Yksi yleinen nurinan aihe CRM:n käytössä on ollut se, että tietojen kirjaaminen sinne vie myyjiltä aikaa. Uusimmassa Salesforcen julkaisussa tuodaan tähänkin kätevä tekoälyyn pohjautuva työkalu.

Salesforce Summer ’18 -julkaisun myötä Einstein Activity Capture -toiminto tuli osaksi Sales Cloud -lisenssiä, eikä vaadi enää erillisen lisenssin hankkimista. Einstein Activity Capturen avulla käyttäjä voi automaattisesti liittää sekä lähetetyt että vastaanotetut sähköpostit ja kalenteritapahtumansa Salesforcen tietueisiin.

Palvelu toimii sekä Gmail:in että Office 365:n kanssa ja linkittää sähköpostit ja kalenteritapahtumat yritys- (account), yhteyshenkilö- (contact), mahdollisuus- (opportunity), liidi- (lead), tarjous- (quote) sekä sopimustietueisiin (contract).

Linkitys perustuu lähettäjän ja vastaanottajan sähköpostiosoitteeseen, jonka perusteella palvelu etsii yhteyshenkilön ja häneen liittyvät muut tietueet Salesforcesta. Linkitetyt tapahtumat näkyvät kyseisten tietueiden aktiviteettiaikajanalla (activity timeline). Päälle kytkemisen yhteydessä Einstein hakee käyttäjän sähköpostit ja kalenteritapahtumat myös menneisyydestä (Gmail 6kk ja Office365 2 vuotta) ja käyttäjä voi valita, jos hän ei halua linkittää tietystä sähköpostiosoitteesta tai -domainista tulevia tapahtumia ja hallita linkitettyjen tapahtumien näkyvyyttä muille käyttäjille. Lisäksi käyttäjä voi halutessaan poistaa massana kaikki tietyn henkilön linkitetyt tapahtumat Salesforcesta.

Ajansäästön lisäksi muitakin hyötyjä

Tapahtumien (sähköpostit ja kalenteritapahtumat) automaattinen linkitys Salesforceen tuo useita hyötyjä sekä käyttäjän että organisaation kannalta. Suhteessa manuaaliseen linkittämiseen automaatio tuo prosessiin lisää tehokkuuta ja varmistaa, että kaikki oleelliset tapahtumat löytyvät Salesforcesta, eikä niitä tarvitse penkoa sähköpostiohjelmasta. Myös myyntijohto on kiinnostunut tapahtumista raportoinnin näkökulmasta, koska tiedolla johtaminen vaatii muun muassa tietoa asiakkaaseen kohdistuneista aktiviteeteista.

Uusi ominaisuus auttaa myös juurisyyanalyysin tekemisessä, kun lähdetään selvittämään eroavaisuuksia myyjien suorituskyvyissä. Kolmantena täydellinen tapahtumahistoria auttaa tiedonsiirron tekemisessä: uuden myyjän aloittaessa hän voi esim. asiakkaan tai myyntimahdollisuuden tiedoista katsomaan kaikki aiemmat keskustelut ja tapaamiset, mitä asiakkaan kanssa on käyty. Aiemmin tämä tieto on ollut lähes yksinomaan myyjän sähköposteissa, jolloin paljon arvokasta tietoa menetetään pysyvästi, jos myyjä irtisanoutuu.

Viimeisimpänä, mutta erittäin oleellisena asiana tapahtumat ovat arvokasta tietoa tekoälylle, joka analysoi menneitä tapahtumia ja tekee niiden perusteella ennusteita ja suosituksia.

Viimeisimpänä, mutta erittäin oleellisena asiana tapahtumat ovat arvokasta tietoa – eli dataa – tekoälylle, joka analysoi muun muassa menneitä myyntitapahtumia ja liidejä sekä tekee niiden perusteella ennusteita ja suosituksia. Tekoäly tuottaa sitä parempia tuloksia mitä enemmän sillä on dataa käytössään analyysin tekemiseen ja siksi onkin luonnollista, että Activity Capture on osa Einstein-tekoälytuoteperhettä.

Einstein Activity Capture on tehokas tapa parantaa edelleen Salesforcessa olevaa kokonaiskuvaa asiakkaasta ja uuden lisensointimallin myötä entistä suuremman käyttäjäryhmän ulottuvilla. Toiminto löytyy Salesforcesta Summer ’18 -julkaisun myötä Asetukset-valikosta ja käyttöönotto on suoraviivaista opastetun käyttöönottoassistentin ansiosta.

Tekoäly auttaa myymään enemmän ja nopeammin, mutta se tarvitsee dataa. Jos data ei ole CRM:ssä kunnossa, ei tekoälykään voi sitä hyödyntää. Tämä tarkoittaa myös ehjää myyntiprosessia.

