is your customer data ready for AI

Os dados dos seus clientes estão prontos para IA?

Os representantes de vendas passam somente um terço do tempo vendendo. A IA pode ajudar a maximizar esse o tempo?

Segundo a pesquisa da Salesforce, os representantes de vendas passam somente um terço do tempo realmente vendendo. E 40% do tempo são empregados em atividades para inserir manualmente informações de vendas, gerar cotações ou propostas e realizar tarefas administrativas. Essas atividades desviam a atenção da construção de relacionamentos e introduzem ineficiências no ciclo, da cotação ao pagamento (QTC). O ciclo de QTC possibilita todo o processo de vendas, estimulando o interesse do comprador e gerando receita com uma compra. No entanto, o caminho costuma estar obstruído por tecnologia em silos, equipes desarticuladas (vendas, marketing, contabilidade, suporte) e processos desatualizados. 

Insira inteligência artificial (IA) e outras estruturas preditivas . A superposição dessas tecnologias em camadas, por cima do ciclo de vendas, pode abreviar o caminho no fechamento das vendas, melhorar a qualidade dos funis de vendas, oferecer informações mais aprofundadas sobre os possíveis clientes e dar às vendas e ao suporte mais tempo para construírem relacionamentos. De acordo com a Gartner, a IA produz taxas de conversão até 30% superiores ao envolver-se nas oportunidades. E a Harvard Business Review prevê que a IA poderá criar mais de US$ 2 trilhões em valor na cadeia de marketing e vendas. Enquanto um vendedor consome horas examinando um possível cliente, as ferramentas de automação auxiliadas pela IA podem avaliar e organizar milhares de prospectos, permitindo que o representante se concentre na venda e não na pesquisa. 

Com tanto a ganhar, o que poderia haver de errado? 

Se os dados a serem usados pela IA estiverem em silos, forem tendenciosos, incorretos ou incompletos, a IA será inútil. Ela não será capaz de disponibilizar as informações certas, e poderá até mesmo fazer o oposto, oferecendo conclusões incorretas, que dificultarão em vez de avançarem no processo de vendas. 

O sucesso da IA e de outras estruturas preditivas está atrelado à veracidade dos dados. Incoerência na entrada gera incoerência na saída. Sem uma integração sólida entre os aplicativos e sem dados precisos, as tentativas de utilização de qualquer uma dessas estruturas no ciclo de vendas serão fracassadas. Para que os algoritmos analisem uma tendência específica ou façam uma recomendação inteligente, eles devem ter acesso ao máximo possível de dados. Até 80% do trabalho envolvido em um projeto de IA concentra-se na coleta, na limpeza e na preparação dos dados. 

No entanto, dados limpos e integrados de maneira adequada, com tecnologia de recursos de IA, podem afetar muito as receitas provenientes das vendas. A companhia aérea KLM gerou milhões em receita adicional com estruturas de IA para dar aos agentes mais tempo para ajudar os clientes na reserva de upgrades e novos voos. O Caesars, um grupo de hotéis e cassinos, usa a IA para analisar a possibilidade de gastos diários dos clientes para personalizar e priorizar interações e promoções. E para os hóspedes do hotel, as ferramentas preditivas para atendimento ao cliente reduziram as ligações para a recepção em 30%. Empregando um mecanismo de recomendação com tecnologia IA, a Netflix afirma que economiza US$ 1 bilhão por ano, evitando o cancelamento de assinaturas. Esse sucessos da IA não se baseiam exclusivamente na aplicação da tecnologia de IA, mas também na qualidade dos dados subjacentes referentes aos clientes e nos ambientes de nuvem privada, pública ou híbrida onde os dados residem. 

No início da caminhada em direção às suas pretensões com a IA, estabeleça fatores de sucesso claros. Equilibre bem as referências do setor, os riscos e as necessidades da empresa, para orientar as ações que levam a vitórias. Lembre-se de que as referências do setor são exatamente isso: referências. Utilize-as para orientar as etapas que você vai realizar, mas não para ordená-las. Elas têm o poder exclusivo de confirmar que você está fazendo o mesmo que todo mundo, mas não podem dizer como isso está alinhado aos objetivos da sua empresa. Com base no risco envolvido nos seus esforços em relação à IA, seguir rigorosamente os parâmetros pode trazer prejuízos. Por exemplo, se o seu aplicativo de IA estiver relacionado a processos que põem vidas em risco, tais como os de assistência médica ou carros autônomos, seus parâmetros poderão não estar alinhados com o setor, mas poderão estar alinhados com os cuidados e os riscos adicionais necessários para evitar qualquer prejuízo. 

