Bahasa Indonesia

RevOps dan AI: Mengapa Penyelarasan Data Harus Dilakukan Sebelum Penerapan Alat

Tim RevOps meninjau penyelarasan data AI dan dashboard kualitas data Pipeline

Janji AI dalam operasi pendapatan sangat spesifik: forecast yang lebih baik, tinjauan Pipeline yang lebih cepat, visibilitas perilaku rep, pengalihan otomatis antara marketing dan penjualan, serta sinyal real-time yang memberi tahu deal mana yang berisiko sebelum terlepas. Setiap vendor CRM dan intelijen penjualan besar sedang bergerak ke arah ini. Teknologinya nyata.

Namun ada kesenjangan antara janji tersebut dengan apa yang kebanyakan pemimpin RevOps benar-benar alami ketika mereka menerapkan AI di atas stack pendapatan yang sudah ada. Kesenjangan itu bukan pada AI. Melainkan pada data.

AI untuk operasi pendapatan pada dasarnya adalah sistem pengenalan pola yang bekerja di atas data pendapatan. Jika data tersebut bersih, konsisten, dan lengkap, AI menemukan pola. Jika data terfragmentasi, dimasukkan secara tidak konsisten, terisolasi di berbagai sistem, atau memiliki field yang hilang, AI justru memperkuat kebisingan alih-alih menemukan sinyal. Sebagian besar perusahaan menengah menerapkan AI di atas data yang tidak dirancang untuk mendukungnya, lalu bertanya-tanya mengapa AI tidak memenuhi janji vendor.

Apa yang "Penyelarasan Data" Sebenarnya Berarti dalam RevOps

Tim RevOps menggunakan istilah "penyelarasan data" secara longgar. Bisa berarti apa saja, mulai dari sinkronisasi catatan CRM dengan otomasi marketing hingga memastikan penjualan dan keuangan sepakat tentang apa yang dihitung sebagai pendapatan. Untuk AI secara khusus, penyelarasan data memiliki makna yang lebih tepat.

Model AI untuk pekerjaan pendapatan membutuhkan empat hal dari data. Mereka membutuhkan konsistensi (field yang sama berarti hal yang sama di setiap sistem, setiap rep, dan setiap deal). Mereka membutuhkan kelengkapan (field yang digunakan untuk melatih model benar-benar terisi, tidak dibiarkan kosong). Mereka membutuhkan kebaruan (catatan mencerminkan apa yang sebenarnya terjadi sekarang, bukan apa yang terjadi enam bulan lalu sebelum seseorang berhenti memperbaruinya). Dan mereka membutuhkan cakupan (data mewakili seluruh rangkaian bisnis, bukan hanya deal yang ditutup atau akun yang tidak mengalami Churn).

Sebagian besar sistem RevOps perusahaan menengah gagal pada setidaknya dua hal ini. Kegagalan paling umum adalah konsistensi. Definisi tahap deal bergeser dari waktu ke waktu. Apa yang "memenuhi syarat" berarti bagi satu rep berbeda dari apa yang berarti bagi rep lain. "Pengambil keputusan dihubungi" dicentang pada titik yang berbeda dalam proses tergantung pada siapa yang memasukkan data. Dalam tim penjualan dengan 200 rep, inkonsistensi kecil ini terakumulasi menjadi dataset yang terlihat memiliki 50.000 titik data tetapi sebenarnya memiliki 50.000 hal yang sedikit berbeda yang diukur dengan label yang sama.

Ketika Anda melapisi forecasting AI di atas data yang didefinisikan secara tidak konsisten, model belajar memprediksi berdasarkan kebisingan. Model mungkin mencapai akurasi yang dapat diterima dalam jangka pendek karena intuisi manusia telah tertanam dalam inkonsistensi tersebut. Tetapi model tidak akan membuat generalisasi, tidak akan berkembang, dan akan gagal ketika ada yang berubah.

Tiga Masalah Data yang Harus Diselesaikan RevOps Terlebih Dahulu

Ada masalah penyelarasan data yang umum memblokir penerapan AI. Ini bukan satu-satunya masalah, tetapi masalah dengan dampak terbesar.

Masalah 1: Pergeseran definisi tahap. Setiap CRM memiliki struktur tahap Pipeline. Sebagian besar memilikinya dalam dokumentasi. Hampir tidak ada yang menerapkannya secara konsisten dalam praktik. Lakukan audit sederhana: tarik semua deal yang berpindah dari "proposal dikirim" ke "closed lost" dan baca catatannya. Anda akan menemukan deal di mana "proposal dikirim" dicentang ketika rep mengirim email awal, deal di mana itu dicentang ketika proposal formal diserahkan, dan deal di mana rep mencentangnya secara retroaktif ketika deal sudah hampir ditutup. Itu tiga hal berbeda yang diberi label sama.

