مشکل داده های کثیف: قبل از سرمایه گذاری در هوش مصنوعی از اینجا شروع کنید

هر تیمی که وارد بازار می شود، هوش مصنوعی می خواهد. تعداد بسیار کمی داده ها برای پشتیبان گیری از آن را دارند.

این بدبینی نیست.

ما تیم‌های خلق ارزش را در سراسر صنعت بررسی کردیم و یافته‌ها بسیار گویای بود: تقریباً سه چهارم گفتند هوش مصنوعی مولد بیشترین تأثیر را در ایجاد ارزش در سه سال آینده خواهد داشت، اما 35.8 درصد می‌گویند که در حال حاضر این حوزه در سازمان‌هایشان کم‌کارترین است.

بزرگترین فرصت و بزرگترین شکاف، همه در یک نفس.

این تیم ها جاه طلبی کم ندارند. آنها با دود کار می کنند و سعی می کنند هوش مصنوعی را در زیرساختی پیاده کنند که هرگز برای آن ساخته نشده است.

امی کرامر، شریک عملیاتی شرکت در Level Equity، آن را به وضوح در بحث وضعیت صنعت ما در مورد ایجاد ارزش بیان کرد.

بسیاری از شرکت‌ها برای استفاده از هوش مصنوعی بسیار هیجان‌زده هستند و به این فکر می‌کنند که چه چیزی می‌توانند استفاده کنند، و من می‌گویم…ما حتی فرآیندها و داده‌های اساسی را هم نداریم. ما هنوز به آنجا نرسیده‌ایم.»

قبل از اینکه کارت اعتباری خود را روی آن پلتفرم جدید هوش مصنوعی براق بکشید، این را بخوانید.

مشکلی که هیچ کس نمی خواهد در مورد آن صحبت کند

پشته هوش مصنوعی شما به اندازه داده هایی که آن را تغذیه می کند هوشمند است. و برای اکثر شرکت‌های B2B در مرحله رشد، این داده‌ها یک آشفتگی است.

معاملات در مراحل اشتباه آماده سازی. هیچ فرآیند دروازه ای وجود ندارد که پیشرفت را مجبور کند. «گمشده بسته» که شش ماه است لمس نشده است. اینها مشکلات کوچک خانگی نیستند. اینها مشکلات ساختاری هستند که هر پیش‌بینی مبتنی بر هوش مصنوعی، هر توالی پرورش خودکار و هر نمره سلامت خط لوله را بی‌فایده می‌سازد.

امی در وبینار داستانی را تعریف کرد که برای بسیاری از اپراتورها آشنا به نظر می رسد. شرکت نمونه کارها ابزارهای هوش مصنوعی را در پشته درآمد آزمایش می کند، با حرکت سریع و احساس تیز. او در مورد KPIهای اصلی و چارچوب آزمایشی آنها پرسید. پاسخ یک احساس بود. آنها گفتند: «ما خیلی سریع پیش می رویم. این یک مشکل تکنولوژیکی نیست. پوشیدن کت و شلوار فنی یک مشکل فرآیندی است.

بر اساس گزارش IBM، کیفیت پایین داده ها سالانه 3.1 تریلیون دلار برای مشاغل آمریکایی هزینه دارد. برای یک شرکت SaaS در مرحله رشد، متفاوت نشان می دهد: CAC باد شده، سیگنال های توسعه از دست رفته، ابزارهای هوش مصنوعی که با اطمینان پاسخ های اشتباه را نشان می دهند زیرا هیچ کس داده های آموزشی را پاک نکرده است.

مشکل تراز ICP

حتی زمانی که بهداشت CRM سالم باشد، مشکل دیگری در کمین است. سه تیم، سه تعریف متفاوت از مشتری ایده آل.

Blake Tiemeier، مدیر شتاب رشد در جنرال آتلانتیک، همیشه آن را می بیند. “نمی توانم به شما بگویم که چند بار با افرادی صحبت خواهیم کرد که بازاریابی نسخه ICP خود را دارد، فروش نسخه خود را از ICP دارد، و محصول چیزی ساخته است که هیچ کس حتی نمی دانست در حال عرضه است.”

