AI驱动的销售决策，有多可靠？

AI系统向一家技术公司的销售人员建议，一家中型公司可能有兴趣购买云服务。一家金融服务公司的销售经理收到一份领英生成的潜在雇员名单，可以用于填补空缺。一家制药公司的销售主管收到内部团队的建议，希望减少几百名销售人员。

随着数据驱动的见解和建议在销售中变得无处不在，“我们应该在多大程度上依赖数据驱动的见解”这一问题，也变得难以避免。

其中牵扯许多复杂情况。数据的准确和完整性有高有低，将数据转化为洞察的模型质量可能参差不齐，一些决策失误可能产生一定后果，而其他决策则会涉及许多人并产生长期影响。

如今，有效的销售决策就是了解何时以及如何采用、融入或拒绝数据驱动的见解。回答以下两个问题可以提供帮助：

· 决策风险有多高？

· 数据驱动的洞察力有多可靠？

决策风险与可靠洞察

高风险决策是指有广泛和持久影响的决策。高风险决策失误会导致重大损失，且难以逆转，比如决定新产品使用哪些渠道，设计激励计划，以及为新的关键客户团队制定招聘条件等。低风险决策失误带来的负面影响较小，更容易逆转，比如销售人员向客户提出的产品购买建议不被采纳时，可以重新提一个。

数据驱动决策的可靠性取决于数据和处理数据的模型。可以参考以下案例，思考决策风险和模型可靠性会如何影响销售团队对洞察的采用。

激励薪酬计算器在估算销售人员的激励薪酬时，答案（大多数情况下）是可靠的。销售经理使用生成式AI帮助总结会议时，可以是个好的开始。这些情况的决策风险都不大，模型可靠性也较高。

但在风险较高或模型可靠性较低的情况下会发生什么？比如让基于AI的模型对领英上的销售候选人资料进行评分。这时模型洞察力较强，但可靠性一般，因为领英上求职者的资料都来自本人，存在偏差且不完整。

面对AI给出的应对客户的操作建议时，销售人员要在接受、拒绝或修改建议前对其进行审查和监督。因为这些模型所依据的数据永远难以完整，且大多是过去的数据。

现在来看一个更复杂的例子。一个模型为销售队伍的规模和结构提出了建议——这是一个具有持久影响且难以快速逆转的决定。输入模型的数据，例如客户潜力的估计，是不精确的；未来情景也不确定；模型的可靠性很好，但并不完美。模型提供了洞察，但监督和判断将发挥重要作用。

判断基于数据的洞察

几种策略有助于我们评估基于数据的洞察的可靠性，反之也可以推动我们调整对此类洞察给予的关注程度。

取样实验。这个洞察看起来合理吗？要利用你的经验和外部基准，保证洞察的合理。例如，如果基于数据和模型的分析建议你将销售团队规模扩大一倍至300人，可以反思类似规模的竞争对手是否拥有这么大的销售团队，来评估其合理性。

给出的建议是否有明确解释。如果模型可以解释它得出结论的过程，例如，“因为同行业、规模和情况相似的公司经常采用这种解决方案”，那么关于用云实现交叉销售的建议就更有说服力。

当项目团队明确表示正在仔细审查AI给出的建议，并且团队在支持其建议时详细说明了新的规模和结构会如何影响特定客户群的覆盖率，并对由此产生的销售额做出合理预测时，在AI帮助下提出的销售人员规模和结构建议就会更加可信。

了解数据质量。数据是否合理相关、准确、完整和及时？招聘建议是来自领英的个人资料时，你就知道数据可能会有意或无意地不完整或不准确。另一方面，如果通过算法规划销售人员的路线，以在一天内覆盖多个客户，则底层数据（GPS位置、交通状况和客户预约时间表）是准确及时的。数据及时性是一个关键考虑因素。数据大多是回顾性时，你必须评估建议是否适用于未来。及时的数据来源包括CRM数据、客户互动数据、市场情报和社交媒体监测。时效性较差的数据来源包括一年前的客户市场潜力调研或竞争情报。

给出有关模型质量的见解。这点可能很难做到，但你可以评估模型质量。大多数复杂的决策情况下，不同建模师在给定相同数据时会有不同输出。建模师之前的经验和行业知识以及销售背景，对模型的设计和性能有很大影响。建模也是一门艺术。

基于数据的决策不仅是用数据和模型验证自己的预期。事实上，选择性地寻找支持现有信念的数据，而忽略相互矛盾的信息，只会适得其反。要降低偏见决策的风险，就必须认识到非直观见解的价值，同时磨炼自己使用数据驱动策略的专业技能。销售人员在实施基于AI的推荐系统时，我们经常看到，在两年内，推荐的采纳率从40%长到了80%。模型得到改进，用户也越来越熟练。在这个瞬息万变的数字时代，模型见解和判断力的明智组合，将比单独使用其中任何一种都更好。