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!