Myynti ei ole vain kertarykäys, vaan asiakas kulkee ostoprosessinsa aikana pitkän matkan. Myyjän näkökulmasta tämä matka alkaa usein liidistä, joka kvalifioidaan myyntimahdollisuudeksi eli opoksi. Myyntimahdollisuus itsessään voi sisältää monta eri vaihetta ja päättyy tiettyyn lopputulokseen, oli tämä esimerkiksi kauppa, häviö kilpailijalle tai asiakkaan vetäytyminen.

Tekoäly voi auttaa myyjää koko prosessin ajan muun muassa pisteyttämällä liidejä ja oppoja sekä suosittelemalla myyjälle toimenpiteitä. Lisäksi tekoäly parantaa ennustetarkkutta merkittävästi. Mutta vain, jos ketju on ehjä.

Ehjä ketju alusta loppuun

Tekoäly oppii datasta. Osa liideistä johtaa myyntimahdollisuuteen ja osa kauppaan. Osa jää kesken matkan. Tämän datan avulla tekoäly oppii, mitkä ominaisuudet tietyssä liidissä tekevät siitä houkuttelevamman ja suosittelee myyjää keskittymään tällaisiin liideihin.

Jos ketju ei ole CRM:n tasolla ehjä, ei tekoälykään voi tehdä datan pohjalta suosituksia.

Jos ketju ei ole CRM:n tasolla ehjä, ei tekoälykään voi tehdä datan pohjalta suosituksia. Salesforcen maailmassa tämä tarkoittaa esimerkiksi sitä, että liidi on muunnettu järjestelmän sisällä myyntimahdollisuudeksi tai kuollut liidi merkitty kuolleeksi.

Samoin yksittäinen vaihe voi sisältää vielä useita pieniä askeleita. Myyntimahdollisuuteen voi kuulua esimerkiksi tilanteen analysointi, arvolupauksen määrittely ja tarjouksen tekeminen. Parhaaseen lopputulokseen päästään, kun prosessi kulkee näiden vaiheiden läpi CRM:ssä samaan tahtiin kuin se etenee oikeassa elämässä.

Mitä pidemmältä matkalta ketju on ehjä, ja mitä enemmän dataa CRM:ään kirjataan koko matkan ajan, sitä parempia suosituksia tekoälykin voi tehdä.

CRM kuntoon ja tekoäly käyttöön

Kaiken hypen keskellä tekoäly on jo hiipinyt myynninkin maailmaan. Esimerkiksi Salesforce on tehnyt omasta Einstein-tekoälystään helposti hyödynnettävän. Se ei ole erillinen kokonaisuus, vaan antaa myynnille ja myynnin johdolle suosituksia osana normaalia CRM:n käyttöä.

Tekoälyn hyödyntämistä onkin helppo lähteä kokeilemaan pienin askelin. Toisaalta jos jää odottamaan liian pitkäksi aikaa, on riskinä, että kilpailijat menevät ohi oikealta ja vasemmalta. Ensiksi on kuitenkin varmistettava, että CRM:ää käytetään oikein.

Jos haluat lukea lisää siitä, kuinka tekoäly auttaa myyntiä ja mitä se vaatii, kannattaa käydä lataamassa uusi oppaamme Myy enemmän tekoälyn avulla.

Suomeen perustettiin 2.3.2018 koneälypuolue. Vaikka tämä nyt saattaa kuulostaa hömpältä, niin pohditaan blogin verran, noin 2 minuuttia, mikä juttu ja mitä myynnistä vastaavan johtajan pitäisi tästä olla mieltä?

Yle uutisoi 1.3.2018, että “maailma on monimutkaistunut, eikä perinteinen poliittinen järjestys tai perinteiset puolueet pysty enää tarjoamaan globaaleihin ongelmiin kestäviä ratkaisuja” ja tämän lisäksi ihminen omilla päätöksillään on vienyt maapallon jamaan, missä se nyt on. Tästä syystä on hyvä ottaa “ulkopuolinen” arvioimaan ja jopa tekemään päätöksiä.

BBC 2.1.2018, että tekoäly arvio lääkäreitä paremmin sydänsairaudet ja keuhkosyövän. Tutkimuksen mukaan NHS (National Health Service, Yhdistyneen kansakunnan julkinen terveydenhuoltojärjestelmä ja samalla maailman suurin), tulee säästämään 50 % 2,2 miljardin punnan vuosittaisista patologian kuluista, kun tekoäly otetaan käyttöön.

Netissä pyörii paljon meemejä. Yksi mieleenpainuvimmista on sitaatti IBM:n entiseltä toimitusjohtajalta Thomas Watsonilta, joka sanoi, että maailmassa on tarvetta ehkä viidelle tietokoneelle. Toinen silmiinpistävä on vertailu maailman suurimmista palveluntarjoajista. Elokuvissa Netflix, joka suosittelee kymmenistä tuhansista videoista juuri sinulle sopivimmat. Verkkokaupoista Alibaba, Amazon ja eBay, jotka jokainen laskee tarkasti, mitä juuri sinä tarvitset. Musiikista Spotify, joka sekin tekee samaa. Youtube tekee tätä yli 7 miljardin videon kanssa. Näissä kaikkialla taustalla on tekoäly, joka yrittää vaikuttaa meihin tunnistamalla omaa ja muiden ihmisten käyttäytymistä.