Não permita que dados ruins atrapalhem a sua jornada com a IA 

A IA fará uso dos dados ruins, gerando resultados ruins. Antes de começar a planejar iniciativas referentes à IA, concentre-se em garantir que os dados estejam prontos para serem bem empregados por recursos de processamento aprofundado. 52% dos dados do CRM estão incorretos. Com sistemas antigos que mantêm dados críticos, dados remanescentes de fusões e aquisições e dados ruins que ocupam espaço, reunir e organizar dados nos sistemas individuais pode ser um desafio. 

Portanto, é melhor limpar os dados que você já coletou ou começar do zero? A IA se desenvolve a partir de vastos conjuntos de dados. Para ter acesso a informações úteis, é necessário ter pelo menos 10 mil pontos de dados. Os especialistas concordam com a regra dos 10: para cada ponto de dados medido, é necessário ter 10 vezes mais dados para gerar uma inferência útil. Começar de novo e acumular dezenas de milhares de pontos de dados limpos é impraticável e vai levá-lo a ignorar o rico conjunto de dados que você já possui. À primeira vista, pode parecer uma tarefa assustadora, mas o trabalho realizado na limpeza dos dados agora trará informações mais precisas mais tarde. 

Um dos maiores responsáveis por dados ruins são os registros duplicados. Há várias ferramentas de terceiros e no aplicativo para ajudá-lo a mesclar registros e identificar registros em duplicidade. Para otimizar ainda mais os dados que a sua equipe de vendas está utilizando, integre um processo para o arquivamento de registros inativos. E, se ainda não o fez, padronize suas práticas de entrada de dados. Quanto mais alterar as variáveis, menos valiosos serão os dados para a análise. Dados mal formatados podem não alimentar a pesquisa e outras funções de coleta de dados. Dê aos usuários avisos ou guias para formatação de nomes e endereços de clientes, informações sobre produtos e outros dados fundamentais. E depois de realizar a auditoria e a limpeza completas dos dados do aplicativo, defina um cronograma de manutenção periódico para manter a higiene dos dados.

Como encontrar a abordagem adequada para a integração

No Relatório do estudo de mercado de ciência de dados e aprendizado de máquina de 2019 (2019 Data Science and Machine Learning Market Study Report), 40% das equipes de marketing e vendas identificam a IA e o aprendizado de máquina como essenciais para o seu sucesso. Uma das melhores maneiras de ter uma visão global dos dados dos seus clientes é integrar os sistemas de front-end (CRM) e de back-end (ERP). Com a integração dos dados existentes dos sistemas de ERP e CRM, você pode criar um repositório de dados que será a base para iniciativas futuras de IA. Veja aqui quatro maneiras comuns de conseguir uma integração mais estreita entre o ERP e o CRM, variando da mais complexa à mais eficiente:

  1. Cadeira giratória: este processo manual exige que um membro da sua equipe transfira os dados manualmente de um sistema para outro.
  2. Ferramentas próprias: este método depende de vários recursos e opções, incluídos em um ou mais aplicativos no caminho da cotação ao pagamento. 
  3. Integração ponto a ponto: este método de integração emprega APIs para conectar diretamente seus sistemas para uso e compartilhamento dos dados. 
  4. Extração, transformação e carregamento (ETL) de software intermediário: servidores que a sua empresa hospeda e mantém são usados para facilitar o compartilhamento entre software e aplicativos. 

Cada uma dessas opções traz vantagens e desvantagens quanto à complexidade, à eficiência e ao custo. Cuidar da higiene dos dados antes de aplicar as estruturas de IA aumenta suas chances de aproveitar toda a força das tecnologias preditivas, para que as vendas e o suporte possam voltar-se para a construção de relacionamentos e para a geração de receita.

 

Join the Conversation: Find Solve on Twitter and LinkedIn, or follow along via RSS.

Stay on top of what's next in technology

Learn about tech trends, innovations and how technologists are working today.

Subscribe
how intelligent data addresses the chasm in cloud

Como os dados inteligentes tratam o abismo na nuvem

About the Authors

Tolga Tarhan

CTO

Tolga Tarhan

As CTO of Rackspace Technology, Tolga Tarhan leads the vision, driving innovation, and strategy for our technology offerings. With more than two decades of experience leading product and engineering teams and as a hands-on technologist at heart, he brings unique insights to customers undertaking the journey to the cloud. As an early pioneer of cloud native thinking, Tolga's passion has driven our technical approach and transformed our customers into cloud native thinkers. Tolga continues to show thought leadership in the field through his extensive speaking engagements at AWS events, industry conferences, and educational groups. Tolga previously served as CTO of Onica, which was recently acquired by Rackspace Technology. Prior to that, he was a co-founder of Sturdy Networks and served as the CEO through to the acquisition by Onica. Tolga holds an M.B.A. from the Graziadio Business School at Pepperdine University.

Read more about Tolga Tarhan