بین انسان و ماشین را به میزان قابل توجهی تغییر دهند ، هوش مصنوعی رایانه ها را قادر میسازد تا مشکلات را با حداقل یا بدون دخالت انسان حل کنند.
بخش فروش B2B از تغییرات اساسی ایجاد شده توسط هوش مصنوعی مصون نیست . در واقع ، بخش B2B علاقه فزاینده ای به این فناوری نشان میدهد.
یک نظرسنجی که اخیرا از بیش از 1400 مدیر بازاریابی B2Bکه توسط MIT Technology Review و Google انجام شده نشان داد که خدمات حرفه ای در میان بخش های برتر برای پذیرش ، هوش مصنوعی AI)) بود.
هوش مصنوعی می تواند به شرکت های B2Bکمک کند تا مقادیر زیادی از داده ها را به اطلاعات و در نهایت دانش به منظور توسعه استراتژی ها و تاکتیک های فروش موثر ترجمه کنند.
به دلیل تغییر سریع تنظیمات مشتری ، این کار برای B2Bکاری دشوار بوده است ، یک فرآیند فروش طولانی تر با چندین تأثیرگذار در تصمیم گیری خرید ، و تغییراتی در بازار که بیشتر و سریعتر اتفاق می افتد.
در پاسخ موفقیت آمیز به این تغییرات بازار و فناوری ، سازمان های فروش B2B باید به سازمان های دانش واقعی تبدیل شوند.
دانش برتر در مورد مشتریان ، کاربران ، رقبا و سایر نهادهای بازار آنها می تواند به سازمان های فروش B2Bکمک کند تا یک مزیت رقابتی پایدار ایجاد کنند. در اینجا انتظار می رود هوش مصنوعی کیفیت و کمیت اطلاعات پیشرفته ای را به همراه آورد که شرکت های B2Bمی توانند سفارشی سازی ، شخصی سازی و مدیریت داده ها را بهبود بخشند.
با این حال ، به نظر می رسد بین اشتیاق بازاریاب ها برای توانایی بالقوه هوش مصنوعی و دانش آنها از هوش مصنوعی و نحوه استفاده از آن اختلاف وجود دارد. به صورت آشکار ، بازاریاب ها در استفاده از هوش مصنوعی در استراتژی ها و تاکتیک های بازاریابی خود مردد هستند.
اگرچه مشخص است که هوش مصنوعی آمادگی ایجاد تغییر در روند فروش B2Bرا دارد ، اما در مورد مشارکت های خاص AIکه می تواند در هر مرحله از فرآیند سنتی انسان محور ایجاد کند ، و اینکه چه نوع تغییراتی در AI برای کمک های انسانی ایجاد می شود ، راهنمایی کمی وجود دارد و این عدم راهنمایی مدیریتی مسئله ساز است. علاوه بر این ، دانشمندان اخیراً نیاز به درک بیشتر ما از نقش AI در فروش B2B را درک کرده اند ، و خواستار کار علمی در این زمینه هستند. در این مقاله ، با توضیح چگونگی تغییر AIدر روند فروش B2B، به این فراخوان برای تحقیقات بیشتر پاسخ می دهیم.
مشخصا ، ما به یک فرآیند فروش هفت مرحله ای متکی هستیم که در تحقیقات موجود بسیار مورد استفاده قرار گرفته است و در بیشتر شرایط فروش اعمال می شود. برای هر مرحله از فرآیند ، که به آن قیف فروش نیز گفته می شود ، ما وظایف اصلی فروش را شرح می دهیم و نحوه ارزش افزوده هوش مصنوعی را توضیح می دهیم. علاوه بر این ، ما نقشی را که کمک های انسانی و تصمیم گیری انسان در هر مرحله از قیف فروش مجهز به هوش مصنوعی بازی می کنند را هم روشن می کنیم. در این مقاله ، ما مختصری از سیستم های هوش مصنوعی را ارائه می دهیم و توضیح می دهیم که AI و افراد می توانند در هر مرحله از قیف فروش چه سهمی داشته باشند. ما با خلاصه ای از هفت ملاحظه مدیریتی برای به حداکثر رساندن کمک های AIو افراد در زمینه فروش B2B، جمع بندی میکنیم.
2. مبانی هوش مصنوعی
هوش مصنوعی می تواند یک اصطلاح گمراه کننده باشد زیرا این احتمال را به وجود می آورد که رایانه ها هوش شبیه انسان را نشان می دهند. اما اینطور نیست. بلکه سیستم های هوش مصنوعی امروزی سیستم های اطلاعاتی هستند که با توجه به آنچه می دانند منطقی عمل می کنند. به عبارت دیگر ، عملکرد یک سیستم هوش مصنوعی از نظر انطباق آن با هوش انسان سنجیده نمی شود ، بلکه از نظر عملکردی ایده آل به نام عقلانیت اندازه گیری می شود. یک سیستم هوش مصنوعی با توجه به آنچه می داند ، هوشمندانه عمل می کند. بنابراین سیستم های AIمشکلات را برای دستیابی به آن حل می کنند و بهترین نتیجه یا در صورت عدم اطمینان بهترین نتیجه پیش بینی شده را تحویل میدهند.
تعريف ما از هوش مصنوعي در اين مقاله از مفهومي است كه معمولاً در رسانه هاي مشهور به وسيله آن هوش مصنوعي انسان تقليد مي شود ؛ ما هوش مصنوعی را به عنوان سیستم های اطلاعاتی مفهوم سازی می کنیم که برای حل مشکلات براساس اطلاعات موجود در اختیار آنها منطقی عمل می کنند.
در حالی که تعداد زیادی از برنامه های کاربردی هوش مصنوعی در بسیاری از صنایع وجود دارد ، همه سیستم های هوش مصنوعی را می توان با استفاده از یک مدل مشترک فرایند - خروجی توضیح داد: سیستم های اطلاعاتی AI به داده های محیط خود نیاز دارند (ورودی ها) ، این داده ها را به روش های ایجاد ارزش دستکاری میکنند ( پردازش ها) ، و اطلاعات (خروجی ها) را به محیط بازمیگردانند.
ما به صورت خلاصه هر یک از این سه جزء (ورودی ها ، پردازش ها ، خروجی ها) را تشریح میکنیم.
2.1 ورودی ها
یک سیستم اطلاعاتی AIبرای تغذیه مراحل ورودی - فرایند - خروجی خود به داده های محیط اطراف خود نیاز دارد.
