Prvý ML model mal byť pripravený do 28 dní. V praxi sme však mesiace riešili dostupnosť dát, integrácie a to, ako dostať nový nástroj do každodennej práce tímov. Čo sa z implementácie AI pre 60 000 zákazníkov môžu naučiť menšie firmy?
Umelá inteligencia (AI) mala ušetriť tisíce hodín práce. Najskôr sme však museli zistiť, kde všade má firma dáta o svojich zákazníkoch. Pri tomto projekte som sa presvedčila, koľko práce sa môže skrývať za zdanlivo jednoduchým zadaním.
V medzinárodnej korporácii, ktorá pracuje s približne 60 000 zákazníkmi, sme zavádzali AI systém na vyhodnocovanie zákazníckych dát, identifikáciu obchodných príležitostí a včasné upozorňovanie na riziko odchodu zákazníkov.
Pôvodný plán vychádzal z informácie spoločnosti Hook, že prvý ML model môže byť pripravený do 28 dní. Samotné technické nasadenie napokon trvalo len niekoľko týždňov. Oveľa viac času zabrala príprava dát a napojení, nastavenie procesov a príprava ľudí, ktorí mali s výstupmi pracovať.
Neznamená to, že AI nefunguje. Skôr sa ukázalo, že samotná technológia je iba časťou riešenia. A hoci ide o skúsenosť z veľkej firmy, na podobné výzvy môže natrafiť aj podnikateľ, ktorý chce automatizovať predaj, fakturáciu alebo starostlivosť o zákazníkov.
Ako AI pomáha hľadať obchodné príležitosti
Implementovali sme platformu Hook. Patrí medzi nástroje zamerané na zákaznícku inteligenciu, teda na prepájanie informácií o zákazníkoch a ich využitie pri obchodných rozhodnutiach.
Predstavte si firmu, ktorá predáva softvér na predplatné. Jeden zákazník produkt používa čoraz menej, ďalší si aktivoval nové funkcie a tretí sa opakovane sťažuje na rovnaký problém. Informácie o nich môžu byť roztrúsené v CRM, fakturačnom systéme, analytike používania produktu, e-mailoch či záznamoch zákazníckej podpory.
Človek, ktorý chce pochopiť situáciu zákazníka, musí tieto údaje vyhľadať a poskladať si z nich obraz. Pri pár desiatkach klientov to nie je veľký problém. Pri tisícoch účtov sa z takejto úlohy stáva časovo náročná práca.
Hook prepája dostupné informácie a pomocou AI vyhľadáva signály, ktoré môžu naznačovať obchodnú príležitosť alebo riziko. Dokáže napríklad upozorniť na zákazníka, pri ktorom klesá používanie produktu, pomôcť pripraviť podklady na obchodné stretnutie alebo odporučiť ďalší krok. Jeho nástroje podporujú aj onboarding nových zákazníkov a automatizáciu vybraných pracovných postupov.
V našom prípade bol zámer konkrétny. Tím potreboval vyhľadávať príležitosti na rozšírenie obchodnej spolupráce so súčasnými zákazníkmi a včas identifikovať tých, ktorým hrozí odchod. Cieľom bolo, aby obchodník nemusel pri každom účte začínať od nuly, ale dostal podklady, podľa ktorých sa rozhodne, komu venovať pozornosť.
Na začiatku sme preto prepočítali, akú úsporu času by systém mohol priniesť. Spracovanie jednej obchodnej príležitosti malo obchodníkovi zabrať približne štyri hodiny. Pri 3 360 plánovaných príležitostiach by to predstavovalo 13 440 hodín práce ročne. Cieľom bolo znížiť tento čas na polovicu.
Ako teda prebehla implementácia?
Prečo boli dáta prvou výzvou
Predstava, že AI jednoducho pripojíme k zákazníckym údajom a ona začne hľadať vzorce, funguje dobre na papieri. V reálnej firme však informácie zvyčajne nevznikajú na jednom mieste.
Časť údajov o zákazníkovi je v CRM, ďalšia v systéme na správu licencií, iná v analytike používania produktu. Spätná väzba môže byť v dotazníkoch a podrobnosti o problémoch v záznamoch zákazníckej podpory. Nestačí vedieť, že tieto údaje existujú. Musia byť dostupné, správne priradené ku konkrétnemu zákazníkovi a použiteľné v podobe, s ktorou dokáže systém pracovať.
Práve to sme v pôvodnom časovom harmonograme podcenili. Počas implementácie sme museli mapovať dátové zdroje, overovať ich štruktúru a koordinovať sa s tímami zodpovednými za CRM, dáta a IT. Niektoré údaje neboli hneď dostupné v potrebnej podobe, takže ich zapojenie trvalo dlhšie, než sme predpokladali.