Näissä kaikkialla taustalla on tekoäly, joka yrittää vaikuttaa meihin tunnistamalla omaa ja muiden ihmisten käyttäytymistä.

Miksi sitten koneälypuolue on kova juttu? Jos kone oikeasti tekee päätöksiä faktojen pohjalta, silloin oikeistolainen, keskustalainen tai vasemmistolainen ideologia ei vaikuta päätöksiin. Sama pätee myös liberaaliin ja konservatiiviin. Silloin myöskään vanhat, keski-ikäiset, lapsiperheet ja muut nuoret eivät välttämättä pääse etusijalle. Tekeekö tämä sitten kaikille kaikkea ja kenellekään ei yhtään mitään? Sitä on tässä vaiheessa vaikea arvioida.

Myyntijohtaja, miksi sinun pitäisi kiinnostua tekoälystä?

Siksi, että jos nyt katteet, tuoteryhmät, asiakkuudet, alueet, myyjät, käynnit, keskikaupat ja myyntikäyntien jakautuminen sekä seuraavat toimenpiteietä myynnissä ja johtamisessa ovat vaikeita analysoitavia, niin miksi et antaisi koneen tehdä sitä kanssasi? Välttämättä se top 100 firma ei ollutkaan se paras paikka, eikä se tuttu kontakti sieltä asiakkaalta paras kontakti. Välttämättä myöskään tiettyjä tuotteita tai palveluja ei olisi kannattanut lähteä tarjoamaan asiakkaalle ollenkaan. Ainakaan tällä hetkellä.

Kun myyntiä lähdetään analysoimaan, on siinä niin monta liikkuvaa osaa, että ihmisellä ei siihen ole resursseja, ainakaan ajallisesti. Samalla kun tekoäly tekee tämän sekunneissa, ihmiseltä menee siihen viikkoja.

Jos haluat jutella lisää tekoälystä osana myyntiä, niin laita soittaen.

Lauri Kurki
040 730 9033

Toteutimme Helsingissä järjestettyyn Dreamforce to You -tapahtumaan Einstein-tekoälyyn perustuvan demon. Otimme iPadilla kuvia Angry Birds -pehmoleluista, jonka jälkeen kuva analysoitiin ja luokiteltiin johonkin ennalta määritellyistä kategorioista, eli tässä yhteydessä Einsteinille opetetuista pehmoleluista.

Kaiken taustalla on Salesforcen kehittämä tekoäly Einstein ja sen kuvantunnistustoiminto Vision.

Ensiksi tekoäly on koulutettava

Jotta kuvantunnistus saadaan toimimaan luotettavasti, tekoäly tarvitsee alkuun opetusdataa. Kuvattavista kohteista, tässä tapauksessa pehmoleluista, tarvitaan erilaisia valokuvia. Mitä enemmän kuvia on käytettävissä, sitä luotettavampi kuvan tunnistus tulee olemaan.

Demossamme käytimme jokaiselle kolmesta eri luokasta 20 kuvaa. Tällä määrällä demo saatiin toimimaan luotettavasti, mutta varsinaiseen liiketoimintaan liittyvään käyttötarkoitukseen kuvia tarvittaisiin huomattavasti enemmän. Opetuskuvia tarvitaan myös sitä enemmän, mitä samankaltaisempia tutkittavat kohteet ovat keskenään. Näin kuvien erot saadaan esille.

Opetusdatan kuville määritellään luokkaleimat, jonka perusteella tekoäly jaottelee käyttäjän ottamia kuvia. Kun opetusdata on luotu, se annetaan tekoälyn analysoitavaksi ja Einstein Vision “opettelee” datan. Käytännössä tekoäly purkaa kuvista piirteitä ja muodostaa niistä yhteneväisyyksiä samaan luokkaan kuuluvien kuvien välille. Näin valokuva saadaan purettua koneen ymmärtämään muotoon.

Demossa tunnistettava pehmolelu saattoi olla pöydällä tai vaikka toisen ihmisen sylissä.

Kuva tunnistetaan palvelimella

Kun opetusvaihe on valmis, käyttäjä voi ottaa kuvan halutusta kohteesta ja antaa sen tekoälyn analysoitavaksi. Kuvan prosessointi tapahtuu pilvipalvelimella, ei käyttäjän koneella. Tämä onkin järkevää, koska piirteiden purkaminen voi vaatia tietokoneelta todella paljon laskentatehoa.

Palvelimelta tuleva vastaus ja opetusdata antavat käyttäjälle vastauksen siitä, mihin luokkaan kyseinen kohde kuuluu. Lisäksi tästä voidaan luoda jatkotoimenpiteitä. Demossamme käyttäjä ohjattiin kuvan ottamisen jälkeen sen Angry Bird hahmon sivulle, josta hän oli kuvan ottanut. Eli päätös tehtiin järjestelmässä taustalla, jonka mukaan käyttäjä ohjattiin uudelle sivulle.