داده ها Data)) مقادیری هستند که برای توصیف یک مورد یا شخص با توجه به متغیرهای کمی یا کیفی آن توصیف می شوند ، اما هنگام تجزیه و تحلیل و پردازش ، فقط داده ها می توانند برای تصمیم گیری مفید واقع شوند.
برای هوش مصنوعی ، ورودی داده ها به دو شکل وجود دارد:
داده های ساختاری مجموعه داده های استاندارد شده را به صورت عددی شامل اطلاعات جمعیتی ، کلیک های وب یا سوابق معامله در بر می گیرد در حالی که داده های غیر ساختاری غیر عددی است و به صورت متن ، صوت یا تصاویر چند وجهی است (به عنوان مثال ، نظرات ، پسندیدن ، بررسی ها ، سوالات ، عکس ها ، فیلم ها) . تخمین زده می شود که 80٪ از داده های امروز ساختار نداشته و 15 برابر سریعتر از داده های ساخت یافته رشد می کنند.
2.2 پردازش ها
سیستم های هوش مصنوعی با قدرت محاسباتی عظیم خود می توانند مقدار زیادی از داده های ساخت یافته را بسیار کارآمد پردازش کنند ، اما این توانایی آنها در پردازش داده های غیر ساختاری از نظر ارزش است که باعث تمایز آنها از سیستم های اطلاعاتی شده است. هوش مصنوعی از درک زبان طبیعی برای تجزیه و تحلیل و تخصیص معنی به زبان انسان به صورت گفتاری و نوشتاری استفاده می کند. به عنوان مثال ، سیستم های هوش مصنوعی می توانند مضامین ، کلمات کلیدی ، احساسات یا علایق را از بخشی از متن استخراج کنند که این به بازاریابان امکان می دهد تصویر واضح تری از مشخصات ، نیازها و رفتارهای مشتریان خود ترسیم کنند.
سیستم های هوش مصنوعی همچنین می توانند داده های غیر ساختاری - غیرکلامی را پردازش کنند. به عنوان مثال ، بینایی رایانه ای الگوها را تشخیص می دهد و از تصاویر ثابت ، نشانه های صورت یا حرکات بدن اطلاعات مفید استخراج میکند.
درک زبان طبیعی و بینایی رایانه دو مرحله مهم پیش پردازش هستند. این مراحل از طریق نرمال سازی ، استخراج ویژگی و انتخاب ، داده ها را تغییر می دهد. سپس داده های بدست آمده را می توان با سه روش اصلی AI: حل مسئله ، استدلال و یادگیری ماشین (ML) به روشهای ارزش آفرینی بیشتر پردازش کرد.
این فرایندها منجر به شناسایی مهم الگوها و نتیجه گیری از داده های مورد تجزیه و تحلیل می شود. به عنوان مثال ، بازاریابان ممکن است بخواهند با استفاده از یک مدل تقسیم بندی مبتنی بر سابقه مرور وب مشتری ، نامه الکترونیکی و سوالات تلفنی و اطلاعات جمعیتی ، چشم اندازها (یعنی مسئله ای که باید حل شود) را شناسایی کنند.
زبان ماشین (ML) بخشی جدایی ناپذیر از فرایندهای AI(هوش مصنوعی) است. اگر پایه و اساس سیستم های اطلاعاتی AI بر اساس داده ها و اطلاعات موجود منطقی عمل کند ، پس آنها باید بتوانند از تلاش های گذشته درس بگیرند.
این ماهیت سومین فرآیند اصلی ، ML است که شامل رویه های محاسباتی است که سیستم های هوش مصنوعی را قادر می سازد از تجربه یاد بگیرند. ML هوش مصنوعی را قادر می سازد تا به تدریج و بدون برنامه ریزی صریح توسط انسان ، عملکرد خود را بهبود بخشد و قادر سازد سیستم اطلاعاتی داده های قبلی ، حل مسئله و فرآیندهای استدلال و نتایج را در پایگاه دانش خود ذخیره کند. سه نوع ML وجود دارد: ML تحت نظارت ، MLبدون نظارت و یادگیری تقویت.
با MLتحت نظارت ، به سیستم هوش مصنوعی مجموعه داده های آموزشی اعم از ورودی ها و خروجی های صحیح (یعنی پاسخ های صحیح) داده می شود که رایانه از آنها الگوها را می آموزد و قوانینی را تدوین می کند که برای موارد بعدی همین مسئله اعمال می شود.
به عنوان مثال ، بازاریاب هایی که می خواهند مشتری را پیش بینی کنند ممکن است نمونه های قبلی مربوط به همین مسئله را جمع آوری کرده و ویژگی های مشترک بین مشتریان را شناسایی کنند و به این ترتیب پیش بینی محتمل تری خواهند داشت.
سپس سیستم هوش مصنوعی از این مجموعه داده های آموزشی استفاده می کند که ورودی های صحیح و خروجی های صحیح را نشان می دهد تا الگو را بیاموزد و در موارد بعدی همان کار (به عنوان مثال پیش بینی ریزش مشتری در بین مشتری های فعلی خود) اعمال شود.
با MLبدون نظارت ، رایانه از داده های آموزشی استفاده می کند که با پاسخ های صحیح برچسب گذاری نشده اند. وظیفه آن شناسایی الگوها یا روابط بین نقاط داده است. به عنوان مثال ، می توان از یادگیری بدون نظارت برای شناسایی محصولاتی که با هم سفارش داده شده اند استفاده کرد. برای تأثیرگذار بودن ، هر دو روش نظارت شده و بدون نظارت به مقدار قابل توجهی از داده (به عنوان مثال داده های بزرگ) و قدرت محاسباتی بالا نیاز دارند كه امروزه نسبتاً در دسترس است.
و سرانجام ، در یادگیری تقویت ، یک سیستم هوش مصنوعی از تجربه خود می آموزد. تفاوت آن با یادگیری تحت نظارت در این است که نیازی به ارائه صحیح جفت ورودی / خروجی نیست. در عوض ، تمرکز یافتن تعادل بین کاوش در سرزمین داده های ثبت نشده و بهره برداری از دانش فعلی بر اساس تجربیات گذشته است.
2.3 خروجی ها
مرحله باقیمانده یک سیستم هوش مصنوعی ، خروجی ها است ، اطلاعات حاصل از فرایندهای ایجاد ارزش فوق که به کاربردهای مختلف تجاری منتقل می شوند. یک سیستم هوش مصنوعی در شکل اصلی خود ممکن است اطلاعاتی به سادگی لیستی از موضوعاتی که در مقالات خبری در مورد یک رقیب ذکر می شوند ، تولید کند.