Tento problém sa netýka iba veľkých korporácií. Malá firma môže mať zoznam zákazníkov v Exceli, objednávky v e-shope a komunikáciu v e-mailoch. Ak chce pomocou AI zisťovať, ktorí zákazníci prestávajú nakupovať a komu poslať ponuku, potrebuje najskôr vedieť, či má k dispozícii potrebné údaje.
Ako si ich pripraviť pred nasadením AI, približujeme v článku Ako pripraviť kvalitné firemné dáta pre AI: odstráňte duplicity a neaktuálne údaje.
Podnikateľ pritom hneď nemusí kupovať ďalší softvér ani budovať zložitú integráciu. Často stačí začať tým, že si ujasní, aké informácie potrebuje na rozhodovanie a kde ich nájde.
Prečo sa 28 dní natiahlo na mesiace
Pôvodný harmonogram predpokladal, že po sprístupnení dát bude možné systém nastaviť, otestovať a spustiť v priebehu niekoľkých týždňov. Dátové závislosti sa však ukázali až počas samotnej implementácie.
Popritom sme riešili ďalšie problémy. Pri testovaní mali niektorí používatelia problémy s jednotným firemným prihlásením (SSO). Automatické odosielanie e-mailov zas obmedzili nedoriešené integrácie a bezpečnostné oprávnenia. To, že systém dokázal pripraviť návrh komunikácie, ešte neznamenalo, že ju používateľ mohol automaticky odoslať.
S integráciou sme mohli počkať, kým bude všetko pripravené. Namiesto toho sme pokračovali po častiach. Postupne pribúdali ďalšie zdroje dát a možnosti použitia. K pôvodným signálom o obchodných príležitostiach a riziku odchodu sa pridali informácie o rušení zmlúv, spokojnosti zákazníkov a výsledkoch prieskumov. Pribudli aj možnosti podpory onboardingu.
Tento prístup nám umožnil posúvať projekt dopredu, aj keď niektoré integrácie ešte neboli vyriešené.
Pre menšiu firmu z toho vyplýva praktické poučenie: nezačínajte automatizáciou celého procesu, ak ešte neviete, či funguje jeho základ.
Ak chcete pomocou AI spracúvať dopyty z webu, najskôr jej nechajte pripraviť návrh odpovede. Človek ho skontroluje a odošle. Keď sa ukáže, že systém správne rozpoznáva typy otázok a odpovede sú použiteľné, môžete pridať ďalšie kroky. Takto sa dá overiť prínos AI riešenia bez toho, aby ste naraz menili celý spôsob práce.
Podobným rizikám sa venujeme aj v článku Chyby podnikateľov pri zavádzaní AI.
Signál od AI nestačí
Jedným z výstupov systému Hook sú signály. Systém môže upozorniť na zákazníka, ktorému hrozí odchod, alebo na účet, pri ktorom existuje možnosť rozšíriť spoluprácu.
Lenže signál nie je výsledok. Bez ďalšieho spracovania upozornenie firme nič neprinesie.
Počas implementácie sme preto museli riešiť nielen to, či systém generuje signály, ale aj ich kvalitu, prioritu a to, kto za ne zodpovedá. Kto má reagovať na rizikového zákazníka? Čo sa má stať po identifikovaní obchodnej príležitosti? Ako odlíšime užitočné upozornenie od takého, ktoré len pridáva prácu?
Počas integrácie a beta testovania systém vygeneroval 1 837 signálov na rozšírenie spolupráce a 416 signálov súvisiacich s rizikom odchodu zákazníkov. Firma tak získala signály, s ktorými bolo potrebné ďalej pracovať. Nešlo však o dôkaz, že sa všetky premenia na tržby alebo zabránia odchodu zákazníkov.
Tento rozdiel by si mala uvedomiť každá firma, ktorá chce používať AI na obchodné rozhodnutia. Ak vám AI označí zákazníka, ktorý už tri mesiace nenakúpil, potrebujete vedieť, kto ho osloví, akú ponuku mu pripraví a ako vyhodnotíte výsledok. Inak ste si len vytvorili ďalší zoznam úloh.
Pred zavedením nástroja preto odporúčam dohodnúť si jednoduché pravidlo: pri každom dôležitom výstupe musí byť jasné, čo nasleduje a kto za to zodpovedá.
AI musí zapadnúť do práce tímu
Aj funkčný nástroj zostane nevyužitý, ak ľudia nevedia, kedy a ako ho zaradiť do svojej práce.