Memperbaikinya membutuhkan pembersihan definisi (kriteria masuk dan keluar yang jelas untuk setiap tahap) dan program perubahan perilaku (rep perlu memahami mengapa konsistensi penting untuk forecasting, bukan sekadar diperintahkan mengisi field). Panduan rutinitas kebersihan CRM mencakup sisi disiplin operasional. Perubahan perilaku lebih sulit dan biasanya membutuhkan keterlibatan manajer.

Masalah 2: Data sinyal yang terisolasi. Model AI untuk kesehatan Pipeline dan risiko Churn membutuhkan sinyal dari seluruh stack pendapatan, bukan hanya dari CRM. Keterlibatan email, penggunaan produk (jika berlaku), volume tiket dukungan, tanggal perpanjangan kontrak, waktu pembayaran tagihan, keterlibatan marketing. Sebagian besar perusahaan menengah memiliki data ini di sistem terpisah tanpa pengidentifikasi bersama yang menghubungkan kontak di CRM dengan perilaku kontak yang sama di platform dukungan atau alat marketing.

Membangun koneksi ini adalah inti arsitektur data RevOps. Ini bukan pekerjaan yang glamor dan sering membutuhkan sumber daya teknis yang tidak dikontrol tim RevOps. Tetapi ini adalah prasyarat untuk AI yang dapat memberikan peringatan dini yang tulus tentang akun berisiko alih-alih hanya mencocokkan pola di field CRM yang rep perbarui secara tidak konsisten.

Masalah 3: Kesenjangan data historis. Model AI membutuhkan data historis untuk belajar. Model yang memprediksi deal mana yang akan ditutup perlu melihat cukup banyak deal yang ditutup untuk belajar pola apa yang memprediksi penutupan. Jika CRM Anda dikelola dengan buruk dua tahun lalu (banyak yang demikian), dataset historis yang model AI akan gunakan untuk latihan terlalu penuh kebisingan untuk dapat diandalkan.

Ada dua pendekatan. Anda bisa membersihkan data historis, yang mahal dan tidak sempurna. Atau Anda bisa menerima bahwa model forecasting AI pertama Anda akan lebih lemah karena melatih pada sejarah yang berisik, menggunakan penilaian manusia untuk mengesampingkan output model selama periode awal, dan berinvestasi dalam data bersih ke depannya dengan pemahaman bahwa model semakin baik seiring waktu seiring data yang lebih bersih terakumulasi. Pendekatan kedua biasanya lebih pragmatis untuk perusahaan menengah.

Mengapa RevOps yang Bertanggung Jawab, Bukan IT

Masalah penyelarasan data dalam operasi pendapatan terasa seperti masalah infrastruktur. Masalah itu ada di database dan sistem. Naluri adalah menyerahkannya ke IT.

Naluri itu salah karena alasan spesifik: bagian tersulit dari penyelarasan data di RevOps adalah perilaku, bukan teknis. Membuat rep memperbarui tahap deal secara konsisten, membuat pemasar menerapkan konvensi status Lead yang sesuai dengan cara penjualan memikirkan kualifikasi, membuat customer success mencatat data keterlibatan dengan cara yang terintegrasi dengan pandangan penjualan tentang akun: ini adalah perubahan Workflow dan budaya. IT bisa membangun integrasi, tetapi tidak bisa mengubah cara 80 tenaga penjualan memikirkan entri data.

RevOps bertanggung jawab karena RevOps adalah fungsi yang berada di persimpangan proses, sistem, dan tim Go-to-Market. Penyelarasan data pada dasarnya adalah masalah proses dan tata kelola, bukan masalah teknologi. Teknologi sering menjadi bagian yang mudah.

Ini juga berarti bahwa pemimpin RevOps yang ingin membuat AI bekerja membutuhkan dukungan eksekutif dan otoritas lintas fungsi. Penyelarasan data yang mengharuskan kepemimpinan penjualan menerapkan standar kebersihan CRM baru mengharuskan kepemimpinan penjualan untuk setuju. Penyelarasan data yang mengharuskan marketing mengubah konvensi lead scoring mereka mengharuskan marketing melihat nilainya. Itu adalah masalah koordinasi yang dipimpin RevOps, bukan proyek yang berjalan di sudut.

Perspektif CRM nativ AI untuk perusahaan menengah mencakup seperti apa keadaan akhir ketika penyelarasan data dilakukan dengan baik. Tetapi jalan menuju keadaan tersebut melewati pekerjaan penyelarasan yang rumit yang dijelaskan di sini.

Seperti Apa Sprint Penyelarasan Data

Pendekatan yang tepat untuk sebagian besar tim RevOps menengah adalah sprint terfokus sebelum penerapan AI, bukan program transformasi data multi-tahun. Tujuannya bukan data yang sempurna. Tujuannya adalah data yang cukup bersih bagi AI untuk menemukan pola nyata.

Sprint tipikal berlangsung 6-8 minggu dengan kelompok kerja RevOps-IT kecil. Hasilnya adalah penilaian kesiapan data yang mencakup: pemeriksaan konsistensi field per field untuk input yang diperlukan vendor AI Anda, audit catatan historis untuk mengidentifikasi periode waktu yang cukup bersih untuk digunakan dalam pelatihan model, peta integrasi untuk sinyal lintas sistem yang dibutuhkan model AI, dan framework tata kelola yang mendefinisikan kepemilikan dan penegakan untuk kualitas data yang berkelanjutan.