سپس این اطلاعات ممکن است به اقدامات بعدی تصمیم گیرندگان انسانی مانند تحلیلگران با کمک اطلاعات تولید شده توسط هوش مصنوعی برای تغییر در روند فروش منجر شود. علاوه بر این ، برخی از سیستم های هوش مصنوعی مستقل از ورودی انسان عمل می کنند. نحوه پاسخ گپ بات ها به سوالات مشتری را در نظر بگیرید ، یا اینکه چگونه یک سیستم هوش مصنوعی با استفاده از تولید زبان طبیعی می تواند نسخه تبلیغاتی یا گزارش های خبری را ایجاد کند.
3. قیف فروش B2Bمجهز به هوش مصنوعی
در بخش 2 ، ما خلاصه ای از بلوک های ساختاری بنیادی را ارائه دادیم که می تواند هر سیستم AI را توضیح دهد.
حال ما به این موضوع می پردازیم که چگونه استفاده از بلوک های مختلف ساخت هوش مصنوعی روند فروش سنتی B2Bرا که تغییر یافته است تغییر می دهد. در واقع ، در قلب بحث ما این ایده نهفته است که ترکیبی از عناصر سازنده مختلف و برنامه های کاربردی AIمنجر به فرصت های مختلف برای ارزش آفرینی در روند فروش B2B می شود.
ما توضیح می دهیم که سیستم های AIخاص ارزش آفرین می توانند در هر مرحله از فرآیند فروش ارزش ایجاد کنند ، علاوه بر اینکه نحوه و کمک های انسانی به فرآیند فروش مجهز به هوش مصنوعی را توضیح می دهیم (به جدول1مراجعه کنید).
برای انجام این کار ، ما به هفت مرحله از روند فروش B2Bتکیه می کنیم:
1. پیش بینی
2. پیش رویکرد
3. رویکرد
4. ارائه
5. مخالفت های موجود
6. بستن
7. پیگیری
این مدل از روند فروش در اکثر شرایط فروش B2B قابل استفاده است و در تحقیقات قبلی بسیار مورد استفاده قرار گرفته و به طور سنتی از آن به عنوان قیف فروش یاد می شود. مطالعات اخیر نشان می دهد که ، به ویژه در مراحل اولیه ، عملکردهای بازاریابی و فروش شرکت های B2Bکاملاً یکپارچه هستند ، بنابراین نیازمند ایده پردازی ای است که شامل وظایف بازاریابی و فروش باشد. در راستای این دیدگاه ، در حالی که ما از اصطلاح قیف فروش استفاده می کنیم ، همچنین در مورد وظایف بازاریابی بحث می کنیم زیرا آنها در مراحل مختلف قیف فروش اعمال می شوند.
3.1 پیش بینی
اولین کار در جستجوی مشتری (همچنین به عنوان مرحله کشف رهبر ها شناخته می شود) ، یافتن مشتری بالقوه است که با وظیفه تقسیم بندی سنتی در بازاریابی همسو است.
به عنوان مثال ، یک مشتری ممکن است اطلاعات تماس وی را به عنوان بخشی از پرسش فروش در وب سایت یک شرکت ، از طریق تلفن یا هنگام دسترسی به محتوای دیجیتال ارائه دهد. علاوه بر این ، مرور وب و تاریخچه جستجوی وب یک مشتری می تواند اطلاعات ارزشمندی را در مورد رهبران بالقوه و علایق آنها برای مدیران فراهم کند.
در مرحله بعدی ، شرکت ها محدوده چشم انداز شرکتهایی را که احتمال خرید آنها وجود دارد ، محدود می کنند. این هدف از نمره دهی به آینده ، دومین کار در جستجوی آینده است ، که ارزیابی می کند آیا مشتری بالقوه می تواند پیشنهادات شرکت را بخرد و چقدر احتمال دارد که او خرید کند؟ هدف از امتیاز دهی ، شناسایی رهبران با کیفیت بالا (به عنوان مثال چشم اندازهایی که احتمال فروش بالای سودآور را ارائه می دهند) است. نمره دهی چشم انداز ، که همچنین به عنوان صلاحیت رهبران شناخته می شود ، یک کار چالش برانگیز است که به دلیل مشکلات در شناسایی ویژگی های چشم اندازهای با کیفیت بالا ، به منابع انسانی قابل توجهی نیاز دارد. حتی وقتی یک شرکت قادر به شناسایی این ویژگی ها باشد ، این اطلاعات اغلب فقط پس از تماس یک متخصص فروش با مشتری بالقوه در دسترس قرار می گیرد ، بنابراین فعالیت آن محدود می شود.
هوش مصنوعی با انجام فعالیت هایی که قبلاً به شدت به متخصصان فروش و تیم های پشتیبانی آنها متکی بود ، قول می دهد که از هر دو وظیفه اصلی در مرحله جستجوی سود بهره مند شود. اولا ، هوش مصنوعی به خوبی برای تجزیه و تحلیل داده های ساختار یافته و غیر ساختاری مورد استفاده در تقسیم بندی مصرف کنندگان و تولید لیست های چشم انداز مناسب است. به عنوان مثال ، درک زبان طبیعی می تواند داده های متنی را تجزیه و تحلیل کند (به عنوان مثال ، سوالات ایمیل ، پست های رسانه های اجتماعی ، انتشار اخبار) و کلمات کلیدی ، مضامین یا علایق فعلی را از متن شناسایی کند.
توانایی های هوش مصنوعی محدود به محتوای نوشتاری نیستند. بلکه سیستم های هوش مصنوعی همچنین می توانند گفتار یا داده های تصویر ناشی از عکس ها ، فیلم ها یا مکالمات را تجزیه و تحلیل کنند. این ، همراه با توانایی AI برای تجزیه و تحلیل مقدار زیادی از داده های ساخت یافته (به عنوان مثال ، ترافیک وب و کلیک ها) علاوه بر داده های ساختاری آفلاین (به عنوان مثال ، مسئولیت و نقش در سازمان مشتری) ، می تواند برای ایجاد یک پروفایل کاملاً منظم از چشم اندازها استفاده شود. علاوه بر این ، ML با به روزرسانی و بهبود عملکرد آنها بدون اینکه انسان دوباره آنها را برنامه ریزی کند ، کارایی این الگوریتم های تقسیم بندی را افزایش می دهد.
