AI系统向一家技术公司的销售人员建议，一家中型公司可能有兴趣购买云服务。一家金融服务公司的销售经理收到一份领英生成的潜在雇员名单，可以用于填补空缺。一家制药公司的销售主管收到内部团队的建议，希望减少几百名销售人员。

    随着数据驱动的见解和建议在销售中变得无处不在，“我们应该在多大程度上依赖数据驱动的见解”这一问题，也变得难以避免。其中牵扯许多复杂情况。数据的准确和完整性有高有低，将数据转化为洞察的模型质量可能参差不齐，一些决策失误可能产生一定后果，而其他决策则会涉及许多人并产生长期影响。

    如今，有效的销售决策就是了解何时以及如何采用、融入或拒绝数据驱动的见解。回答以下两个问题可以提供帮助：

· 决策风险有多高？
· 数据驱动的洞察力有多可靠？

决策风险与可靠洞察

    高风险决策是指有广泛和持久影响的决策：高风险决策失误会导致重大损失，且难以逆转，比如决定新产品使用哪些渠道，设计激励计划，以及为新的关键客户团队制定招聘条件等。低风险决策失误：带来的负面影响较小，更容易逆转，比如销售人员向客户提出的产品购买建议不被采纳时，可以重新提一个。

    数据驱动决策的可靠性取决于数据和处理数据的模型。可以参考以下案例：思考决策风险和模型可靠性会如何影响销售团队对洞察的采用。激励薪酬计算器在估算销售人员的激励薪酬时，答案（大多数情况下）是可靠的。销售经理使用生成式AI帮助总结会议时，可以是个好的开始。这些情况的决策风险都不大，模型可靠性也较高。

    但在风险较高或模型可靠性较低的情况下会发生什么？比如让基于AI的模型对领英上的销售候选人资料进行评分。这时模型洞察力较强，但可靠性一般，因为领英上求职者的资料都来自本人，存在偏差且不完整。面对AI给出的应对客户的操作建议时，销售人员要在接受、拒绝或修改建议前对其进行审查和监督。因为这些模型所依据的数据永远难以完整，且大多是过去的数据。

    现在来看一个更复杂的例子：一个模型为销售队伍的规模和结构提出了建议——这是一个具有持久影响且难以快速逆转的决定。输入模型的数据，例如客户潜力的估计，是不精确的；未来情景也不确定；模型的可靠性很好，但并不完美。模型提供了洞察，但监督和判断将发挥重要作用。

判断基于数据的洞察

   几种策略有助于我们评估基于数据的洞察的可靠性，反之也可以推动我们调整对此类洞察给予的关注程度。

    取样实验。这个洞察看起来合理吗？要利用你的经验和外部基准，保证洞察的合理。例如，如果基于数据和模型的分析建议你将销售团队规模扩大一倍至300人，可以反思类似规模的竞争对手是否拥有这么大的销售团队，来评估其合理性。给出的建议是否有明确解释。如果模型可以解释它得出结论的过程，例如，“因为同行业、规模和情况相似的公司经常采用这种解决方案”，那么关于用云实现交叉销售的建议就更有说服力。

    当项目团队明确表示正在仔细审查AI给出的建议，并且团队在支持其建议时详细说明了：新的规模和结构会如何影响特定客户群的覆盖率，并对由此产生的销售额做出合理预测时，在AI帮助下提出的销售人员规模和结构建议就会更加可信。

    了解数据质量。数据是否合理相关、准确、完整和及时？招聘建议是来自领英的个人资料时，你就知道数据可能会有意或无意地不完整或不准确。另一方面，如果通过算法规划销售人员的路线，以在一天内覆盖多个客户，则底层数据（GPS位置、交通状况和客户预约时间表）是准确及时的。数据及时性是一个关键考虑因素。数据大多是回顾性时，你必须评估建议是否适用于未来。及时的数据来源包括CRM数据、客户互动数据、市场情报和社交媒体监测。时效性较差的数据来源包括一年前的客户市场潜力调研或竞争情报。

    给出有关模型质量的见解。这点可能很难做到，但你可以评估模型质量。大多数复杂的决策情况下，不同建模师在给定相同数据时会有不同输出。建模师之前的经验和行业知识以及销售背景，对模型的设计和性能有很大影响。建模也是一门艺术。

    基于数据的决策不仅是用数据和模型验证自己的预期。事实上，选择性地寻找支持现有信念的数据，而忽略相互矛盾的信息，只会适得其反。要降低偏见决策的风险，就必须认识到非直观见解的价值，同时磨炼自己使用数据驱动策略的专业技能。销售人员在实施基于AI的推荐系统时，我们经常看到，在两年内，推荐的采纳率从40%长到了80%。模型得到改进，用户也越来越熟练。在这个瞬息万变的数字时代，模型见解和判断力的明智组合，将比单独使用其中任何一种都更好。