Demossamme saimme tunnistuksen toimimaan luotettavasti. Annoimme vieraiden ottaa tabletilla kuvia hahmoista, jonka jälkeen järjestelmä kertoi, mikä hahmo oli kyseessä. Tämä tarjosi mukavia wau-efektejä tapahtumapäivän aikana.

Tekoäly valmiissa paketissa

Salesforce on paketoinut Einstein Visionin hyväksi ja helppokäyttöiseksi tuotteeksi. Kuvantunnistus ja tekoäly saadaan helposti osaksi yrityksen toimintoja, ja se alkaa välittömästi tuottamaan lisäarvoa.

Kuvantunnistus ja tekoäly saadaan helposti osaksi yrityksen toimintoja, ja se alkaa välittömästi tuottamaan lisäarvoa.

Hyvänä käytännön esimerkkinä voidaan mainita kenttähuollon tarpeet. Teknikko ottaa kuvan jostain laitteesta tai varaosasta ja järjestelmä kertoo kuvan perusteella mikä laite on kyseessä, sekä tarjoaa mahdollisia lisätietoja ja huolto-ohjeita.

Jos haluat lukea lisää Salesforcen laajemmasta hyödyntämisestä tekoälyn ja monien muiden asioiden kanssa, ja sen tuottamasta lisäarvosta, kannattaa käydä lukemassa tuore oppaamme Kilpailukykyä Salesforce-kehityksellä – Salesforce alustana asiakaskohtaisten sovellusten kehityksessä.

Linkedinissä käydään kotimaista keskustelua tekoälystä ja myynnistä, mutta varsin korkealla abstraktiotasolla. Minulla on nykyisen työni kautta mahdollisuus tutustua siihen, mitä Salesforce on asiasta mieltä. Kuluneella viikolla Dreamforce-tapahtuman yhteydessä olen myös saanut kuulla, miten amerikkalaiset yritykset ovat ottaneet tekoälyä käyttöön kuluneen vuoden aikana.

Tästä on syntynyt käsitys, jonka aion nyt tässä jakaa. On tosin huomioitava, että asiat kehittyvät nopeasti ja tämän hetken tilanne jää nopeasti vanhaksi.

Tämän hetken käytännön tekoälysovellukset myynnissä voidaan jakaa viidelle osa-alueelle.

1. Liidien pisteytys ja priorisointi

Tekoälyn avulla analysoidaan CRM-dataa ja luodaan historiatiedon pohjalta algoritmit, joilla liidit voidaan pisteyttää ja priorisoida. Salesforcen tekoälytuotteessa Einsteinissa on valmiit toiminnot tätä varten ja käyttöönotto on varsin näppärää. Myynnin puolella voidaan keskittyä parhaiden liidien hoitamiseen.

Kun ero parhaiden ja huonoimpien liidien välillä on luokkaa 4x, on tuottavuuden paraneminen merkittävää. Sivutuotteena voidaan arvioida liidien lähteitä ja näin ohjata liidien hankintapanostukset tehokkaimpiin kanaviin.

2. Myyntihankkeiden arviointi ja pisteytys

Toinen osa-alue käsittää myyntihankkeiden arvioinnin ja pisteytyksen. Myyntihankkeiden pisteytys voidaan toteuttaa liidien pisteytystä vastaavasti tekoälyn avulla. Liidiprosessiin verrattuna käytössä on lisäksi myyjään ja ostajaan liittyvät historiatiedot, joiden avulla voidaan tuoda henkilöistä riippuvat tekijät mukaan analyysiin.

Pisteytys toteutetaan määrittelemällä kauppaan vaikuttavat tärkeimmät tekijät. Pisteet skaalataan yleensä välille 0-100, jolloin kaikkien on helppo käsittää pisteluvun merkitys kullekin liidille ja myyntihankkeelle.

3. Asiakasymmärryksen parantaminen

Kolmas osa-alue on asiakasymmärryksen parantaminen tuomalla asiakkaaseen tai myyntihankkeeseen liittyvää tietoa internetistä myyjän käytettäväksi. Tekoäly tunnistaa internetistä valittujen medioiden uutisvirrasta relevantit uutiset ja poimii ne suoraan CRM:ään tukemaan myyjää asiakaskeskustelussa. Lisäksi voidaan poimia oleellista tietoa myös myyntihankkeiden arviointia varten, kuten avainsanoja YT, organisaatiomuutos, uusi johtaja jne.