دوما ، هوش مصنوعی قادر به توسعه و استفاده از الگوریتم های پیش بینی کننده برای دستیابی به امتیازدهی رهبران است. سیستم های هوش مصنوعی می توانند داده های قبلی چشم انداز را تجزیه و تحلیل کنند و مشخص کنند که شخصیت واقعی آنلاین و آفلاین چ رهبرانی بیشترین احتمال را برای نتیجه گیری دارند. از طریق ML ، می توان از این الگوریتم های پیش بینی کننده برای ایجاد لیست های پیش بینی جدید استفاده کرد. علاوه بر این ، درک زبان طبیعی رایانه ها را قادر می سازد احساسات و کلمات کلیدی را در متن یا گفتار مصرف کنندگان شناسایی کنند تا احتمال خرید این چشم اندازها را پیش بینی کنند. سرانجام ، ML به AIاجازه می دهد تا به طور مداوم قوانین تولید و امتیاز دهی را به روز کند و این اطلاعات را در پایگاه دانش AI ذخیره می کند تا امکان بهبود مستمر را فراهم کند. شرکت دلDell)) برای شناسایی انواع رفتارهای احتمالی که احتمالاً منجر به خرید محصولات مختلف می شود ، از تجزیه و تحلیل مجهز به هوش مصنوعی استفاده می کند ، بنابراین به نیروی فروش خود کمک می کند تا آگهی های با کیفیت بالا را مشخص کند. این فناوری در یک افزایش قابل توجه در بهره وری نیروی فروش Dell و همچنین کارایی فروش آن دوباره مورد استفاده قرار گرفته است. سهم قابل توجه هوش مصنوعی در مرحله پیش بینی همچنین فرصت های جدیدی برای متخصصان فروش ایجاد می کند تا سهم خود را در ارزش افزوده تغییر دهند. در حالی که ممکن است هوش مصنوعی برای مسئولیت شناسایی و ارزیابی سرنخ ها اجرا شود ، برای تفسیر و فیلتر کردن اطلاعات تولید شده از هوش مصنوعی ، قضاوت و دخالت انسان ضروری است. و دراصل، یک وظیفه اصلی متخصصان فروش ، تفسیر لیست های احتمالی دارای هوش مصنوعی است. در حالی که خریداران بالقوه ممکن است همه جعبه های مربوط به یافتن و احراز صلاحیت را علامت گذاری کنند ، متخصصان فروش برای بررسی عدم تطابق و قرار دادن اطلاعات تولید شده توسط هوش مصنوعی در متن تجارت خاص خود ، باید به تجربه و شهود خود نیز اعتماد کنند.
آنها باید تعیین کنند که آیا مشتری احتمالی نیاز خاصی دارد که تجارت واقعاً بتواند آن را برآورده کند ، آیا از نظر اقتصادی امکان پذیر است و آیا اجرای طرح پیشنهادی خاص برای شرکت از نظر عملیاتی امکان پذیر است. این قضاوت و دخالت ها اغلب به دانش ضمنی ، تجربه و شهود مردم در زمینه فروش نیاز دارد که هوش مصنوعی در حال حاضر قادر به دسترسی یا تجزیه و تحلیل آنها نیست.
جدول 1. هوش مصنوعی و انسانی برای ایجاد ارزش در فروش B2B
3.2 پیش رویکرد و رویکرد
چشم اندازي كه به عنوان يك سرآمد كيفي شناسايي و ارزيابي شده است ، به دو مرحله بعدي مي رود: پيش رويکرد و رويكرد. این دو مرحله به طور معمول در تحقیقات فروش با هم بررسی شده اند و برخی از ادغام این دو مرحله حکایت دارند. پیش رویکرد و رویکرد به معنای کسب اطلاعات دقیق تر در مورد سرنخ ها ، از جمله نیازها ، عادات ، ترجیحات و سایر اطلاعات مربوط به زمینه و سپس برقراری تماس است. آنها شامل انجام تحقیقات بیشتر در مورد خریدار احتمالی و تهیه محتوای شخصی در رابطه با منافع یک مشتری است ، تاکتیکی که از آن به عنوان نگهداری از رهبران یاد می شود.
در حالی که پیش رویکرد بخشی از انجام کارهای شما در فرآیند فروش است ، مرحله رویکرد در مورد ایجاد روابط است ، فروشندگان با هدف ایجاد رابطه و ایجاد اعتماد با خریداران بالقوه علاوه بر کسب بینش بیشتر در مورد چگونگی بهره مند شدن یک پیشرو از پیشنهادات شرکت از رابطه قابل اعتمادی نیز با آن ها بهره مند میشوند.
هوش مصنوعی از چند طریق بر مراحل پیش رویکرد و رویکرد در کانال فروش تأثیر می گذارد.
اولا ، هوش مصنوعی می تواند برخی از کارهای معمول مربوط به برقراری تماس ، مانند برنامه ریزی جلسات یا ارسال ایمیل های بعدی را به صورت خودکار انجام دهد. با این کار متخصصان فروش آزاد می شوند و به آنها امکان می دهد که وقت و انرژی خود را صرف سایر مشارکت های ارزش افزوده کنند.
دوما ، هوش مصنوعی ایجاد و ارائه ارتباطات کاملاً متناسب و شخصی سازی شده به بازدههای فروش بر اساس تجزیه و تحلیل رفتار یا مشخصات رهبران را امکان پذیر می کند. این به عنوان تبلیغات هدفمند شناخته می شود. تبلیغات هدفمند می تواند اشکال مختلفی داشته باشد ، از جمله هدف گیری مجدد که در آن هوش مصنوعی می تواند محتوایی را تشخیص دهد که براساس محتوای قبلاً مصرف شده احتمالاً منجر به ساخت پروفایل های بهتر از رهبران خواهد شد. در حالت ایده آل ، این رویکردهای متناسب منجر به تعامل بیشتر و در نهایت تبدیل در مسیر فروش B2B می شود.
