这篇文章介绍了如何通过预测性AI来提升销售绩效管理（SPM），包括客户评分、配额优化、销售人员规划和跨职能对齐等五大方式。NovaMed的成功案例展示了AI驱动的销售策略如何有效激励团队、提升预测准确性和销售效率。本文还列出了企业应优先考虑的五项关键能力，以实现SPM的全面转型。通过集成预测性AI，企业可以在当今复杂的市场环境中实现收入增长和敏捷响应。
在当前的经济下行周期中，企业面临着前所未有的挑战。如何优化销售绩效，突破重围，实现逆势增长，成为企业成功的关键。本篇文章将深入探讨如何利用预测性AI，提升销售团队的整体效率和业绩表现，帮助企业找到在艰难环境中脱颖而出的有效路径。
在多数企业不得不追求重启增长和恢复盈利时，利用预测性AI来提升和实施销售绩效管理（SPM）是关键。无论是科技、医疗器械、制药、工业还是消费品行业，拥有大规模销售团队的公司都应该考虑采用基于AI的SPM。
AI和合适的数据能够帮助企业发现更好的方法来进行客户评分、配额优化和相关决策。以下是如何将这些方法整合到您的销售策略中。
NovaMed的故事：从危机到突破
以NovaMed为例，这是一个虚构的医疗设备公司，基于我所合作和观察到的公司综合而成。2022年，该公司面临艰难的十字路口：连续三年收入下滑，上一年度的销售目标也未完成，差距达20%。
深入分析后发现，销售组织及其流程中存在重大问题。具体来说，过时的销售区域结构导致市场过度拥挤，太多销售代表争夺有限的客户。同时，不合理的配额和缺乏激励的措施导致整个销售团队和各小组之间的绩效不平衡。随着NovaMed的顶级销售人员因沮丧而离职，收入骤减，进一步解释了业务下滑的原因。
为了应对这些问题，NovaMed的领导层与外部顾问合作，实施了基于AI的SPM。首先，他们通过精准预测来适应市场动态，优化销售区域、配额和激励的战略对齐。这样做最终激励并装备了销售团队，在各方面取得了更好的成果。在这种情况下，预测性AI不仅仅是一个工具，而是推动并增强SPM在提升销售收入、增长和盈利能力方面的关键应用。
事实上，使用预测性AI来辅助SPM决策成为了NovaMed在两年内将销售流程从低效转变为战略优势的秘诀。但这需要在学习曲线上谨慎推进——从销售数据混乱到清晰洞察，再到领先市场的表现。这个过程包括对数据的充分理解，对AI工具的有效利用，以及销售团队对新系统的持续适应和反馈。
为什么要将AI驱动的SPM整合进销售策略？
本文将论证将基于AI的SPM整合到销售策略和流程中的必要性，并重点介绍企业必须设定的五个优先事项，以实现这一目标。尽管我将重点放在医疗设备业务的例子上，下面的想法和建议适用于任何以销售为重点的企业。
预测性AI与SPM：激励销售人员的新动力
企业长期以来已经从SPM中受益，但预测性AI显著提高了其潜在影响力。各行业的许多领导者认识到人工智能的整体价值：根据2023年SBI对CEO的调查，94%的高管渴望将AI整合到他们的销售计划中。然而，同一项研究发现，87%的人尚未尝试以这种方式使用AI，也不清楚如何进行。
这种渴望与专业执行力之间的巨大差距，导致许多以销售为重点的企业坚持使用过时的方法，未能利用AI，最终导致赢率下降、销售周期过长、销售人员缺乏参与感，以及未达成的收入和利润目标。这些挑战因传统技术、多版本的电子表格、容易出错的手工流程以及在战略规划和激励设计之间的业务孤岛而加剧。
组织障碍与AI成功的关键
利用AI增强SPM的尝试经常遭遇组织障碍，包括对AI决策能力的怀疑、对工作安全的担忧、成本问题以及实施能力低下。例如，麦肯锡在2020年报告称，只有15%的商业机器学习项目能够成功。然而，通过周全和全面的方法来实施AI和SPM，其潜在收益将使这些努力变得值得。
各行业的高管认识到了正确实施AI驱动的SPM的重要性。例如，百事可乐的总奖励和全球薪酬总监John Waldron在谈到应用这种SPM来优化其标志性食品和饮料业务的销售策略时说道：“我想让SPM成为销售激励的骨架系统，因为它实际上是关于如何将你想做的事情操作化和实现化。对我来说，销售激励远不止是薪酬结构、杠杆和关键绩效指标，最终我们要创造的是激励。”
Varicent公司（一家SPM软件提供商）的首席执行官Marc Altshuller也指出：“基于AI的SPM的价值在于它重新调整了销售区域、配额和激励措施，确保销售团队充满动力并具备成功的条件。”
简而言之，现在正是开发先进AI驱动的SPM能力的好时机。
AI驱动的SPM如何推动销售：五大驱动因素
根据我与多家企业销售组织合作的经验，以下是基于AI的SPM帮助实现更好销售结果的主要方式。
1. 预测准确性
AI分析历史数据和市场趋势，提供高度精确的销售预测，使企业能够自信地做出战略决策和投资。例如，AI驱动的预测使领导者能够预见市场变化，主动调整销售策略，而不是依赖反应性、本能式的计划。
NovaMed利用AI更准确地识别收入来源，并将库存水平与预期需求匹配，从而更好地预测客户需求。更精确的预测还帮助领导者了解某一客户在一段时间内可能的消费金额。这使他们能够提前规划，并在适当的时机调整资源配置。