Penilaian tersebut memberi tahu Anda apa yang bisa Anda terapkan AI sekarang, apa yang perlu diperbaiki sebelum penerapan, dan apa persyaratan pemeliharaan yang berkelanjutan. Sebagian besar tim RevOps terkejut menemukan bahwa 70-80% penerapan AI yang mereka inginkan dapat didukung oleh data yang ada begitu sejumlah kecil masalah konsistensi diperbaiki.

20-30% yang membutuhkan pekerjaan infrastruktur yang lebih dalam dapat dijadwalkan ke fase berikutnya. Memulai dengan apa yang bisa Anda terapkan sekarang membangun kepercayaan organisasi dan menghasilkan kemenangan cepat yang mendanai pekerjaan yang lebih sulit.

Resistensi Tim Penjualan yang Akan Anda Temui

Setiap inisiatif penyelarasan data yang menyentuh cara rep penjualan merekam aktivitas akan menghasilkan resistensi. Rep akan mengatakan persyaratan baru memakan terlalu banyak waktu, tidak mencerminkan cara deal sebenarnya bekerja, dan menciptakan overhead birokrasi yang menghalangi penjualan. Sebagian dari ini memang valid. Sebagian besar adalah gesekan normal dari perubahan perilaku.

Pembingkaian yang berhasil bukan "CRM membutuhkan data yang lebih baik". Melainkan "AI yang akan membantu Anda menutup lebih banyak deal lebih cepat membutuhkan data ini untuk bekerja bagi Anda". Itu adalah value proposition yang berbeda. Yang pertama adalah permintaan perusahaan. Yang kedua adalah manfaat pribadi.

Tetapi itu hanya berhasil jika AI benar-benar memberikan nilai yang terlihat kepada rep cukup cepat sehingga mereka menghubungkan disiplin data dengan manfaatnya. Jika ada jeda 12 bulan antara meningkatkan kebersihan data dan melihat output AI yang lebih baik, koneksinya tidak akan bertahan. Desain pilot harus secara sengaja menciptakan siklus Feedback cepat di mana rep melihat peningkatan akurasi AI hampir secara real-time sebagai hasil dari disiplin data mereka.

Perilaku manajer lebih penting daripada pelatihan rep di sini. Jika manajer menggunakan tinjauan Pipeline untuk memperkuat kualitas data (secara eksplisit mereferensikan akurasi forecast AI, menindaklanjuti field yang kosong atau tidak konsisten), rep mendapatkan sinyal dengan cepat. Jika manajer mengabaikan masalah kualitas data dalam tinjauan Pipeline, rep juga akan melakukannya.

Audit kesiapan AI untuk tim penjualan mencakup kebersihan data sebagai salah satu dimensi kesiapan, yang merupakan pembingkaian yang tepat. Kebersihan data adalah masalah kesiapan AI, bukan hanya masalah administrasi CRM.

Setelah Penyelarasan Data: Apa yang AI Sebenarnya Ubah dalam RevOps

Ketika penyelarasan data sudah ada, kemampuan AI yang dipedulikan pemimpin RevOps benar-benar bekerja.

Akurasi forecasting meningkat karena model mencocokkan pola pada data yang konsisten dan lengkap alih-alih perkiraan yang penuh kebisingan. Rapat tinjauan Pipeline menjadi lebih pendek karena rep dan manajer dapat mempercayai skor kesehatan deal yang dihasilkan AI alih-alih menghabiskan 20 menit memperdebatkan apakah sebuah deal benar-benar berada di tahap 3. Peringatan akun berisiko menjadi dapat ditindaklanjuti karena model memiliki cukup data sinyal untuk membedakan akun yang benar-benar berisiko dari akun yang hanya memiliki tiket dukungan terbuka.

Ini adalah hasil produktivitas dan pendapatan yang signifikan. Hasilnya juga rapuh. Kualitas data menurun seiring waktu tanpa tata kelola yang aktif. Pekerjaan membangun infrastruktur penyelarasan diimbangi dengan pekerjaan memeliharanya. Organisasi RevOps yang memperlakukan tata kelola data sebagai proyek satu kali alih-alih disiplin berkelanjutan melihat akurasi AI menurun dalam 6-12 bulan seiring kualitas data melayang kembali ke kondisi sebelumnya.

Framework pengukuran untuk investasi AI RevOps terhubung langsung dengan pendekatan pengukuran pengembalian yang dibutuhkan CFO untuk setiap pengeluaran AI. Framework CFO untuk mengukur pengembalian AI dan pekerjaan penyelarasan data RevOps yang dijelaskan di sini adalah dua sisi masalah yang sama: bagaimana membangun investasi AI yang menghasilkan pengembalian yang dapat dipertahankan dan terukur alih-alih sekadar aktivitas dan kebisingan.

Pelajari Lebih Lanjut