هوش مصنوعی همچنین می تواند برای تهیه محتوای تبلیغاتی استفاده شود. از ابزارهای هوش مصنوعی می توان برای کمک به کشف شباهت در ویژگی های محتوای برتر استفاده کرد. هوش مصنوعی به اندازه کافی هوشمند است که می تواند توصیه های بی درنگ در مورد نحوه بهبود محتوا ، بهترین وسیله تحویل و قالب کلی ارتباطات را ارائه دهد. این نوع تبلیغات هدفمند روش موثرتری برای پیش فروش یا نزدیک شدن به فروش است. به عنوان مثال ، شرکت ServiceMax، ارائه دهنده نرم افزار مدیریت Fieldtechnician برای تجهیزات و مشاغل زیرساختی ، از MLبرای پیش بینی بهترین سفر مشتری برای بازدیدكنندگان سایت خود استفاده می كند.(فیلد تکنیسین یک سیستم مدیریت و آنالیز خدمات میدانی است).
با نشان دادن توصیه ها و قطعه های پیشنهادی برای صفحه وب بعدی که باید مشتری ببیند ، ServiceMaxنرخ پرش به سایت خود را 70٪ کاهش داد ، مدت زمان بازدید کنندگان در سایت خود را دو برابر کرده و درخواست های نمایش محصولات را به میزان قابل توجهی افزایش می دهد.
سرانجام ، هوش مصنوعی می تواند از طریق chatbots (به عنوان مثال ، یک برنامه کامپیوتری که می تواند با یک شخص وارد مکالمه شود) تماس را خودکار کند. نمایندگان هوشمند پیچیده از قبل با رهبران تماس می گیرند ، به سوالات متداول پاسخ می دهند و در صورت لزوم افراد را به متخصصان فروش ارجاع می دهند. برای همه این ابزارهای مجهز به هوش مصنوعی ، متخصصان فروش برای نظارت بر هدف قرار دادن تبلیغات ، هدف گذاری مجدد و محتوای متمرکز شده توسط هوش مصنوعی و تعامل شخصی با مشتری در زمان مناسب مورد نیاز خواهند بود. به عنوان مثال ، شرکت پلتفرم فروش 6sense خدماتی ساخته شده بر اساس AI ، ML و تجزیه و تحلیل های پیش بینی شده ارائه می دهد. این امر چشم انداز متخصصان بازاریابی و فروش B2Bرا در مسیر خرید مشتری ها واضح تر می کند و فرصتی را نشان می دهد ، که نمایانگر این است که چه زمانی فروشندگان با مشتری در ارتباط موثرتری هستند. علاوه بر نظارت بر نتایج هوش مصنوعی ، ممکن است متخصصان فروش نیاز به گرفتن گپ ربات ها یا مدیریت کارهایی که از طریق تعاملات چت بات ایجاد می شود ، داشته باشند تا فروش بالقوه را در طول قیف بیشتر کنند.
3.3 ارائه
در مرحله ارائه ، شرکت ویژگی های حل مسئله پیشنهادی را بیان میکند و همچنین پیشنهاد ویژه نیازهای مشتری بالقوه را طراحی می کند که اغلب شامل ارائه نمونه اولیه محصول یا راه حل ارائه شده است.
یک ارائه آماده شده باید در ذهن مخاطب بنشیند و آنچه را که او می خواهد و نمی خواهد را توصیف کند و از نظر لحن و محتوا روشن و مختصر باشد. هوش مصنوعی توانایی پشتیبانی از عناصر اصلی مرحله ارائه را دارد. نمونه سازی اولیه با کمک هوش مصنوعی از قبل وجود دارد ، به موجب آن الگوریتم هوش مصنوعی ایده هایی را از صفحه نقاشی می گیرد و تقریباً بلافاصله آنها را به محصولات واقعی تبدیل می کند.
به عنوان مثال سیستم هوش مصنوعی مورد استفاده )Airbnbسیستم آنلاین برای اجاره کردن و اجاره دادن اماکن اقامتی در سرتاسر دنیا) ، برای شناسایی رسم های طراحی دستی استاندارد شرکت و ارائه آنها به کد برنامه نویسی رایانه ای آموزش دیده است. اتوماسیون شدن این وظایف به متخصصین فروش این امکان را می دهد تا نمونه های اولیه متناسب با آنچه که به طور سنتی امکان پذیر بود را ارائه دهند. علاوه بر این ، سیستم های هوش مصنوعی می توانند وظیفه ارائه را تقویت کنند. ربات های اسلاید (به عنوان مثال ، سیستم های AI که محتوای ارائه موجود را تجزیه و تحلیل می کنند) ایده ها و پیام های اصلی را شناسایی می کنند و متعاقباً طرح و محتوای مطلوب را توصیه و اجرا می کنند. این ربات ها می توانند به متخصصان فروش در ارائه مطالب جذاب تری برای ارائه کمک کنند. درک زبان طبیعی ، بینایی رایانه ای و تشخیص گفتار با ترکیب الگوریتم های ML می تواند نشانه های کلامی یا غیرکلامی را در الگوهای ارتباطی مجری یا مخاطب تشخیص دهد. به عنوان مثال ، سیستم های هوش مصنوعی می توانند تجزیه و تحلیل احساسات را بر روی کلمات ، صدا و لحن مجری اجرا کنند و نتیجه را با هنجارهای مطلوب مقایسه کنند ، بنابراین بازخورد فوری از ارتباط منجر به فروش را ارائه می دهند.
علاوه بر این ، هوش مصنوعی برای تجزیه و تحلیل احساسات مخاطبان برای تعیین احساسات یا موضوعاتی که می توانند بینش مفیدی در مورد نگرانی ها یا اعتراضات احتمالی مشتریان ارائه دهند ، مورد استفاده قرار می گیرد. اگرچه می توان از هوش مصنوعی برای پوشش دادن بسیاری از کارها در مرحله ارائه فروش استفاده کرد ، اما تعداد زیادی از آنها با متخصصان فروش باقی می ماند. اولا ، متخصصان فروش باید به ایجاد رابطه با مشتریان بالقوه و فعلی ادامه دهند. همانطور که در تمام مراحل قیف فروش ، ایجاد اعتماد شخصی برای ایجاد اعتماد و اعتبار بسیار مهم است و برای رفع هرگونه ابهام احتمالی ، به متخصصین فروش نیاز است. علاوه بر این ، در حالی که هوش مصنوعی ممکن است وظایف طرح بندی و قالب بندی را در ایجاد عرشه های ارائه به صورت خودکار انجام دهد ، متخصصان فروش باید قبل از اجرای آنها در مرحله ارائه ، آخرین تماس را با آنها داشته باشند. و این ها همان موقعیت هایی است که نیاز به حضور کارشناسان انسانی است.
