인공 지능. 기계 학습. 2016년에는 이러한 뜬구름을 잡는 말들이 공급자들에 의해 가장 자주 사용되었지만 구매자들에 의해 오해되었습니다. 그러면 이러한 용어가 실제로 무엇을 의미하는지? 많은 사람들이 두 용어를 서로 교차로 사용하지만, 핵심적인 차이점이 있습니다.

인공 지능

본질적으로, AI는 사람들이 생각하는 대로 기계를 만드는 것입니다. 오늘날, 주로 인간들이 좋아하는 간단한 작업을 자동화할 수 있는 컴퓨터 소프트웨어에 잘 나타납니다. AI는 기술을 설명하는 일반적인 용어로 머신 러닝, 딥 러닝, 자연어 처리와 같은 뜬구름과 같은 단어들을 하위 집합으로 가지고 있습니다.

기계 학습

머신 러닝은 AI의 하위 집합입니다. 기본적으로, 머신 러닝은 알고리즘을 사용하여 데이터를 분석하고 학습한 뒤 어떤 결정이나 예측을 하는 것입니다. 이곳의 핵심은 알고리즘이 프로그래밍 없이 스스로 학습하고 변경할 수 있는 능력에 있습니다.

매년, Gartner는 새롭고 부상 중인 기술들을 위한 기대주기를 발표합니다. 곡선의 맨 꼭대기 또는 "너무 높게 기대하는 정점"에 머신 러닝이 있습니다. 즉, 2017년에 AI와 기계 학습이 인공 지능에 대해 많이 이야기할 수 있지만 그 일부만이 그들의 약속을 이행할 수 있음을 빨리 깨닫게 될 "실망의 골짜기"로 들어가게 될 수 있습니다.

SaaS 판매 업체들이 제품 내에서 AI 및 머신 러닝을 사용한다고 자랑하는 것을 많이 볼 수 있었습니다. 그래서 모든 혹평 가운데 진짜인 것을 어떻게 이해해야 할까요? 그리고 2017년 당신의 판매팀에게 AI를 통해 추가적인 가치가 무엇을 줄 수 있을까요?

AI가 판매 팀에게 비즈니스 가치를 제공하는 것으로 입증된 사용 사례들

AI가 최대한의 잠재력을 발휘하게 되면 당신의 판매 대표들이 일하는 방식을 변화시키고 그들의 효율성을 높일 수 있습니다. 통계에 따르면 생산성 향상 가능성이 있습니다. Accenture에 의한 연구에 따르면 당신의 대표들은 34%만 세일에 시간을 쓰며 57%는 다음해의 최우선 목표로 판매 효율성을 증대시키기로 나열되어 있습니다.

AI를 통해 촉진된 기술들은 당신의 대표들이 가장 훌륭한 대화를 당신의 잠재고객과 가질 수 있는 본질에 집중하도록 합니다. 어떤 잠재적인 요인도 다룰 필요가 없다면, AI를 통해 촉진된 기술이 판매에 가치를 추가할 수 있습니다.

아직 초기단계인 이 기술은 기업용 소프트웨어에 통합되었고 판매 분야에서 성공 사례들이 이미 있습니다. AI를 통해 촉진된 기술은 당신의 판매팀에게 가치를 더할 수 있습니다 만약 이 조건을 충족한다면:

1. 특정 분야: AI를 사용하는 최고의 제품은 특정 비즈니스 문제를 자동화하기 위해 그렇게 하는 것입니다. 예를 들어, 6sense는 종료 확률이 가장 높은 새로운 리드와 기회를 찾으려고 AI를 사용합니다. 그들은 새로운 잠재고객을 찾는 데 걸리는 시간을 줄이는 특정 문제를 해결하고 있습니다.
2. 특허, 독특한 데이터: 독특한 데이터가 없으면 가장 정교한 기계 학습 알고리즘조차 쓸모가 없게 됩니다. Gong.io는 자연어 처리를 이용하여 귀하의 영업 담당자 전화 대화를 분석하고 기계 학습을 활용하여 영업팀이 고객과의 커뮤니케이션을 개선하는 통찰을 얻습니다. 수백 시간에 달하는 독특한 전화 대화에 접근할 수 있기 때문에, Gong의 기계 학습 알고리즘은 귀하의 비즈니스에 전달하는 통찰을 지속적으로 개선할 수 있습니다.
3. 귀하의 팀의 워크플로우에 살아있습니다: 귀사가 사용하는 최신 AI 소프트웨어의 이점을 살리려면 귀사의 영업팀이 해당 소프트웨어를 채택해야 합니다. 채택률을 높이는 가장 쉬운 방법은 귀사의 팀의 워크플로우에 매끄럽게 통합되는 소프트웨어를 구입하는 것입니다. X.ai는 AI의 도움을 받은 개인 비서입니다. 필요한 앱이나 로그인 정보가 없습니다. 모든 사용자가 하는 일은 간단히 회의 일정을 잡기 위해 CC amy@x.ai를 추가하는 것뿐입니다.

