Er dataene dine klare?
Det vanligste svaret vi får når vi spør om dette er "ja, stort sett." Det vanligste funnet når vi ser på orgen er noe annet.
AI i Salesforce er avhengig av at det faktisk er data der. En agent som skal forberede selgere til møter trenger aktivitetslogg, kontakthistorikk og opportunity-data. Hvis selgerne dine sjelden logger aktiviteter, vil agenten ikke ha noe å jobbe med.
Sjekk disse fire punktene i din org:
- Aktivitetslogging: Hvor mange opportunity-records har loggede samtaler, møter eller e-poster de siste tre månedene? Under 50 % er et problem.
- Kontaktfullstendighet: Har flertallet av contacts minst e-post, telefon og bedrift? Manglende felt betyr at agenten ikke har grunnlag for personalisering.
- Opportunity-stadier: Bruker alle selgerne stadiene på samme måte, eller er det store variasjoner i hva "Qualified" faktisk betyr?
- Integrasjon mot regnskapssystem: Er ordrehistorikk og fakturaer tilgjengelig i CRM? Uten det mangler agenten halvparten av kundeprofilen.
Svarer du nei på to eller flere av disse, betyr ikke det at du ikke kan starte med AI. Det betyr at valget av startpunkt er viktigere, og at datakvalitet bør være del av implementeringsforløpet.
Hva bestemmer prioritet
To faktorer avgjør om en AI-funksjon gir rask verdi: modenhet og volum. Modne funksjoner er stabile og godt testet i produksjonsmiljøer. Volumfaktoren handler om at AI-gevinster er størst der det er mye av det samme arbeidet: mange like oppgaver, mye repeterende informasjonsinnhenting, stor bunke av saker å sortere.
Funksjoner som scorer høyt på begge, er de rette å starte med. Noen av de mest markedsførte AI-funksjonene er fremdeles relativt umodne eller krever stor tilpasning. De kan komme, men de bør ikke stå for tur nummer én.
De fem funksjonene
En agent som sammenstiller relevant informasjon om kunden og opportunity-historikken din rett før et møte. Kundekontekst, siste aktiviteter, åpne oppgaver, og relevante notater, presentert som et kort sammendrag selgeren kan lese på to minutter.
Gevinsten er umiddelbar og konkret: selgeren bruker halve forberedelsestiden og starter møtet med bedre kontekst. Dette forutsetter et Salesforce med rimelig god datakvalitet på contact- og opportunity-records.
En agent som leser innkommende saker og kategoriserer dem basert på tema, alvorlighetsgrad og historikk. Saker rutes til riktig behandler uten manuelt sorteringsarbeid.
For supportteam med mer enn femti saker per uke er dette en merkbar tidbesparelse. Kategoriseringsnøyaktigheten øker over tid fordi agenten lærer av de eksisterende sakene i orgen din.
Agenten genererer et e-postutkast til en kunde eller prospect basert på relevant CRM-historikk og siste interaksjoner. Selgeren eller supportagenten godkjenner, justerer om nødvendig, og sender.
Tidsbesparelsen per e-post er moderat, men den akkumulerer. Et salgsteam som sender femti oppfølgings-e-poster i uken, kan spare mellom tre og fem timer med denne funksjonen alene.
Agenten lager et sammendrag av en sak basert på all kommunikasjon og historikk som finnes i Salesforce. Nyttig ved overtakelse (ny agent tar over en pågående sak) og ved eskalering.
Dette krever at kommunikasjonshistorikk faktisk logges i Salesforce, noe som ikke alltid er tilfellet. Verdien er høy der data-grunnlaget er i orden.
Einstein-basert scoring som rangerer leads og opportunities etter sannsynlighet for konvertering, basert på mønster i historiske data. Hjelper salgsteamet å prioritere der det er mest å hente.
Krever typisk seks til tolv måneder med rik opportunity-data for å produsere pålitelig scoring. En org som nettopp er kommet i gang, bør vente med denne.
Hva du kan vente med
| Funksjon | Hvorfor vente |
|---|---|
| Autonome forhandlingsagenter | Fremdeles eksperimentell. Krever svært moden konfigurasjon og tett testing. Ikke klar for generell produksjonsbruk i SMB-er. |
| Kundehåndteringsbot (uten menneskelig backup) | Bots som håndterer kundekommunikasjon helt autonomt, uten eskalering til menneske, har høy feilrate i komplekse samtaler. Brukes best med fast eskalert rute. |
| Salgsprognoser basert utelukkende på AI | Prognoser uten menneskelig vurdering har vist seg å overvurdere pipeline-helse. Bruk AI-prognoser som ett innspill, ikke som eneste kilde. |
Riktig rekkefølge
Starte med funksjonene som har lavest konfigurasjonskrav og høyest umiddelbar synlighet for teamet. Funksjon 1 og 2 er typisk der vi starter i en Valon-implementering, fordi gevinsten er synlig for salgsteamet innen de første to ukene.
Funksjon 5 (lead-scoring) legges til sist, etter at CRM-dataen er rik nok til at modellen faktisk har noe å lære av.
Vil du forstå forskjellen mellom Agentforce og de eldre Einstein-funksjonene? Les artikkelen om Agentforce vs Einstein. Eller start fra begynnelsen med artikkelen om hva Agentforce faktisk er.
Valon hjelper norske bedrifter å velge riktig startpunkt og komme i gang uten å kaste bort tid på funksjoner som ikke er klare ennå.
Hvilke AI-funksjoner gir verdi for din bedrift nå?
Vi hjelper deg å identifisere riktig startpunkt og komme i gang uten unødvendig kompleksitet.