3.4 مخالفت های موجود ، بستن
در هر مرحله از ارائه فروش به عنوان یک واقعیت ، در هر مرحله از فرآیند فروش ، مشتری بالقوه ممکن است به یک یا چند نکته توسط شرکت فروش اعتراض کند. این مخالفت ها می تواند به صورت سوال یا جملاتی باشد که نشانگر اختلاف نظر باشد ، یا حتی عبارات غیرکلامی مانند حالت صورت یا زبان بدن که ممکن است تمایل مشتری به خرید را نشان دهد. مشتریان بالقوه ممکن است در مورد شرکت فروش ، روش تحویل ، رقابت یا قیمت ، محصول یا خدمات خود سوالاتی را مطرح کنند.
یک وظیفه اصلی برای متخصصان فروش در این مرحله ، مدیریت اعتراض مشتری با آگاهی از دلایل اساسی است تا شرکت فروشنده بتواند معامله را ببندد. هوش مصنوعی وظایف مربوط به غلبه بر اعتراضات را تغییر می دهد و متخصصان فروش را قادر می سازد تا با اطلاعات به روز و اطلاعات جامع تر ، سریعتر به نگرانی ها پاسخ دهند. از توانایی سیستم های هوش مصنوعی در تجزیه و تحلیل داده های ساختاریافته و غیر ساختاری می توان برای تقویت پیشنهاد ارزش شرکت و سلب رقبا استفاده کرد.
شرکت تازه تأسیس Klue یک سرویس هوش مصنوعی مبتنی بر درک زبان طبیعی و MLارائه می دهد تا هوش رقابتی را برای مدیریت فروش و فروش شخصی B2Bفراهم کند. این اطلاعات به روز در کارتهای جنگ خلاصه می شود که متخصصین فروش می توانند از آنها برای بیرون راندن رقبا یا رسیدگی به سوالات مطرح شده توسط مشتریان استفاده کنند.
هوش مصنوعی همچنین با قیمت گذاری پویا بر مرحله مذاکره تأثیر می گذارد. الگوریتم ها برای تعیین بهترین قیمت برای خریداران بالقوه مختلف ، داده های تاریخی مربوط به متغیرهای قیمت گذاری را به همراه سایر اطلاعات مربوط به سرنخ تجزیه و تحلیل می کنند.
شرکت های تولیدی صنعتی مانند زیمنس یا هانیول از یک راه حل قیمت گذاری مجهز به هوش مصنوعی توسط ونداوو استفاده می کنند تا در روند فروش خود ، تفاوت قیمت را مدیریت کنند. برای محصولات با پیچیدگی کمتر ، سیستم های هوش مصنوعی قادرند برخی از وظایف را در مرحله پایانی بر عهده بگیرند ، مانند پاسخگویی به سوالات متداول. با این حال ، پیشنهادات پیچیده و شخصی تر ، برای دیدن بیشترین مشارکت نماینده فروش ، به مرحله پایانی نیاز دارند. در این مرحله ، متخصصان فروش هنوز به شدت به مهارت های روابط بین فردی مانند اعتماد سازی و برقراری ارتباط متقاعد کننده تاکید می کنند.
علاوه بر این ، درک مشتری از ابعاد کلامی و غیرکلامی نشانه مهمی است که به بهترین وجه برای یک متخصص فروش مفید است. با وجود توانایی هوش مصنوعی در تجزیه و تحلیل احساسات در برخی از زمینه ها ، بازهم متخصصین فروش برای تفسیر تجزیه و تحلیل احساسات تولید شده توسط هوش مصنوعی و استفاده از اختیار خود در تنظیم رویکردهای بسته شدن براساس اطلاعات سیستمهای هوش مصنوعی و همچنین مشاهدات خودشان مورد نیاز هستند.
3.5 پیگیری
پیگیری شامل دو مولفه مختلف است: پر کردن سفارش فعلی و پیگیری آن پس از اتمام فروش. تکمیل سفارش فعلی به طور کلی شامل ثبت سفارش ، شروع پردازش سفارش ، مدیریت موجودی کالا و تحقق سفارش از طریق زنجیره تأمین و سیستم های خرید است. پیگیری پس از اتمام سفارش اولیه شامل کشف نیازهای جدید مشتری است که ممکن است منجر به ورود مجدد مشتری به قیف فروش شود. علاوه بر این ، ممکن است در مرحله پیگیری فرصت های فروش یا فروش متقابل وجود داشته باشد. فروش بالا ترغیب به تعقیب هر چیزی است که خرید اولیه را گران کند (به عنوان مثال ، یک محصول ارتقا یافته،محصول الحاقی یا حق بیمه) ، و فروش متقابل یعنی خرید هر چیزی که در رابطه با محصول اصلی مشتری را تشویق می کند.
هوش مصنوعی از طرق مختلف می تواند در این مرحله از قیف فروش نقش داشته باشد. اول ، هوش مصنوعی می تواند گردش کار مورد نیاز برای پردازش سفارش و پیگیری را به طور خودکار انجام دهد. این می تواند شامل مدارك خودكار ، مدیریت موجودی و مدیریت زنجیره تأمین باشد و به متخصصین فروش این امکان را می دهد تا از انجام کارهای مكرر و تکراری مصون باشند. دوم ، با توجه ویژه به پیگیری سفارش ، می توان از هوش مصنوعی برای خودکار سازی برخی از عناصر خدمات پس از سفارش استفاده کرد.
میتوان از ربات های چت برای شروع ارتباط با مشتری و شروع یحث با مشتریان در مورد تجربه و نیاز های آینده آنها استفاده کرد. سرانجام ، تجزیه و تحلیل هوش مصنوعی داده های خریدار ساختار یافته و غیر ساختاری (به عنوان مثال ، اطلاعات رفتاری) می تواند برای کشف نیازهای جدید و ورود مجدد به قیف در مرحله اول انجام شود.
با یافتن الگوهای در رفتارهای خرید گذشته با استفاده از ML، شرکت ها می توانند تشخیص دهند که کدام محصولات اغلب با هم خریداری می شوند و محصول مکمل را به مشتری نشان می دهند ، که این امر اندازه کلی خرید را افزایش می دهد و تجربه مشتری را بهبود می بخشند .
گروه هتل های Hyattبرای بهبود فروش متقابل به مشتریان خود از ML استفاده می کنند و در نتیجه 60 درصد درآمد متوسط از اتاق ها افزایش یافته . Hyatt با شناسایی الگوهای مبتنی بر سابقه مهمان و رفتارهای گذشته و مقایسه این موارد با میهمانانی که نمایه مشابه دارند ، می تواند میهمانانی را که احتمالاً اتاقشان را ارتقا می دهند یا به امکانات هتل علاقه مند هستند ، شناسایی کند.