AI-활성화 기술의 진정한 IP는 데이터입니다.

AI의 핵심은 데이터입니다. 기계 학습 알고리즘의 향상을 이끄는 동력원이 됩니다. 신기하게도, 알고리즘 자체만으로는 그다지 가치가 없을 수도 있습니다. Google, Microsoft, IBM, Amazon과 같은 세계 최대 기업 중 일부는 이를 깨달았고 기계 학습 알고리즘을 오픈 소스화했습니다. 앞서 말한 대로, AI-활성화 기술을 사용하는 회사들이 경쟁 우위를 점령하는 방법은 독특하고 독점적인 데이터에 접근하는 것입니다.

Google, Facebook, Salesforce와 같은 플랫폼을 위해 데이터 수집은 쉽습니다. 작은 스타트업이 사용할 수 있는 데이터 확보 전략은 무엇입니까? 스탠드얼론 앱을 가진 회사들은 제품과 상호 작용하는 사용자만을 대상으로 데이터 수집 능력이 제한됩니다. 확장 프로그램은 웹 상에서 사용자의 전체 여정에 걸쳐 데이터에 액세스할 수 있기 때문에(적절한 권한이 활성화된 상태에서), 스탠드얼론 앱들보다 데이터를 효과적으로 수집합니다. 공급업체의 BS를 피하는 법

모두가 AI에 대해 이야기할 때, 공급업체의 AI 능력을 어떻게 알아내고 구별할 수 있을까요?

공급업체들이 귀사의 비즈니스에 어떻게 영향을 미칠지 이해하기 위해 사용할 수 있는 질문 목록을 정리했습니다.

귀사가 평가 중인 공급업체들이 기술로 가능한 일은 하는지, 아니면 AI가 귀사의 비즈니스에 어떻게 영향을 끼치게 하는지 이해하기 위해 사용할 수 있는 질문 목록을 정리했습니다.

귀사의 교육 데이터는 어디에서 나왔으며 어떻게 사용되는지 알려주세요.

공급업체가 모든 비밀을 말할 것을 기대해서는 안 되지만, 공급업체가 어디에서 교육 데이터를 수집하는지 알려주지 않는다면 경계해야 합니다. 공급업체는 자사의 알고리즘을 훈련하는 데 사용하는 내부 및 외부 시그널을 공유할 의지가 있어야 하며, 이러한 시그널을 다른 시그널보다 높게 평가한 이유와 이 시그널을 사용하는 것이 귀사의 비즈니스에 어떤 가치를 더하는지 알려주어야 합니다.

귀사의 알고리즘이 신뢰할 수 있는 결과를 생성하려면 얼마나 많은 교육 데이터가 필요한가요?

이 질문을 방치하거나 충분한 데이터의 중요성을 경시하는 공급업체에는 주의해야 합니다. 기계 학습 알고리즘은 충분한 양의 교육 데이터가 있을 때에만 신뢰할 수 있는 결과를 생성할 수 있습니다. 예측 리드 점수 툴에 대해 예를 들어, 승/패 데이터를 의존하는 경우, 알고리즘이 제대로 작동하려면 적어도 1년치 데이터가 필요합니다. 팀의 최선의 이익은 AI 기능이 활성화된 솔루션을 실행하기 전에 충분한 데이터를 확보하는 것입니다.

우리의 성장과 더 많은 훈련 데이터를 축적할 때 제품이 어떻게 확장될 것이며 개선될 것입니까?

더 많은 데이터를 축적하고 성장할수록, 공급업체의 기계 학습 알고리즘이 성장과 함께 어떻게 확장될 것인지 이해하는 것이 중요합니다. 즉, 모델이 어떻게 업데이트되고 얼마나 자주 업데이트되는지에 대해 학습하는 것을 의미합니다. 이상적으로는 이러한 모델이 회사의 특정 요구 사항에 맞춰 맞춤화되고 필요할 때 재교육되어야 합니다. 또한이 질문은 공급업체가 당신의 분석 직무 분야의 다른 기업들과 작업했는지에 대해 이해하는 데 좋은 척도가 될 것입니다.

AI를 사용한다고 주장하는 공급업체와 실제로 비즈니스에 가치를 더할 수있는 공급업체를 구분하는 것은 어렵습니다.  이 체크리스트를 갖고 있으면 AI 능력을 자랑하는 공급업체를 적절히 평가하고 2017년에 판매 팀에게 AI 기술이 어떻게 가치를 추가할 수 있는지 더 잘 이해할 수 있기를 바랍니다.