2. 客户评分
基于AI的SPM使用行为数据和其他数据来根据潜在价值对客户账户进行评分和优先级排序，使销售团队将精力集中在合适的机会上。这种AI驱动的客户优先化不仅提高了转化率，还确保资源分配给最有前途的客户，从而提升高价值客户的体验。
许多销售组织和销售人员犯的错误是试图完成每一笔交易，包括追逐那些不太可能购买的潜在客户，这也是NovaMed曾遇到的问题。引入预测性客户评分使销售团队能够专注于正确的客户，以最大化销售效率、增长和利润。
3. 区域和配额优化
基于AI的洞察力揭示了与销售区域和配额相关的复杂数据模式，从而实现优化。这确保了销售努力能够有针对性地进行，从而最大限度地提高效率。
企业通过优化可以获得两个主要好处。首先，通过了解可能的客户行为，像NovaMed这样的公司可以更好地设定合适的激励水平，例如建立更有效的配额和目标，既不太简单也不太具挑战性，从而为销售人员创造最佳的激励水平。
其次，这种优化有助于企业将销售人员合理地分配给特定客户或区域。如果一个销售人员被分配到包含所有或大部分顶级客户的区域，他相较于同事会拥有不成比例的收益潜力——并且工作量也过大。因此，基于准确预测值来分配配额和区域，对于保持销售专业人员的满意度和生产力，以及促进透明和公平的流程，有着重要意义。
4. 销售人员容量规划
基于AI的SPM还帮助确定针对不同市场细分的最佳销售团队规模，考虑到销售周期的复杂性，通过将具有合适技能的销售人员分配到合适的目标市场，从而提高整体生产力。
随着销售计划周期加快，这一点变得愈发重要：企业必须迅速、有效且战略性地应对市场和客户需求的变化。定期评估分配给客户和市场的容量，能够为更新AI预测和改进迭代计划提供关键数据。这种动态调整的能力让企业更具灵活性，适应快速变化的市场环境。
5. 跨职能对齐
预测性AI促进了SPM相关功能的实时协作与整合，打破了孤岛，实现统一的方法，从而增强决策、绩效跟踪和收益。这是关于广泛提升收入运营的关键目标。
通过跨职能对齐，预测性AI帮助市场营销、销售和客户成功团队共享统一的数据和洞察。这不仅提高了效率，还确保各团队的目标一致，从而为整个收入生成过程带来更强的协调性。这种整合使企业能够识别和消除内部摩擦点，并实现更高水平的协同效应，从而最终提升整体收入表现。
这些工作当然涉及文化和组织上的挑战。要在预测性AI上取得成功，意味着要让销售领导者接受使用数据和算法来改进决策。创建数据驱动的文化可能是一个艰难的过程，尤其是考虑到许多销售领导者仍然认为销售是关系驱动的，而不是数据驱动的。真正承诺改变决策方式还可能需要重新组织结构、重新思考组织激励措施等。否则，预测性AI将难以推动业务向前发展。
关键在于将销售员视为“收入引擎”的一部分，并将销售收入视为整个拼图的一部分。也就是说，当公司市场、销售和客户成功团队在整个收入周期中共享数据和洞察时，他们将更有效和战略性地使用资源，推动真正重要的结果。这通过数据共享、共同设定目标以及在整个销售生态系统中进行整体绩效监控来实现。这种对齐也反映了AI输出对于非常高层的高管（如相对新兴且高风险的首席收入官角色）的重要性。
最终，NovaMed能够实施上述所有驱动因素，从低效的手工流程中实现巨大的转变，重新定义其SPM策略和流程，扭转了收入下滑并解锁了新的增长。
如何实现：五个组织优先事项
要充分实现这些驱动因素的收益，组织必须优先考虑以下关键能力和资源：
预测分析和AI集成，以便预测销售趋势并提供可行的洞察，从而优化销售策略和激励计划。
开发支持跨销售功能无缝集成的SPM平台，包括区域管理、配额设置、激励和薪酬管理、预测与分析、绩效监控和报告。
有效的数据管理，以确保数据集成的坚实基础，有效使用基于AI的洞察和连接的流程。
定期进行的自适应和持续计划，以保持销售组织的敏捷和响应能力。
沟通、透明和共同目标的环境，以促进利益相关者的参与和合作。
NovaMed在向基于AI的SPM转型的过程中对这些因素进行了深思熟虑的考量。其领导层仔细评估了公司在AI技术方面的投资，并对如何使用预测性AI以及预计收益设定了明确的预期。他们为销售团队使用AI的培训投入了实际资源，并始终如一地传递一个明确的信息：AI是为了帮助，而不是替代销售领导层。正因为考虑到这些挑战，NovaMed才能成功地应对技术、组织和行为上的挑战，这些都是任何基础性变革成功的关键。
各行业的领导者正在重新思考SPM，并认识到将预测性AI整合不再是未来的愿景，而是当下的必要之举。对于那些准备迈入新时代的企业，预测性AI不仅重新定义了SPM，还帮助具有前瞻性的公司以敏捷和洞察力应对当今的市场复杂性。
作者介绍
Joel Shapiro是西北大学凯洛格管理学院管理经济学和决策科学的实践副教授，负责领导分析咨询实验室，并在MBA课程中教授高级分析选修课程。他的教学内容专注于如何将数据分析和AI应用于企业中的战略决策和绩效优化。