4. Toimenpidesuositukset

Neljäs osa-alue liittyy toimenpidesuositusten antamiseen lähinnä myyntihankkeiden osalta. Kun tekoäly tekee myyntihankkeiden pisteytystä, se tuottaa samalla tiedon siitä, mitkä osa-alueet eivät ole täysin kohdallaan. Näin tekoäly kykenee muotoilemaan selkeät toimintasuositukset myyjälle ja myyntijohdolle siitä, mihin toimenpiteisiin pitäisi ryhtyä, jotta kaupan todennäköisyys kasvaisi.

5. Ennustaminen

Viides osa-alue liittyy ennustamiseen. Toteutuneiden ja hävittyjen kauppojen historiatiedon sekä myyntihankkeiden pisteytyksen perusteella tekoäly pystyy tekemään erittäin tarkan ennusteen myyjän, yksikön tai koko firman osalta.

Käytännön kokemusten pohjalta voidaan sanoa, että ennustetarkkuus on jopa +/-5%. Tulos on tarkempi, kuin mikään perinteisillä menetelmillä tehty ennuste, ja aina reaaliaikaisesti saatavilla. Tekoäly huomioi myös seikkoja, joita normaalisti ei käsitellä ennusteprosessissa, kuten myyntihankkelistan ulkopuolelta tulleet nopeat kaupat sekä hankkeen arvon muuttuminen myyntiprosessin loppuvaiheissa. Lisäksi myyjien subjektiiviset tyylit (kuten kuka on optimisti ja kuka varovainen ennustaja) huomioidaan ennusteessa historiatiedon kautta.

Tekoälystä jo nyt käytännön hyötyjä

Tekoälyn ensimmäisen sukupolven käytännön sovellusten hyödyt tulevat seuraavilta osa-alueilta:

1. Myynnin tehostuminen myyjän keskittyessä niihin liideihin ja myyntihankkeisiin, josta tulee kauppa.
2. Myynnin kasvaminen toimenpidesuositusten kautta, kun korjataan myynnissä olleet puutteet ajoissa ja kauppojen kotiutumisaste nousee.
3. Myyntitavotteiden parempi saavuttaminen, kun reaaliaikaisen ja laadukkaan ennustamisen kautta osataan korjata riskitekijöitä etukäteen eikä yllätykset tule viime metreillä.

Tekoälyn ensimmäinen sukupolvi tulee nostamaan myynnin tehokkuutta 30-50%.

Tekoälyn ensimmäinen sukupolvi tulee nostamaan myynnin tehokkuutta 30-50%. Tämä on merkittävä parannus ja kenelläkään ei ole varaa antaa tämän tason kilpailuetua pois.

Mitä tekoälyn käyttöönotto edellyttää teknologian lisäksi?

Tekoälyn pohjana on CRM:ssä oleva data, jonka laatu pitää olla korkea. Virheellistä tai puutteellista tietoa tekoäly ei pysty korjaamaan, vaikka voikin sen pisteytyksessä huomioida. Suurin osa käytössä olevista CRM-järjestelmistä ei ole kaikilta osiltaan käytössä. Lisäksi monessa paikassa sallitaan, että tiedot eivät ole ajan tasalla. Nämä myyntiorganisaatiot joutuvat lähtemään takamatkalta tekoälyn käyttöön ja tulevat kärsimään markkinaosuuksien menetyksistä liiketoiminnassaan.

On mielenkiintoista nähdä missä vaiheessa eri yrityksissä herätään ja käynnistetään CRM:n uudelleenkäyttöönottoprojekteja tekoälyn hyötyjen saamiseksi. Tekoäly on jo oikeasti täällä ja tätä päivää. Se on otettavissa käyttöön, kun vain halu ja kyky ovat kunnossa.

Salesforcen Force.com-alustaan integroitu tekoäly Einstein julkaistiin noin vuosi sitten. Vuodessa Einstein on paisunut järkäleeksi, josta on vaikea ottaa selvää, mitä kaikkea se pitää sisällään. Tässä kirjoituksessa avaan hieman Einsteinin kokonaisuutta.

Einsteinin voi jakaa kolmeen osaan esimerkiksi seuraavasti:

• Einstein-alustapalvelut (Einstein Platform Services)
• Salesforcen tuotteisiin integroidut Einstein-palvelut (esimerkiksi Sales Cloudiin integroitu myynnin tehostaminen tai Marketing Cloudiin integroitu yksilöllinen markkinointi)
• Einstein-analytiikka (aiemmin Wave Analytics)

Tässä kirjoituksessa keskitymme Einstein-alustapalveluihin (Einstein Platform Services).

Einstein-alustapalvelut

Einstein-alustapalvelut voidaan jakaa kolmeen kategoriaan Einstein Vision, Einstein Language ja Einstein Predictions.

Einstein Vision tehtävänä on analysoida kuvia älykkäästi. Ensimmäinen askel Einstein Vision toteuttamisessa on Einsteinin opettaminen. Einstein Visio voidaan esimerkiksi opettaa tunnistamaan, miltä banaani ja omena näyttävät. Opettamisen jälkeen Einstein Visio voi tunnistaa hedelmäkorista kaikki banaanit ja omenat. Einstein Visiolle voi keksiä paljon käyttötapauksia läpi toimialojen. Esimerkiksi tuotteiden viallisuus tai tuotteiden esillepanon tarkistaminen kaupassa voidaan hallita Einstein Visiolla.

