IA encore des doutes ? Vendre et améliorer ses taux de conversion de 20,4%. Inspirez-vous de Linkedin

Direction commerciale, encore des doutes sur l’apport de l’IA ?

Cet article est une relecture avec point de vue exprimé sur un article de recherche publié par :

ACM Reference Format: Suvendu Jena, Jilei Yang, and Fangfang Tan. 2023. Unlocking Sales Growth: Account Prioritization Engine with Explainable AI. In KDD ’23: Knowledge Discovery and Data Mining, August 6–8, 2023, Long Beach, CA, USA. ACM, New York, NY, USA, 9 pages. https://doi.org/10.1145/1122445.1122456  (le lien ne fonctionne plus, mais dans le cadre du respect des droits d'auteurs dans le monde de la recherche, je conserve cette référence tant qu'elle n'est pas modifiée)

Passionnante IA, Efficiente IA.

Lors de ma conférence dont l’objectif et de motiver les commerciaux, les managers, les directions commerciales de devenir des utilisateurs avertis et investis de l’IA, savoir quel sera leur rôle demain, j’ai bien entendu fait travailler les IA Génératives et donc ChatGPT. A la lecture de cet article je mesure combien l’acronyme co-crée avec et pour définir l’IA est pertinent :

L’ia est une OPIACÉE

Opportunité

Performance

Implication

Apprentissage

Créative

Evolutive

Efficiente

Cet article de recherche en est une preuve éclatante.

Pour aller à la conclusion, les équipes de recherche de Linkedin, mesurent l’impact de leur action avec un test comparatif ( en terme technique test A/B).

Le bilan est indiscutable et instructif :

• Les commerciaux qui se sont pleinement intéressés aux suggestions de l’I4 ont vu une croissance de 20,4% de leur taux de transformation !!!
• Là où la moyenne de la croissance du taux de transformation est de 8,08%

Mettre en place un projet de recommandations par l’IA est une aventure, pilotée par une équipe. Cette équipe se doit d’être un mix de sachants. Les sachants sont les data scientists capables de montrer des algorithmes, des droites de régression multiples, de faire travailler les réseaux neuronaux, ou encore de mettre en place du NLP, en fait peu importe ces termes techniques. En langage courant, ils savent interpréter les chiffres et les mots. ET ils savent faire que la machine sache les interpréter. Le tout pour fournir des recommandations qui ont un pourcentage de véracité à fixer en équipe.

Avec les data -scientiste, il faut ajouter des commerciaux terrains, des managers, des responsables marketing produit, et le responsable Field Marketing.

Pourquoi, parce que chacun à un petit bout de vérité, de savoir, qui mis ensemble, permet de faire des étincelles. Pour sortir du contexte de Linkedin et vous donner un autre exemple, chez un fournisseur de bungalow, en questionnant les commerciaux, l’on s’aperçoit que les meilleurs lisent tous les matins la presse quotidienne régionale. Ils identifient des faits d’actualités (incendie, inondation…) qui sont favorable à leurs ventes. La data science, sait capter massivement et précisément ces informations, puis les mettre à disposition de tous les commerciaux terrain.

Chez LinkedIn, ces bouts de vérités ont pour objectif d’augmenter le nombre de ventes de licences recruiter, Sales navigator… et de réduire le taux d’attrition (churn), donc le nombre de licence que les clients arrêtent.

Plus exactement, l’objectif est de donner aux commerciaux une liste priorisé des comptes à contacter en premier et de donner au commercial le POURQUOI de ce contact.

Le pourquoi à disposition du commercial :

Le Pourquoi permet à chaque commercial de capter l’attention de son contact dès les premières phrases car il démontre une vraie connaissance profonde des enjeux et priorités de son contact.

Le pourquoi, ce sont les informations qu’algorithmes, droite de regression et machine learning identifient. Puis via un outil de NLP (traduction en langage courant), ce sont les informations explicatives mises à disposition des commerciaux.

Dans le cas de ce projet, le NLP est un modèle « Crystal Candle » et délivre le résultat suivant :

Page 7 de l’article de recherche.

Autant dire que moi commercial, j’ai mon ice breaker.

Priorisation :

La priorisation a pour objectif elle de mettre l'accent sur les comptes à plus forte valeur ajoutée.

En détail voici quelques éléments inspirants :

La base du travail est l’amélioration de la connaissance client, que l’on peut caractériser de « dynamique ». en marketing l’on parle de « comportement ».

Cette connaissance client va prendre en compte de nombreux critères dont :

• Les ventes passées
• Les produits achetés
• Le ROI des clients !!! je reviendrais plus loin sur ce point fascinant
• Les tendances en termes de recrutement. Malin, puisque LinkedIn a la donnée de la croissance en nombre de salariés, du volume et des annonces de recrutements.
• Le taux d’usage de LinkedIn
• …

ROI clients : Quand comme LinkedIn vous vendez un service, un logiciel pourrait-on dire, avec un abonnement calculé en MRR (Monthly Recurring Revenue), vous avez pour habitudes de faire des analyses sur les taux de connexions (succès) et sur les pages utilisées (Expérience Utilisateur). Les chercheurs de LinkedIn vont plus loin.

Ils vont prendre comme critère

• Le taux de réponse aux messages envoyés. Et plus il est élevé, plus l’appétence à l’achat de nouvelles licences est probable.

D’un seul coup, un seul, vous serez d’accord avec moi, pour dire qu’instinctivement ils sont dans le vrai. Bravo !

Outils et méthodes :

La mise en place du projet n’est pas définie en termes de durée, mais l’on voit que plusieurs mois sont passés, semble-t-il.

Situation classique de ce genre de projets. Les équipes de data-scientist font un test des données passées dont on connait le point de départ et le point d’arrivé. Une fois la corrélation réussie, on affine le taux de réussite pour arriver à un taux raisonnable.

La prédiction est toujours calculée sur 2 axes :

• Le volume de suggestions
• La précision des suggestions

A quoi sert le fait d’avoir une extraordinaire prédiction si vous n’avez que très peu de suggestions en volume et inversement.

Cela signifie que si vos commerciaux font 100 appels et transforme 3%. (situation de départ)

Et que si l’IA permet un taux de transformation de 15% (situation d’arrivée)

Vous êtes en succès.

La dernière condition bien entendue est le coût du projet. L’IA n’est pas gratuite, loin de là. Car elle demande du temps homme, de la puissance de calcul, de nouvelles interfaces, du change management.

Conclusion :

Si toutes les entreprises n’ont pas la donnée disponible chez LinkedIn, le vrai premier chantier reste celui de la donnée. Encore aujourd’hui je rencontre des entreprises qui peuvent grandement évoluer et prendre de la valeur sur ce premier chantier. Pour cela, il est important de comprendre que les données sont de 2 ordres : Basiques, Propriétaires, Data Science.

Ensuite, monter un « Lab vente et marketing » est un premier pas, vers la prise de conscience d’un avenir plus robuste et de la mise en place d’avantages concurrentiels nouveaux.

Enfin, en réalité, rien ne se passe sans une prise de conscience. Puis avec la prise de conscience, savoir se projeter, quelle sera ma place demain. C’est pourquoi j’ai construit une conférence dont l’objet est d’aider les équipes commerciales et marketing à avoir envie de goûter à l’IA.

« IA vente et Marketing : y goûter et devenir addict »

Thibaut du Cleuziou