در نظر بگیرید که این برای یک مدل امتیازدهی مبتنی بر هوش مصنوعی چه معنایی دارد. دقیقا همان کاری را که شما به آن می گویید انجام می دهد. مشکل این است که “شما” در واقع سه فرد متفاوت با سه پاسخ متفاوت هستید.

چشم انداز ها بر اساس معیارهای اشتباه ارزیابی می شوند. توالی ها برای افراد اشتباه ایجاد می شوند. خط لوله سالم به نظر می رسد تا زمانی که بخش معاملات وارد عمل شود و همه متوجه شوند که همیشه در مورد مشتریان مختلف صحبت کرده اند.

تراز کردن ICP روی کاغذ قبل از وصل کردن هر ابزار هوش مصنوعی یک تمرین بازاریابی نیست. این تنها راهی است که کار خواهد کرد.

سیستم ثبت در مقابل سیستم عمل

همه ابزارها خطر یکسانی ندارند، و رفتار یکسان با آنها جایی است که شرکت ها بی جهت سرعت خود را کاهش می دهند.

امی بین این دو خط می کشد. سیستم ثبت شما نیاز به بررسی امنیتی، مدیریت داده ها، کنترل واقعی قبل از هر چیزی دارد. سیستم اکشن شما، که تیم‌های ابزار هر روز با آن آزمایش می‌کنند، می‌تواند با قرار گرفتن نرده‌های محافظ سریع‌تر حرکت کند.

او می‌گوید: «ما می‌خواهیم به کاربران این امکان را بدهیم که پس از بررسی امنیتی، به جای اینکه لزوماً برای استقرار آن از طریق RevOps استفاده کنند، فقط آن را آزمایش کرده و با آن بازی کنند. اگر قرار نیست زیرساخت های اصلی ما را تحت تأثیر قرار دهد، بیایید حرکت کنیم.»

این چارچوب مهم است زیرا به تیم‌ها اجازه می‌دهد تا بدون اینکه کل سازمان به مانع تبدیل شود، آزمایش کنند. RevOps مجبور نیست هر آزمایشی را تأیید کند. اما آنها کاملاً صاحب سیستم تصمیم گیری رکورد هستند.

دیدگاه بلیک: فناوری عرضه به بازار باید در RevOps، با خط نقطه چین برای تیم امنیتی، زندگی کند، به خصوص در مرحله ARR 20 تا 100 میلیون دلاری، جایی که یک تغییر پیکربندی اشتباه بر کل پشته تأثیر می گذارد.

شما نمی توانید چیزی را که نمی بینید اصلاح کنید

در اینجا مورد واقعی کسب و کار برای انجام کارهای اساسی قبل از خرید هر چیز جدید است.

شما نمی توانید نشت را شناسایی کنید، سرمایه گذاری در هوش مصنوعی را توجیه کنید، یا هر نوع نقشه راه بهبودی را بدون دیدن کل قیف بسازید.

بلیک به صراحت بیان کرد: “اکنون که دید کامل قیف را می بینیم، می بینیم که نشت کجاست. ما در واقع اکنون می توانیم پرونده تجاری را برای چیزی که می خواهیم حل کنیم بسازیم. ما سعی می کنیم این نشت را دقیقاً در همین نقطه حل کنیم. هوش مصنوعی چگونه می تواند به طور بالقوه به ما در انجام این کار کمک کند؟ اما اگر واقعاً دست خود را در اطراف کل قیف ندارید، نمی توانید گفتگوهای عمیق را انجام دهید.”

اکثر تیم ها این را برعکس دریافت می کنند. آنها ابزار را می خرند و سپس متوجه می شوند که چه مشکلی را حل می کند. ترتیب صحیح خسته کننده است، اما کار می کند: ایجاد دید، یافتن نشت، تشکیل یک فرضیه، انتخاب ابزار، تعریف موفقیت، انجام آزمایش. اتوماسیون ورودی، AI SDR، هوش تماس، غنی سازی داده. همه آنها می توانند تحویل دهند. اما نه زمانی که آنها به سمت قیفی هستند که هنوز کسی آن را کاملاً درک نکرده است.