Einstein Language on tekstin tunnistamisen väline, joka tulkitsee esimerkiksi asiakkaan viestistä sisältöä rakenteelliseen muotoon. Einstein Language tulee opettaa kuten Einstein Vision.

Einstein Language voidaan jakaa vielä kahteen osaan.

1. Einstein Sentimentin avulla tunnistetaan, onko teksti positiivinen, negatiivinen vai neutraali. Toiminnallisuuden avulla voidaan esimerkiksi analysoida asiakkaan sähköposteja, viestejä tai sosiaalisen median julkistuksia. Einstein Sentimentin avulla löydetään esimerkiksi tyytymättömiä asiakkaita ja voitetaan heidät takaisin puolelleen sen nostamilla herätteillä tai markkinointiviesteillä. Einstein Sentimentin avulla voi myös analysoida sosiaalisen median kanavia.
2. Toinen Einstein Languagen osa on Einstein Intent, jonka avulla voidaan kategorisoida tekstejä. Asiakkaalle tehty tyytyväisyyskysely voidaan muuntaa kategorisoituun muotoon (mitä asia koskee, onko kyseessä reklamaatio jne.) tai asiakkaan lähettämä yhteydenotto voidaan määrittää myyntimahdollisuudeksi viestin kautta määritettyihin tuotteisiin.

Einstein Language ei ole vielä julkisesti saatavilla.

Einstein Predictions on Salesforcen Winter ’18 julkaisussa tuoma toiminnallisuus. Nimensä mukaisesti Einstein Predictions tekee ennusteita datan perusteella. Asiaa on helpompi hahmottaa esimerkkien avulla:

Kuvittele olemassa oleva asiakkaasi, joka ei ole tehnyt uusia tilauksia viimeiseen 3 kuukauteen ja lähettää tulikiven katkuisen asiakaspalautteen. Mikä on todennäköisyys, että asiakas on huomenna entinen asiakas? Einstein Predictions voi tehdä ennustuksen olemassa olevan asiakasdatan perusteella, että asiakas on 60 prosentin todennäköisyydellä entinen asiakas.

Lisäksi Einstein Predictions voidaan liittää prosessiautomaatioihin. Einstein Predictions voi esimerkiksi nostaa asiakastapausen (case) esiin tekemänsä tekemän ennusteen perusteella (asiakas on 70% todennäköisyydellä entinen asiakas). Einstein Predictions ei ole vielä julkisesti saatavilla, vaan ainoastaan valituilla pilottiasiakkailla. Biitin DreamForcessa saamien huhujen mukaan Einstein Predictions tulee saataville Salesforce Spring’ 18 julkaisussa.

Einstein-alustapalveluita rajapintojen kautta

Einstein Vision ja Einstein Language toteutetaan rajapintojen (REST API) avulla. Toisin sanoen kuva tai teksti lähetetään rajanpintaan ja se palauttaa vastauksessa ennustuksen. Kyseiset rajapinnat ovat ”peruskamaa”. Toteuttajalta vaaditaan Force.com:n perusrajapintaosaaminen.

Kyseiset rajapinnat ovat ”peruskamaa”.

Einstein Predictions toteutetaan Salesforcen konfiguraatiotyökalulla. Konfigurointi on ohjattu toiminto (ns. ”wizard), joka ei vaadi erityisen syvällistä osaamista. Lisäksi Einstein Predictions voidaan kytkeä Process Builder -konfiguraatioihin, jolla Einstein Predictionsin tuloksia voidaan automaattisesti ohjata prosessoitavaksi liiketoiminnalle.

Mitä tämä kaikki maksaa?

Salesforce Visionsin ja Salesforce Languagen hinnoittelu pohjautuu API-kyselyiden lukumäärään. Toisin sanoen kyselyiden lukumäärä tietyllä aikavälillä on hinnoitteluperuste. Salesforcen lisensointimallia (hinnoittelu) ei ole Einstein Predictions tuotteelle vielä julkaistu. Salesforce voi halutessaan muuttaa hinnoittelua.

Asiakaslähtöisyys ja asiakaskeskeisyys ovat olleet businessmaailman muotisanoja pitkään. Termi on keksitty kymmeniä vuosia sitten, ja nykypäivänä kaikki liiketoiminnasta mitään ymmärtävät ovat tavalla tai toisella lisänneet käsitteen niin yrityksensä strategiaan kuin päivittäiseen tekemiseen.

Aito arkinen asiakaslähtöisyys on useassa yrityksessä vielä lapsenkengissä, ja suurimmat syyt tähän löytyvät ihmisten intuitiivisesta ajatusvirheestä sekä yritysten järjestelmissä jo olemassa olevan tiedon hyödyntämättä jättämisestä.

