Как повлияет на доходы бизнеса эволюция CPQ с ИИ

Платформы Configure, Price, Quote (CPQ) — это приложения, которые автоматизируют процесс продаж, и теперь искусственный интеллект (ИИ) обеспечивает следующую фазу развития. В текущем исследовании мы погружаемся в то, как ИИ интегрируется в CPQ и как это влияет на эффективные продажи и рост продаж.

Мы представляем вам адаптированный перевод статьи Бихаг Карнани из Google.

С помощью обширного обзора литературы это исследование приходит к выводу, что ИИ меняет возможности системы CPQ, включая интеллектуальный конфигуратор продуктов, предиктивное и динамическое ценообразование, персонализированный клиентский опыт и т. д.

Созданные с использованием интеллектуального дизайна, эти системы CPQ на основе ИИ помогают усилить рост доходов, повысить производительность продаж, улучшить точность прогнозов и уменьшить циклы продаж. Тем не менее, еще предстоит преодолеть некоторые препятствия, такие как проблемы безопасности данных и, в некоторых случаях, предвзятость алгоритмов, но в целом будущее ИИ в CPQ обнадеживает.

Обзор демонстрирует преобразующий потенциал и практические примеры использования ИИ в CPQ, а также предоставляют передовой опыт того, как компании могут использовать эту технологию, чтобы стать лидером или доминировать на рынке.

Введение

В этой исследовательской работе мы анализируем, как развивались системы Configure, Price, Quote (CPQ), уделяя особое внимание влиянию ИИ. Мы рассматриваем, как ИИ добавляет ценность основным возможностям CPQ, исследуем известные используемые методы ИИ/ML и пытаемся количественно оценить влияние на эффективность продаж и рост продаж/доходов. В статье далее описываются проблемы, тенденции, рекомендации и соответствующие меры для эффективного внедрения ИИ в CPQ. Способность ИИ повышать производительность продаж, повышать точность прогнозирования и улучшать взаимодействие с клиентами может привести к ускорению циклов продаж и увеличению доходов, согласно основным выводам.

Вопросы исследования

Целью данной статьи является ответ на следующие вопросы исследования:

1. Как эволюция систем CPQ решает эту потребность в интеграции ИИ?
2. Как методы ИИ/МО используются в решении CPQ и каковы преимущества?
3. Как интеграция ИИ влияет на эффективность продаж и рост доходов?
4. Каковы проблемы и ограничения интеграции ИИ в системы CPQ?
5. Будущие тенденции в решениях CPQ на основе ИИ и достижения рынка ИИ в CPQ

Материалы и методы

Эта исследовательская работа основана на обзоре литературы по системам CPQ и интеграции ИИ. Источники были выбраны по их релевантности вопросам исследования и уровню их достоверности в этой области. Мы включили рецензируемые статьи, отраслевые отчеты и авторитетные онлайн-источники.

Методы исследования включали:

1. Узнать больше о соответствующих ключевых словах и поисковых терминах.
2. Провести тщательный поиск литературы с помощью академических баз данных и онлайн-источников.
3. Оценить источники на предмет соответствия критериям включения.
4. Сбор соответствующих фактов и перефразирование выводов.
5. После этого организовать и сгруппировать рывок в осмысленную историю.

Ключевые слова: Конфигурация (настройка), Цена, Предложение (CPQ), Искусственный интеллект (ИИ), Машинное обучение (МО), Эффективность продаж, Рост доходов, Влияние ИИ на CPQ.

История и основные функции систем CPQ

Истоки программного обеспечения CPQ можно проследить до 1980-х годов, в то же время, когда были разработаны конфигураторы продуктов. Раньше это были инструменты бэк-офиса, созданные для обработки требований клиентов и согласования с системами ERP.

В 1990-х годах конфигураторы вышли из бэк-офиса, поскольку системы автоматизации продаж (SFA) вошли в моду, их интерфейсные системы были интегрированы с приложениями управления взаимоотношениями с клиентами (CRM) для оптимизации процесса продаж и обеспечения того, чтобы всегда предлагались точные конфигурации.

Спустя десятилетие, в 2000-х годах, конфигураторы превратились в то, что мы теперь знаем как полноценные системы CPQ со встроенными механизмами ценообразования, генераторами предложений и рабочими процессами утверждения.

Проблемы с конфигурацией сложных продуктов присутствовали в более ранних версиях программного обеспечения CPQ. Одной из таких проблем был комбинаторный взрыв, означающий быстрое увеличение числа потенциальных комбинаций продуктов по мере увеличения числа вариантов и функций.

