Vi har allerede gjort store fremskritt innenfor automasjon av salg og markedsføring, men vil AI føre til en enda større revolusjon av salg og markedsføring i fremtiden? De fleste som arbeider med AI/Salg i dag ser ut til å mene at det vil skje enten man liker det eller ikke.
Selv om få bruker AI til salg og markedsføring i dag (ser bort ifra bruk av Google som bruker masse AI på innsiden), ser vi at nye firmaer stadig dukker opp og tilbyr ulike maskin læringsmetoder for å forbedre markeds og salgsprosessene.
Denne artikkelen vil forklare litt om hva maskinlæring er og gi noen enkle eksempler fra vår bransje for å sannsynliggjøre at mange salgsfunksjoner som før var manuelle nå kan gjøres av maskiner med gode resultater.
Brorparten av forskning på maskinlæring er i dag av denne typen. Vi lærer opp en algoritme ved å gi den eksempler på hvordan den skal forutsi utfall gitt ulike input data.
Et eksempel er å klassifisere en e-post vi har fått fra et prospekt. Er e-posten positiv eller negativ? Er e-posten positiv vil vi følge opp, mens den kan settes på hold dersom den er negativ. Dette kan løses ved å veilede maskin lærings algoritmen ved å manuelt klassifisere et antall e-poster vi har fått fra ulike kontakter som negative eller positive. Maskin kan da lære hva slags e-poster som skal klassifiseres som positive, og som må følges opp så fort som mulig. Når maskinen da får en ny e-post fra et prospekt, kan den klassifisere den, og lage en ny oppfølgingsoppgave til riktig selger.
Ikke så mye brukt som metodene ovenfor, men ikke mindre interessant synes jeg. Fordelen er at du ikke trenger å manuelt klassifisere trenings-dataene du har. Basert på dine data prøver algoritmene å dele dine data i ulike grupper basert på vanlige likhets mål (for eksempel mål på hvor like prospekter er).
Et eksempel på ikke-veiledet læring er gruppering av kunder. Like kunder vil havne i samme kundegruppe. Dette kan være nyttig dersom vi eksempelvis ønsker å gi ulike kundegrupper forskjellig oppfølging, anbefaling eller reklame. Vi kan da lage en modell for personifisering av kunder, slik at vi sender riktig informasjon til riktig prospekt eller kunde.
Mest kjent fra brettspill som sjakk og go, er dette metoder som inneholder tilbakekobling. Det er en type regulator som prøver å regulere et system for å optimalisere utbytte. I sjakk eksemplet er utbyttet naturligvis å vinne flest mulig spill.
Innenfor salg ønsker vi for eksempel å få flest mulig kunder fra våre prospekter og leads ved å gjøre gode aksjoner (sende riktige meldinger, lage gode tilbud, og lignende tiltak). Utbyttet er da å få stort antall nye kunder.
Varianter av disse 3 funksjonene er allerede brukt av ulike salgssystemer i dag, og fantasien er det eneste som begrenser nye anvendelser. Så hvorfor brukes det ikke mer? Vi sparer utvilsomt tid på å la maskinen gjøre jobber for oss.
Det største hinder fra å bruke maskinlæring er nok å få gode data. Vi er heldig i dagens digitale verden at mye data kan finnes tilgjengelig, men vi må få dem brukbare for våre algoritmer. Noen av de mest avanserte algoritmene (Dype nevrale nettverk) krever ofte store mengder data, men heldigvis finnes det mange metoder som ikke er så data krevende.
Kunnskap om maskinlæring er nok begrenset. Heldigvis finnes det mye åpen og god programvare for de som vil lære og prøve seg. Du må helst kunne Python, og litt om lineær algebra, så kan du komme i gang.
LeadJabber arbeider med maskinlæring som verktøy for å automatisere salg og markedsføring. Vi ser på maskinlæring som enda et (viktig) verktøy i vår verktøykasse for å forbedre våre markedsføring og salgsprosesser. Vi tror at maskinlæring vil bli enda viktigere fremover for å gjøre oss effektive på jobben, til glede for både oss og våre kunder.