نقش متخصصان فروش در مرحله پیگیری شامل نظارت بر پردازش و تحقق سفارشات برای اطمینان از پردازش دقیق و به موقع سفارشات است. علاوه بر این ، متخصصین فروش باید به تقویت روابط خود با مشتری از طریق ارتباطات پیگیری شخصی بپردازند. هوش مصنوعی می تواند اطلاعات دقیق تری از آنچه یک متخصص فروش می تواند به تنهایی جمع کند ارائه دهد ، اما متخصصان فروش به طور منحصر به فرد و تنها در ارتباط با مشتریان در سطح شخصی هستند. با استفاده از اطلاعات مفصلی که هوش مصنوعی می تواند ارائه دهد و ادغام این اطلاعات با تجربیات و دانش شخصی خود ، متخصصان فروش درک دقیقی از نیازهای مشتری دارند و می توانند این دانش را در استراتژی های پیگیری خود ادغام کنند. استفاده از این اطلاعات دقیق می تواند به متخصصان فروش کمک کند تا ناسازگاری ها را شناسایی کرده و نیازهای جدید مشتری را تفسیر و پیش بینی کنند و در نهایت روابط مشتری تقویت شود.
4. ملاحظات مدیریتی برای به حداکثر رساندن هوش مشترک
پتانسیل ترکیب هوش مصنوعی و هوش انسانی برای به حداکثر رساندن ارزش در سراسر قیف فروش B2Bقابل توجه است.
اهمیت به کارگیری متخصصان فروش با مهارت بالا همچنان زیاد است ، با این وجود در تمام مراحل فرآیند فروش ، ارزش افزوده در استفاده از هوش مصنوعی وجود دارد. در این بخش ، ما راهنمایی را برای مدیران فراهم می کنیم تا از هوش انسانی و هوش مصنوعی در فروش B2B به حداکثر کارایی برسند. این ملاحظات مدیریتی برای کمک به مدیران در درک برخی از موارد مهمی است که ممکن است هنگام ادغام هوش مصنوعی در فرآیند فروش خود با آنها روبرو شوند.
4.1 آموزش ضروری است
مدیران باید هم متخصصین فروش و هم پرسنل پشتیبانی را برای استفاده از هوش مصنوعی و تفسیر اطلاعات تولید شده توسط هوش مصنوعی آموزش دهند. یک روند گسترده در کل مراحل فروش مجهز به هوش مصنوعی این است که هوش مصنوعی می تواند به ایجاد ، سازماندهی و حتی استفاده از انبوهی از اطلاعات کمک کند ، اما بررسی و قضاوت این اطلاعات برای خروجی های عجیب یا ناسازگار به عهده انسان است. لازم است به فروشندگان و کارکنان آموزش داده شود تا آنها بتوانند به درستی خروجی هوش مصنوعی را تفسیر کرده و اطلاعاتی را که با شرایط خاص کسب و کار همسو نیست ، شناسایی کنند.
علاوه بر این ، از آنجا که خروجی هوش مصنوعی به داده های ورودی و آموزشی وابسته است (به ویژه در مورد الگوریتم های تحت نظارت ML) ، متخصصین فروش باید از محدودیت ها و ورودی های این داده ها آگاه باشند. در واقع ، کارکنان برای استخراج ارزش از سیستم های هوش مصنوعی نیاز به ایجاد مهارت های جدید دارند و آموزش برای کمک به سازگاری کارکنان ضروری است.
4.2 هوش مصنوعی را به استراتژی ها و تاکتیک های مدیریت دانش سازمانی پیوند دهید
محققان پیشنهاد می کنند که مدیریت دانش فرآیندی است که در آن شرکت ها از دارایی های نامشهود مانند کیفیت و کمیت اطلاعات ارزش ایجاد می کنند. یک گام مهم در مدیریت دانش ، ملموس و قابل دسترس بودن این دارایی ها برای تصمیم گیری مدیریتی است. هوش مصنوعی عامل مهمی برای دسترسی به دارایی های نامشهود با گرفتن ، سازماندهی و اشتراک اطلاعات است. برای به حداکثر رساندن مزایا ، مدیران باید فعالیت های مدیریت دانش را با هوش مصنوعی با استراتژی ها و تاکتیک های مدیریت دانش شرکت B2B ادغام کنند.
4.3 بینش ها و کارهای اجتماعی / عاطفی را به هوش انسان بسپارید
سیستم های هوش مصنوعی می توانند داده های بزرگ ، به ویژه داده های بدون ساختار ، را اغلب در زمان کوتاهی تجزیه و تحلیل کرده و این داده ها را به اطلاعات مفید تبدیل کنند. با این حال ، این هوش انسانی است که در استخراج پیامدهای تحلیل هوش مصنوعی و تبدیل اطلاعات هوش مصنوعی به دانش بسیار مهم است. پاسخ به سوال "پس چه" و تصمیم گیری در مورد یک اقدام مناسب وظیفه ای است که هوش انسانی برای آن بهتر از هوش مصنوعی است. استدلال بشر قادر است از زمینه گسترده ای از تجربیات ، زمینه ها و مهارت های انسانی استفاده کند و این مسئله را در حل مشکلات تجاری تحقق بخشد. در مقابل ، سیستمهای هوش مصنوعی معمولاً تمرکز بسیار کمی دارند. بعلاوه ، سیستمهای هوش مصنوعی در نمایش صلاحیتهای عاطفی یا اجتماعی خود محدود هستند. به هر حال ، این شایستگی های اجتماعی و عاطفی در فروش B2Bاز اهمیت ویژه ای برخوردار است و همچنان وظایفی اساسی است که توسط انسان در قیف فروش مجهز به هوش مصنوعی انجام می شود.
