L'AI puo dirti quali clienti contattare prima. Ma puo anche sbagliare molto bene

Quando parlo di intelligenza artificiale applicata alle vendite, prima o poi arriva questa domanda:

“Possiamo usare l’AI per capire quali clienti hanno piu probabilita di acquistare?”

La risposta breve e si.

L’AI puo analizzare richieste, comportamenti, caratteristiche delle aziende, conversazioni precedenti e risultati commerciali. Puo quindi aiutare a ordinare i contatti, segnalare quelli potenzialmente piu interessanti e suggerire al commerciale da dove iniziare.

Ma c’e un dettaglio che viene spesso dimenticato: l’AI non conosce magicamente i nostri clienti. Conosce soltanto i dati che le forniamo.

Se quei dati sono incompleti, incoerenti o interpretati male, il risultato potra sembrare molto preciso senza esserlo affatto.

Il punteggio sembra oggettivo. Ma da dove arriva?

Immaginiamo di avere cento potenziali clienti nel CRM e poco tempo per contattarli.

Potremmo chiedere all’AI di assegnare a ciascuno un punteggio da 1 a 100. Il contatto con 87 punti viene chiamato prima di quello con 42.

Comodo, certamente. Ma su quali informazioni si basa quel numero?

Potrebbero essere:

• settore e dimensione dell’azienda;
• provenienza del contatto;
• servizio richiesto;
• pagine visitate sul sito;
• email aperte;
• telefonate effettuate;
• appuntamenti ottenuti;
• offerte precedenti;
• motivi per cui altre trattative sono state vinte o perse.

Se alcune di queste informazioni non vengono registrate, l’AI non vede una parte della realta. Se ogni commerciale compila il CRM in modo diverso, confronta situazioni che sembrano uguali ma non lo sono. Se chiamiamo “cliente interessato” chiunque abbia scaricato un documento, insegniamo al sistema una definizione molto discutibile di interesse.

L’autorita statunitense NIST, nel proprio quadro per la gestione dei rischi dell’AI, insiste su validita, affidabilita e monitoraggio continuo. In parole semplici: non basta verificare una volta che il sistema funzioni. Bisogna controllare nel tempo se continua a produrre risultati coerenti con l’obiettivo per cui viene utilizzato.

Una dashboard corretta puo raccontare una storia incompleta

In un progetto reale ho lavorato alla costruzione di una dashboard commerciale partendo dai dati presenti nel CRM del cliente.

L’obiettivo era apparentemente lineare: misurare quanti lead diventavano chiamate, offerte e contratti, distinguendo anche tempi medi e risultati di due diverse linee commerciali.

Analizzando i dati, pero, sono emersi problemi molto concreti.

Alcune chiamate e riunioni non venivano registrate. Diversi lead non avevano il brand valorizzato. Una parte delle informazioni era stata ricostruita attraverso attivita chiamate “Prima Call”. In un’altra verifica risultavano dieci offerte e venti contratti: un’anomalia che non poteva essere ignorata o semplicemente affidata a una formula.

La dashboard poteva essere tecnicamente corretta e, contemporaneamente, raccontare una storia incompleta.

Questo e il punto: se avessimo aggiunto un sistema di AI per prevedere la probabilita di chiusura, avremmo trasformato quelle incongruenze in un punteggio apparentemente intelligente.

Non sarebbe stato un problema dell’algoritmo. Sarebbe stato un problema di significato dei dati.

Prima del modello, guardiamo le trattative

Prima di introdurre un punteggio automatico, farei un esercizio molto meno affascinante ma decisamente piu utile.

Prenderei un gruppo di trattative concluse, alcune vinte e altre perse, e chiederei alle persone coinvolte:

• perche consideravamo questa opportunita interessante?
• quali segnali erano presenti all’inizio?
• quali informazioni abbiamo scoperto soltanto dopo?
• perche il cliente ha scelto noi?
• perche un altro cliente non ha acquistato?
• quali dati sono realmente registrati nel CRM?
• quali valutazioni esistono soltanto nella testa del commerciale?