Ak obchodník trávi deň hľadaním údajov v CRM a e-maile, ďalšia aplikácia môže znamenať ďalšie prihlasovanie, ďalšie vyhľadávanie a ďalšie miesto, ktoré musí mať pod kontrolou. Nový nástroj, ktorý neprinesie dostatočnú úsporu alebo nezapadne do existujúceho pracovného postupu, sa ľahko stane aplikáciou, ktorú firma síce platí, ale ľudia ju využívajú len občas.
Preto sme popri technickej implementácii riešili školenia, interné materiály a podporu používateľov. Dôležité bolo sprístupniť informácie zo systému Hook priamo v prostredí CRM, v ktorom už obchodný tím pracuje so zákazníckymi účtami.
Rovnaký princíp platí aj pre menšiu firmu. Keď musí zamestnanec kvôli AI kopírovať údaje z jednej aplikácie do druhej, treba sa zamyslieť, či sa tento krok nedá odstrániť.
Pred nákupom nástroja si preto prejdite celý proces tak, ako dnes skutočne prebieha. Kde zamestnanec začína? Aký systém musí dennodenne otvárať? Čo ručne prepisuje? Ktoré kroky môže AI prevziať a kde musí zostať kontrola človeka?
Ako merať prínos AI
Pri zavádzaní nového nástroja je lákavé hovoriť o počte vytvorených výstupov, nových funkciách alebo o tom, čo všetko už systém dokáže. To však ešte nedokazuje, že sa investícia skutočne oplatila.
V našom prípade bolo cieľom znížiť čas potrebný na spracovanie obchodnej príležitosti zo štyroch hodín na dve. Podľa modelového výpočtu by pri 3 360 príležitostiach klesla celková potreba práce z 13 440 na 6 720 hodín.
Zatiaľ však ide len o cieľ, nie o nameraný výsledok. Potrebujeme overiť, koľko času tím skutočne ušetrí, koľko identifikovaných príležitostí sa podarí premeniť na obchod a či sa vďaka včasným upozorneniam podarí udržať zákazníkov, ktorí by inak odišli.
Takéto výsledky však nebudeme mať hneď po implementácii. V našom prípade ich budeme vedieť spoľahlivo vyhodnotiť až po niekoľkých mesiacoch, pravdepodobne na konci roka 2026 alebo v prvom štvrťroku 2027.
V menšej firme môže byť tento časový rámec pri jednoduchom procese podstatne kratší. Na začiatku pritom netreba vytvárať zložité reporty. Stačí si vybrať jednu metriku, na ktorej uvidíte, či sa výsledok po nasadení AI zlepšil.
Pri cenových ponukách merajte čas od prijatia dopytu po ich odoslanie. Zákaznícke otázky vyhodnocujte podľa času spracovania a počtu odpovedí, ktoré musel človek opraviť. V marketingu sledujte nielen počet pripravených príspevkov, ale aj čas potrebný na ich publikovanie a výsledky kampane.
Bez východiskového stavu neviete, či AI priniesla zlepšenie, alebo len zmenila spôsob, akým prácu robíte.
Ponaučenia z praxe
Ak by som mala podobný projekt začínať znova, ešte pred samotnou implementáciou by som sa zamerala na päť vecí:
- Jeden konkrétny problém. Nie všeobecné rozhodnutie používať AI, ale jasne pomenovanú úlohu, ktorú chceme zlepšiť.
- Východiskové meranie. Koľko času a peňazí dnes tento proces stojí a koľko manuálnych krokov obsahuje?
- Prehľad dát. Kde sú potrebné informácie, kto za ne zodpovedá a v akom stave sa nachádzajú?
- Jasná zodpovednosť. Kto má konať na základe výstupu AI a kto bude sledovať výsledok?
- Malý pilot. Najskôr by som AI systém otestovala na jednej úlohe alebo v jednom tíme. Až keď by sme dosiahli výsledky, rozšírili by sme riešenie ďalej.
Pri projekte pre 60 000 zákazníkov sa každá nejasnosť násobí. Malá firma má výhodu, že mnohé z týchto otázok dokáže vyriešiť oveľa rýchlejšie.
Pri zavádzaní AI nestačí vybrať správny nástroj. Ak firma nemá jasno v tom, aké dáta potrebuje, čo chce dosiahnuť a kto bude s výsledkami pracovať, samotná technológia to nevyrieši.
AI môže upozorniť na rizikového zákazníka alebo nájsť novú obchodnú príležitosť. Stále však záleží na tom, či s touto informáciou niekto ďalej pracuje a dokáže ju premeniť na konkrétny výsledok.