Mutta ei hätää: Nykypäivän järjestelmät mahdollistavat sekä tiedon hyödyntämisen, että asiakaslähtöisyyden päivittäisen mittaamisen! Kun asiakaslähtöisyydestä tulee pakkopullan sijasta maittavaa jokapäiväistä leipää, se tuottaa paitsi läjäpäin tyytyväisiä asiakkaita, myös enemmän juustoa jokapäiväisen leivän päälle! Tässä kolme hauskaa faktaa intron tueksi:

1-Sosiaalihuolto on asiakaskeskeisyyden pioneereja – miksei se näy?

Googlasin asiakaslähtöisyyttä ja yllätyksekseni suurin osa osumista liittyi julkisen puolen kehityshankkeisiin. Moni osumista oli vuosituhannen alkupuolelta, eli asia on tiedostettu ja sitä on kehitetty jo kohta 20 vuoden ajan. Editysaskelia on tapahtunut paljon, mutta miksi vanha stigma virastojen jäykkyydestä ja asiakaspalvelun huonoudesta yhä varjostaa tätä puolta?

Yksi syy löytyy varmasti järjestelmistä: Valtio ja julkinen puoli on hidas toimija, siksi uudet innovaatiot eivät leviä virastoihin ja ministeriöihin samalla vauhdilla, kuin ne saavuttavat yksityisen puolen toimijat. Tämä on harmi, ja tuottaa veronmaksajille sekä päänvaivaa että ylimääräistä rahanmenoa.

2- Oma suu lähempänä ku kontin suu

Ihmisen perusluonteeseen kuuluu ensisijaisesti oman edun varmistaminen, ja sitten vasta mietitään muita. Paradoksaalisesti asiakaslähtöisyys tuottaisi kuitenkin lopulta asiakaspalvelijalle, huoltomiehelle ja myyjälle enemmän juuri tästä samasta syystä. Kun asiakas huomaa, että hänen etunsa pannaan ykkössijalle, se kasvattaa luottamusta ja vähentää halukkuutta lähteä hakemaan palvelua tai tuotetta kilpailijalta.

3- Ihminen vs. Kone? EI, vaan Ihminen JA Kone!

Viime aikoina on käyty keskustelua tekoälyn, koneellistumisen ja ihmisen välisestä työnjaosta sekä sen vaikutuksista tulevaisuuden hyvinvoinnin jakautumiseen. Aidosti asiakaslähtöisessä yrityksessä tämä työnjako on selvä: Koneet auttavat ihmisiä a) olemaan asiakaslähtöisempiä b) mittaamaan asiakkaiden tyytyväisyyttä ja c) laskemaan, mihin suuntaan asiakkaiden tarpeet ovat tämän hetken tiedon mukaan menossa.

Ihmiset tekevät inhimillisen puolen, ovat asiakasrajapinnassa, tuovat henkilökohtaisen mausteen ja voivat käyttää lähes kaiken aikansa asiakkaiden kanssa. Se jos mikä on asiakaslähtöisyyttä!

Rakkaalla lapsella on monta nimeä: tekoäly, keinoäly, AI, koneäly tai lyhyemmin; kone.

Tekoäly on päivän sana! Se on jopa niin kuuma aihe, että meidän blogissa on viime aikoina ollut jo kaksi muutakin asiaa käsittelevää artikkelia Janin ja Pasin toimesta.

Tekoälyn viimeinkin saapuessa isossa mittakaavassa yritysten liiketoimintamahdollisuudet laajentuvat, järjestelmät järkeistyvät, palvelut parantuvat ja perusduunarit pannaan niiden takia joka putiikista pihalle. Hetkinen, no ei nyt sentään liioitella.

Tekoäly tulee ennen kaikkea auttamaan ihmisiä suoriutumaan päivittäisistä töistään moninkertaisesti nykyistä paremmin. Kone tunnistaa asiakkaan, helpottaa henkilökohtaisen palvelun tarjoamista ja tuo asiantuntijuutta niissäkin asioissa, joissa työntekijällä ei sitä entuudestaan ole.

Asiakkaan näkökulmasta robotit inhimillistävät ostokokemustamme. Taitavimmin tekoälyä hyödyntävät yritykset saavat jokaisen palvelutilanteen tuntumaan siltä, kuin asioisit suoraan oman suosikkimyyjäsi kanssa.

Tekoälyn avulla menestytään ja luodaan markkinoita sinnekin, missä niitä ei ole koskaan ollutkaan. Nopeat tulevat takuuvarmasti syömään hitaat, ei kannata jäädä tästä junasta.

Etkö usko? Lue nämä kolme perustelua niin mielesi saattaa muuttua.