Questa analisi ci permette di separare cio che sappiamo da cio che immaginiamo.

Potremmo scoprire, per esempio, che la dimensione dell’azienda conta meno della presenza di un problema urgente. Oppure che un determinato canale genera molti contatti, ma pochi clienti. O ancora che alcuni commerciali registrano sistematicamente piu attivita di altri e quindi sembrano ottenere risultati diversi soltanto perche producono dati migliori.

Queste non sono conclusioni da affidare alla tecnologia. Sono ipotesi da verificare.

Usare IMPATTO per ridurre il rischio

In questo caso partirei ancora una volta da I: Identifica il risultato.

“Selezionare i lead con l’AI” non e un risultato. E una soluzione gia scelta.

Un risultato concreto potrebbe essere:

“Voglio aiutare due commerciali a decidere ogni mattina quali dieci contatti richiamare, riducendo le opportunita dimenticate.”

Poi passerei a M: Mappa il processo.

Come viene presa oggi quella decisione? Quali dati vengono consultati? Quanto conta l’esperienza della persona? Quali eccezioni esistono?

Con P: Progetta la soluzione, definirei pochi criteri comprensibili prima di introdurre un modello piu complesso. Per esempio:

• richiesta ricevuta negli ultimi tre giorni;
• esigenza compatibile con i nostri servizi;
• referente identificato;
• prossimo passo non ancora pianificato;
• precedente interazione positiva;
• dati di contatto verificati.

All’inizio l’AI potrebbe limitarsi a riassumere le informazioni disponibili e indicare quelle mancanti. La decisione sull’ordine delle chiamate resterebbe a una persona.

E gia un’applicazione utile: non pretende di prevedere il futuro, ma aiuta a vedere meglio il presente.

Un test di quattro settimane

Io organizzerei il test in quattro settimane.

Per ogni contatto, l’AI prepara una breve scheda:

1. perche potrebbe essere interessante;
2. quali informazioni supportano questa valutazione;
3. quali dati mancano;
4. quale azione suggerisce;
5. con quale livello di sicurezza formula il suggerimento.

Il commerciale decide liberamente se seguire l’indicazione e registra l’esito.

Alla fine non misurerei soltanto quanti contatti suggeriti hanno acquistato. Controllerei anche:

• quante indicazioni erano basate su dati errati;
• quanti contatti validi sono stati trascurati;
• quali criteri hanno prodotto falsi segnali;
• quanto tempo e stato realmente risparmiato;
• se le motivazioni fornite erano comprensibili.

Il NIST raccomanda di definire soglie accettabili e correggere il sistema quando le prestazioni escono dai limiti stabiliti. Anche l’autorita britannica ICO, nelle proprie indicazioni sull’accuratezza dei sistemi di AI, distingue tra correttezza dei dati personali e accuratezza statistica delle previsioni.

Non sono la stessa cosa.

L’indirizzo o il ruolo di una persona possono essere corretti, mentre la previsione secondo cui acquistera puo essere sbagliata. Per questo un punteggio commerciale non dovrebbe essere presentato come un fatto.

Il rischio del punteggio che si conferma da solo

C’e infine un rischio meno tecnico.

Se il sistema assegna un punteggio basso a un contatto, le persone potrebbero smettere di considerarlo davvero. Quel cliente ricevera meno attenzione, produrra meno interazioni e continuera a sembrare poco interessante. Il punteggio iniziale finira cosi per confermare se stesso.

La mia conclusione e molto semplice: userei l’AI come assistente per raccogliere segnali, evidenziare dati mancanti e proporre priorita. Non le affiderei immediatamente il compito di decidere chi merita attenzione e chi no.

Prima dobbiamo rendere comprensibili i dati, verificare i criteri e misurare gli errori.

L’intelligenza artificiale puo aiutarci a scegliere da dove iniziare. Ma la responsabilita di capire il cliente deve restare nostra.