Tekoäly myynnissä - koneoppiminen Vainulla

Tekoälyä tulee nyt joka tuutista. Pelkän hypen lisäksi myös muut kuin tekoälyekspertit alkavat pikkuhiljaa ymmärtämään mistä on kyse. Suomessa tekoälyn ilosanomaa tavallisen kansan pariin ovat levittäneet erityisesti Risto Siilasmaa ja Helsingin Yliopisto yhdessä Reaktorin kanssa (Elements of AI).

Vainun tech-toimistolla Helsingin Kalliossa on jo jonkin aikaa ratkottu B2B-myyjien haasteita hyödyntäen kone­oppimisen malleja. Mitä tämä on käytännössä? Miten kone­oppiminen auttaa B2B-myyjiä myymään enemmän jo tänä päivänä?

Aloitetaan siitä, mitä kone­oppiminen on: systeemi, jonka suorituskyky sille annetussa tehtävässä kasvaa systeemiin syötetyn kokemuksen ja datan määrän myötä. Tällä hetkellä valtaosa koneoppimis­sovelluksista ratkoo ongelmia, joissa jokin syöte (A) tuottaa kohtuullisen yksinkertaisen vastauksen (B). Esimerkkejä:

Mitä koneoppinen on?

Myyjää pohjimmiltaan eniten askarruttava kysymys ei itse asiassa ole tämän moni­mutkaisempi. Myyjän ultimaattinen kysymys (B) on: kuka ostaa minulta toden­näköisimmin seuraavaksi? Syöte A tähän kysymykseen on kaikki mahdollinen yrityksiin liittyvä tieto. Mitä enemmän tietoa, sitä tarkemmin kone osaa kysymykseen vastata. Mutta ei mennä vielä asioiden edelle.

B2B-myyjillä on pitkään ollut käytettävissään niin sanottua staattista yritystietoa: toimi­ala­luokitukset, taloustiedot, maan­tieteellinen sijainti jne. Siitä lähtien kun ensimmäiset yritykset alkoivat perustaa omia verkkosivujaan, on saatavilla olevan yritystiedon määrä räjähtänyt. Verkossa olevan yritystiedon haasteena on kuitenkin sen jäsentymätön muoto. Myyjät ympäri Suomen käyttävät luvattoman paljon aikaa verkossa pyörimiseen, oli kyseessä sitten prospektointi tai kotiläksyjen teko ennen tärkeää tapaamista. Vainu on valjastanut tekoälyn apuun ratkaisemaan tätä ongelmaa.

New Call-to-action

Vainun koneoppivat algoritmit haravoivat väsymättömästi verkkoa etsien relevanttia yritystietoa. Yritysten kotisivut, eri rekrytointi­sivustot, kilpailutus­portaalit, rahoitus­listaukset, kuntien ja kaupunkien pöytäkirjat… lista verkossa saatavilla olevista yritystiedon lähteistä on pitkä. Samaan aikaan verkossa on myös paljon tietoa, joka ei millään tavalla liity yrityksiin, mutta tietokoneen voi olla haastavampi ymmärtää tätä. Miten erottaa Kone (Oyj) mistä tahansa muusta arkisesta “koneesta”? Tarkoitetaanko Nokialla Nokia Oyj:tä vai Nokian kaupunkia?

Jotta koneoppiva algoritmi pääsee vauhtiin, pitää sille ensiksi (1) syöttää valtava määrä opetusdataa. Jokainen vainulainen pääsi tänä vuonna mukaan opettamaan meidän algoritmeja. Hakurobottimme ovat vuosien saatossa keränneet valtavan määrän uutisia, joista osa liittyy yrityksiin ja osa ei. Kun kone saa sisäänsä tuhansia esimerkkejä uutisista, joissa on yritystietoa sekä vastaavasti uutisia, jotka ei liity liike-elämään, alkaa se oppia itsenäisesti erottamaan nämä toisistaan.

Seuraavaksi (2) algoritmin pitää ymmärtää, mistä yrityksestä uutisessa on kyse. Ylpeänä julkaisimme viime viikolla tiedotteen, jossa kerrottiin Vainun nimen­tunnistus­teknologian (Named Entity Recognition, NER) päihittäneen tekoälykentän huiput, Googlen ja Stanfordin.

Toimiakseen tulee koneoppivan algoritmin 1. saada valtava määrä opetusdataa, 2. kyetä ymmärtämään, mistä yrityksestä on kyse ja 3. pystyä pähkäilemään, mistä aiheesta uutinen on.

Viimeisenä (3) algoritmimme pähkäilee, mistä tässä uutisoinnissa ylipäätään on kyse. Kerrotaanko tässä yrityksen kansain­välistymis­suunnitelmista, yt-neuvotteluista vai uuden HR-johtajan nimityksestä? Myös nimentunnistus sekä sisällön tulkitseva algoritmi on molemmat opetettu manuaalisesti alkuun. Mitä enemmän dataa algoritmimme kerää, sitä taitavammaksi se näissä kolmessa tehtävässä kehittyy - niin kuin koneoppivan systeemin kuuluukin.

Nyt palaan myyjän Graalin maljaan, pohjimmaiseen kysymykseen: kuka minulta todennäköisimmin ostaisi tänään? Koneoppivia algoritmeja voi opettaa monella erilaisella aineistolla ratkaisemaan hyvinkin erilaisia ongelmia. Syyskuun alusta alkaen olemme antaneet koneen tunnistaa Vainun potentiaalisimmat tulevat asiakkaat sen sijaan, että myyjä tekisi tämän manuaalisesti itse prospektoimalla. Katso webinaaritallenne aiheesta alapuolelta.

 
Myyjä ja kone ovat yhdessä enemmän kuin osiensa summa. Ihminen tarvitsee konetta proses­soimaan valtavia data­massoja reaali­ajassa; kone puolestaan ihmistä tekemään älykkäitä päätöksiä datan pohjalta - ainakin toistaiseksi.

Opetusdatana käytimme kaikkia Vainun historian aikana Vainulta ostaneita yrityksiä sekä tapaamiamme prospekteja (tämä tieto löytyy suoraan CRM:stä), sekä näistä yrityksistä virallisista yritys­rekistereistä sekä julkisista lähteistä keräämiämme datapisteitä. Lopputuloksena jokainen suomalainen yritys on pisteytetty sen mukaan, kuinka toden­näköisesti he ostaisivat Vainun palveluita. Mallin tarkkuus paranee jokaisen tehdyn kaupan ja tavatun yrityksen myötä.

Myyjä ja kone ovat yhdessä enemmän kuin osiensa summa. Ihminen tarvitsee konetta prosessoimaan valtavia datamassoja reaaliajassa. Vielä ainakin toistaiseksi kone puolestaan kaipaa ihmistä tekemään älykkäitä päätöksiä datan pohjalta: miten yrityksen kilpailuetu kommunikoidaan räätälöidyllä tavalla, hinta­neuvottelut, samaistuttavien anekdoottien sekä asiakkaan kipu­pisteiden luova hyödyntäminen läpi myynti­prosessin - näissä ihminen on edelleen konetta vahvempi.

Topics: Sales AI

Sami Toivonen

Analytical B2B sales enthusiast with a genuine desire to help people achieve their goals. Free time spend with American football.