شایان ذکر است: GTM در حال حاضر وزن زیادی را تحمل می کند.

در نظرسنجی ما، 74.6 درصد از تیم های خلق ارزش بیشترین زمان را در آنجا سپری می کنند، 67.2 درصد فرآیند جدید خالص را اولویت اصلی خود می دانند و 44.8 درصد می گویند GTM بیشترین ارزش سازمانی را در دو سال گذشته به ارمغان آورده است.

این فشار وسوسه دستیابی به ابزارهای هوش مصنوعی را قوی تر می کند. این همچنین قیف شکسته را گرانتر می کند.

مراحل عملی قبل از خرید ابزار بعدی

هیچ میانبری در اینجا وجود ندارد، اما مراحل پیچیده نیستند.

• KPIهای کلیدی خود را تعریف کنید و در واقع آنها را اجرا کنید. RevOps باید دارای تعاریفی از نقاط عطف، معیارهای پیاده سازی و استانداردهای فعالیت باشد. اگر تیم های مختلف گزارش های متفاوتی در مورد خط لوله گزارش دهند، شما دیدگاه مشترکی از کسب و کار ندارید و قطعا داده های هوش مصنوعی قابل اعتمادی ندارید.
• فرآیندهای گیت را بسازید و آنها را بچسبانید. یک معامله نباید بدون رعایت معیارهای خاصی از گشایش به عرضه پیشرفت کند. هر پورت نادیده گرفته شده یک نقطه داده خراب است و نقاط داده خراب به سرعت جمع می شوند.
• قبل از اینکه یک مدل امتیازدهی فعال شود، تراز ICP نوشته شده را دریافت کنید. این به معنای یک جلسه کاری متقابل واقعی با بازاریابی، فروش و محصول است. آن را مستند کنید. آن را در CRM قرار دهید.
• قبل از افزودن هر چیزی جدید، پشته فناوری موجود را بررسی کنید. امی یک شرکت نمونه کار را دستگیر کرد که ابزارهای هماهنگ سازی داده را خریداری کرده بود، در حالی که چیزی که واقعاً به آن نیاز داشت غنی سازی بود. ابتدا ببینید چه چیزی دارید.
• با فریم های واقعی تست کنید. فرضیه روشن، گروه کنترل، معیار تعیین شده موفقیت، جدول زمانی واقع بینانه. “ما یاد می گیریم” یک چارچوب نیست. تکرار سریع نیاز به ساختار دارد تا به معنای چیزی باشد.

خط پایین

الگویی که ما همچنان می بینیم این است که چالش های پیاده سازی در مکان های نامناسب ظاهر می شوند.

وقتی سعی می کنید 20 ابزار هوش مصنوعی را به طور همزمان ارزیابی کنید، هیچ یک از اینها آسان تر نمی شود.

هوش مصنوعی آنچه را که از قبل وجود دارد تقویت می کند. داده های پاک، تیم های هم تراز و قیف های قابل مشاهده سریع تر و واضح تر می شوند. داده های گیج، تعاریف مجزا و نشت نامرئی نویزتر و گران تر می شوند.

کار غیر سکسی درست کردن پایه و اساس راه دوری برای هوش مصنوعی نیست. این راه به آن است.

در York IE، ما به شرکت‌های مرحله رشد کمک می‌کنیم تا از طریق عملیات درآمد، استراتژی ورود به بازار و زیرساخت‌های داده، این پایه را بسازند، به طوری که وقتی ابزارهای هوش مصنوعی وارد صحنه می‌شوند، سیگنال واقعی را به جای افزایش نویز، چند برابر کنند.

به طور خلاصه، امی و بلیک این را مهم ترین و نادیده گرفته ترین سرمایه گذاری یک شرکت در حال حاضر می نامند. اگر می‌خواهید کل گفتگو را بشنوید، وبینار را اینجا ببینید.