1. Kännykkäsi lukee jo meiliäsi – ja se on ihanaa!

Kuinka usein olet tuloksetta etsinyt jonkun ihmisen puhelinnumeroa, nimeä tai meiliosoitetta eri tietokoneilta tai sähköpostista? Kännykän uusimman käyttöjärjestelmäpäivityksen myötä minun ei enää tarvitse: mikäli tietoja löytyy sähköpostistani, puhelimen käyttöjärjestelmän tekoäly tuo näitä tietoja kontakteihini ”ehdolle”.

Mikäli kontakti, jonka numeroa minulla ei ole muistissa soittaa, tekoäly skannaa käyttämiäni applikaatioita. Löytäessään numeron sekä nimen vaikkapa sähköpostistani, näytölle ilmestyy puhelinnumeron lisäksi ”Maybe: Matti Virtanen”.

Monella meistä on satoja tai tuhansia kuvia kännyköissämme. Kännykkäkamerat ovat korvanneet digikameran paitsi kompaktin koon myös niiden tarjoamien lisäpalveluiden ansiosta: Kuvien editoiminen, jakaminen, järjesteleminen, kaikki onnistuu. Kuvien koneellinen tunnistaminen on tekoälyn töitä; kiitos koneen, kuvat menevät suoraan omiin kansioihinsa. Kätevää! Moni nykyihmiselle päivänselvistä kuvaamiseen liittyvistä palveluista ei ollut edes käynyt konservatiivisten kameravalmistajien mielessä.

Tämä puhelimen ohjelmistopäivityksen myötä ilmestynyt henkilökohtainen assistentti on ehkä pieni kehitysaskel ihmiskunnalle, mutta suuri yksittäiselle asiakasvastaavalle. Kuvittele, mitä kaikkea tietoja tällaisella yksinkertaisella tempulla CRM-alustalla hyrräävä tekoäly voikaan tuoda myyjälle, markkinoinnille, huollolle, asiakaspalvelulle? Meidän asiakkaidemme ei tarvitse kuvitella, sillä tämä tekoälysovellus on jo olemassa. Tekoälyä kutsutaan vaatimattomasti nimellä Einstein.

2. Älä ota asiakasriskiä – rakastu robottiin

Myynnin tai asiakaspalvelun aikana tapahtuneen sujuvan vuorovaikutuksen osalta ihminen kepittää keinoälyn. Mutta on olemassa monia asioita, jotka kone hoitaa ihmisiä paremmin, tarkemmin ja nopeammin.

Kone ei väsy. Kone ei unohda tärkeitä asioita tai harhaudu prosessissaan esimerkiksi siksi, että sen kaksi nuorinta lasta ovat pitäneet sitä valveilla edelliset kolme yötä. Parhaimmillaan kone tukee, täydentää ja parantaa ihmisen suoritusta tuomalla taustatietoja, muistuttamalla tärkeistä asioista tai päivämääristä ja ehdottamalla prosesiin kuuluvia jatkotoimenpiteitä. Koneen kyvyillä kaunisteltu palveluprosessi ilmenee asiakkaalle parempana, persoonallisena palvelukokemuksena.

Jättämällä tekoälyn tarjoamat mahdollisuudet hyödyntämättä otat riskin, että myyjäsi tai asiakaspalveluvastaavasi joutuvat kilpailemaan oman pääkoppansa kanssa markkinoilla, joilla moni yritys jo pelaa varman päälle ja tukeutuu koneen apuihin. Asiakkaalle tämä näyttäytyy vain hyvänä tai huonona palveluna. Lisäravinteeton voi toimia valttikorttina ruokakaupan hyllyllä, mutta luomupalvelusta ei saa lisäpisteitä.

3. Paras palvelukokemus monistetaan masiinalla

Mikä tekee hyvästä myyjästä hyvän? Asiakkaiden tunnistaminen, tunteminen, asiakkaan tarpeiden oikea määrittäminen ja tyydyttäminen, ostamisen helpoksi tekeminen ja taito kuunnella. Yllättävän moni näistä elementeistä voidaan tuottaa koneälyn avulla myyjälle kuin myyjälle, vaikkei he olisi sinua koskaan tavanneetkaan. Riittää, että olet joskus asioinut kaupassa, ja täten ostohistoriasi on heidän alustallaan.

Meillä jokaisella on varmasti yksi tai useampi lempimyyjä, lähikaupan kassa, lounasravintolan tarjoilija, vaatekaupan suosikkityyppi. Kuvittele kauppa tai yritys, jonka jokainen myyjä on kuin oma suosikkisi. Entäpä, jos samanlainen fiilis syntyy joka kohtaamisessa, kanavasta riippumatta? Tervetuloa tulevais…nykyhetkeen!
Asiakaspolkujen douppaaminen tekoälyllä mahdollistaa palveluprosessien nostamisen ihan uudelle tasolle – asiakaskokemus lävähtää katosta läpi niin että mittarit särkyy!

Ihan kaikkea koneella ei vielä voi korvata, mutta jo nyt kättemme ulottuvilla olevat parannukset ovat huikeita. Kuuntele siis sisäistä tai ulkoista konettasi ja astu koneen kyytiin!