4.4 پشتیبانی مشتریان از طریق انتقال
مشابه دستیابی به خرید کارمندان در مورد اهمیت و نقش هوش مصنوعی در روند فروش ، مدیران نیز باید تصدیق و آماده شوند تا مشتریانی را که در حال خرید هستند را پشتیبانی کنند. هوش مصنوعی تجربه مشتری را تغییر خواهد داد و باید مشتری را سریع تر پرورش داد تا به آنها تلقین شود تا از قیف فروش مجهز به هوش مصنوعی استقبال کنند. مدیران باید اطمینان حاصل کنند که مشتریان هوش مصنوعی را به عنوان روشی برای راحت تر کردن کار شرکت ها درک و تصور نکنند ، بلکه به عنوان نوآوری شرکتها برای ارائه پیشنهادات بهتر و تعاملات فروش موثر تر از قبل در ذهن آنها تداعی شود. برخی از مشتریان ممکن است تمایلی به پذیرش این انتقال نداشته باشند یا به کارهای مجهز به هوش مصنوعی اعتماد ندارند. در این شرایط ، مدیران باید این مشتریان مردد را شناسایی کنند و سپس احتمالاً یک روش سنتی برای ارائه خدمات به آنها اتخاذ کنند.
4.5 انتظار مقاومت داشته باشید
بسیاری از کارمندان درگیر در فرایند فروش نسبت به پذیرفتن هوش مصنوعی مردد خواهند بود ، زیرا نگرانی هایی مبنی بر اینکه هوش مصنوعی نقش آنها را منسوخ می کند یا صرفاً به دلیل مقاومت در برابر تغییر. در هر صورت ، افرادی که در پست های رهبری هستند باید از بهترین روش ها برای مدیریت تغییر پیروی کنند تا انتقال به یک قیف فروش فعال شده با هوش مصنوعی را هموار کنند. در اصل، مدیران باید با توجه به مدیریت تغییرات سریع از طریق دیجیتال سازی ، به مدیریت تغییر نزدیک شوند. یک نکته که رهبری می تواند روشن کند این است که کمک های شخصی و انسانی همچنان یک نیاز اساسی در روند فروش است.
4.6 امنیت اطلاعات در درجه اول اهمیت است
با جمع آوری ، ذخیره سازی و اتکا به اطلاعات بیشتر ، امنیت اطلاعات اهمیت فزاینده ای پیدا می کند. مدیران باید برای اطمینان از اینکه این منابع با ارزش و حریم خصوصی مشتریانشان محافظت می شود ، از اقدامات امنیتی اطلاعات خود بازدید کنند. یکی از مهمترین اهداف AI این است که با شناسایی و تجزیه و تحلیل رفتار مشتری در چندین دستگاه و بسیاری از موقعیت ها ، پروفایل های همه جانبه مشتری را ترسیم کند. این بدان معناست که حتی اگر داده های شخصی فرد به عنوان بخشی از فرایندهای ورودی هوش مصنوعی شناخته شود ، ناشناس شود ، یک سیستم هوش مصنوعی می تواند این داده ها را براساس استنباط سایر دستگاه ها ، بی نام کند اما این عمل تمایز بین داده های قابل شناسایی و غیرقابل شناسایی را محو می کند و شرکت ها را برای پایبندی به الزامات قانونی حریم خصوصی با چالش مواجه می کند.
4.7 یک ساختار فروش و فرآیندهای حمایتی از هوش مصنوعی ایجاد کنید
به طور سنتی ، فروشندگان برای جمع آوری و بررسی دقیق اطلاعات در مورد مشتریان ، رقبا یا سایر نیروهای بازار ، به کارمندان پشتیبانی مانند کارکنان توانمند فروش ، دستیاران فروش یا متخصصان تحقیقات بازاریابی اعتماد زیادی می کردند. توانایی هوش مصنوعی در تجزیه و تحلیل مقدار زیادی از داده ها و توسعه و تنظیم مدل های تقسیم بندی یا قیمت گذاری در زمان کوتاه ، ممکن است ساختار و فرایندهای سازمانی این توابع مربوط به فروش را تغییر دهد. مدیران باید تأثیر بالقوه هوش مصنوعی را بر ساختار دپارتمانی و سازمانی خود در نظر بگیرند و فرایندهایی را طراحی کنند که به هوش مصنوعی اجازه می دهد تا در گردش کار و عملکردهای سازمانی ادغام شود.
5. هوش مصنوعی افزایش میابد ، جایگزین نمیشود
هوش مصنوعی آماده است مجموعه ای از تغییرات اساسی را در روند فروش B2Bایجاد کند. این تغییرات عمیق بر ماهیت کار بشر ، به ویژه بر هوش و تصمیم گیری انسان تأثیر می گذارد. متخصصان فروش B2B توسط AI پشتیبانی می شوند و حتی ممکن است برخی از کارهایی را که قبلاً توسط مردم انجام شده است کنار بگذارند. مشکل این است که مدیران مشتاق به استفاده از این فن آوری های جدید در مورد سهمی که AIممکن است در روند فروش B2Bایجاد کند و نقشی که متخصصان فروش در قیف فروش مجهز به هوش مصنوعی دارند ، آگاهی لازم را ندارند. این درک حتی هنگام پذیرفتن هوش مصنوعی بسیار مهمتر است ، چون به معنای کنار گذاشتن درجه ای از تصمیم گیری و کنترل انسان است.
با توجه به همین موضوع ، مقاله ما علاوه بر روشن کردن نقشی که هوش و تصمیم گیری انسان در هر مرحله از قیف فروش مجهز به هوش مصنوعی دارد ، سهم ارزش افزوده سیستم های AI را در هر مرحله از قیف فروش توضیح داد. امیدواریم که مقاله ما دیدگاه جامعی در مورد مکمل بودن انسان و هوش مصنوعی ارائه داده باشد.
هوش مصنوعی ، با ظرفیت فوق العاده پردازش اطلاعات ، می تواند هوش انسان را تقویت یا حتی جایگزین وظایف انسانی مشخص و تکراری در فروش B2Bشود. از طرفی ، انسان ها هنوز هم در استفاده از شهود برای مقابله با اطلاعات متناقض یا نامشخص و استخراج بینش و پیامدهای مربوط به تجارت و جنبه های ایجاد رابطه که در فروش B2Bمهم هستند ، حرف اول را می زنند. در واقع ، حتی در مواقع دگرگونی عمیق ، هدف نهایی متخصصین فروش کمک به مشتریان در تأمین نیازهایشان است ، همانطور که شخصیت آن فیلم (ویلی لومن) پیشنهاد کرد. آنچه تغییر کرده این است که چگونه هدف نهایی محقق می شود و چگونه فن آوری های نوظهور ، به ویژه هوش مصنوعی ، می توانند از فروشندگان در دستیابی به این هدف با تبدیل داده های بزرگ به اطلاعات و در نهایت دانش پشتیبانی کنند.
از طریق لینک های زیر به اصل مقاله و فایل همین ترجمه دسترسی دارید.