Это позволило системам CPQ использовать целый ряд подходов от систем поддержания истинности на основе правил, деревьев решений до механизмов удовлетворения ограничений для решения сложных проблем.

Правила конфигурации могут быть исчерпывающе выведены из всего набора спецификаций и реализованы с помощью механизмов удовлетворения ограничений, найденных в программах, разработанных в 1980-х и 1990-х годах, которые предполагают, что возможны только допустимые и осуществимые комбинации продуктов.

Это привело к появлению управления жизненным циклом конфигурации (CLM), концепции, которая включает CPQ как один из своих ключевых компонентов для описания того, как компании могут использовать конфигурацию продукта для массовой настройки. Такие сценарии указывают на необходимость управления конфигурациями продукта на протяжении всего жизненного цикла — от проектирования и разработки до продаж и послепродажного обслуживания.

Salesforce CPQ является одним из ведущих примеров современного решения CPQ. Это облачное программное обеспечение также предлагает множество функций, помогающих оптимизировать процессы продаж, например:

• Направляемые продажи: использует подсказки, чтобы помочь торговому представителю правильно настроить продукт для удовлетворения потребностей клиентов.
• Правила конфигурации: определяет логику для обеспечения надлежащей конфигурации сложных заказов, предотвращая выбор невыполнимых маршрутов.
• Динамическое ценообразование: цены в реальном времени рассчитываются представителями во время настройки с немедленной обратной связью.
• Добавить из каталога продуктов: упрощает пользователям поиск, фильтрацию и добавление товаров в смету.
• Гибкое ценообразование: поддерживает сложные комбинации цен как для разовых, так и для подписных покупок.
• Скидки: обрабатывает скидки на уровне сметы и строки на основе договорных соглашений с клиентами.
• Условия и положения: обеспечивает включение правильных условий в любую сделку.
• Продления: помогает продлевать контракты в соответствии с контрактными ценами и историями клиентов.
• Генерация документа сметы и КП — автоматически генерирует расценки, предложения и сметы с брендингом в нескольких форматах.
• Настройка документов: позволяет пользователям настраивать документы с расценками с комментариями, сопроводительными письмами и подтверждающими документами.
• Создание контрактов: позволяет преобразовывать расценки в контракты.

Среди своих многочисленных преимуществ Salesforce CPQ обеспечивает повышение эффективности продаж, улучшение обслуживания клиентов и лучшее прогнозирование продаж и доходов.

Он централизовал коммуникацию между отделами и системами биллинга и выставления счетов для обеспечения автоматизированного выставления счетов и обработки платежей, устраняя ручные ошибки и улучшая управление денежными потоками.

Факторы, которые следует учитывать при выборе системы CPQ, — это ценообразование и окупаемость инвестиций (ROI). Решения CPQ, как правило, основаны на подписке, а цены варьируются в зависимости от функций, количества пользователей и уровня поддержки.

Метрики, используемые для определения финансовой отдачи, полученной от системы CPQ, включают повышение производительности продаж, точности расценок и показателей закрытия сделок.

Основные функциональные возможности системы CPQ можно обобщить в следующем перечне:

1.Конфигурация продукта. Включает точную настройку сложного продукта на основе потребностей клиентов и предопределенных правил.

• Пример: производитель автомобилей позволяет клиентам выбирать мощность двигателя, цвет и опции салона при комплектации своего автомобиля.
• Преимущества. Уменьшение ошибок при составлении смет, ускорение предоставления предложений и повышение удовлетворенности клиента.

2.Управление ценами. Динамически корректирует цены на основе различных факторов, таких как конфигурация продукта, скидки и рыночные условия.

• Пример. Компания-разработчик ПО предлагает скидки за объем и многоуровневое ценообразование в зависимости от объема использования и количества лицензий-пользователей.
• Преимущества. Оптимизированное ценообразование, повышение прибыльности, улучшение конкурентоспособности.

3.Создание смет и КП. Автоматически генерирует точные и профессиональные расценки, ускоряя цикл продаж.

• Пример. Телекоммуникационная компания автоматически формирует расценки на пакетные услуги на основе выбора клиентов.
• Преимущества. Сокращение ручного труда, ускорение обработки коммерческих предложений, повышение эффективности продаж.

4.Направляемые продажи. Помогает клиентам и отделам продаж ориентироваться в процессе настройки, предлагая им наилучшие решения.

• Примеры. Компания, предоставляющая финансовые услуги, использует метод направленных продаж, чтобы рекомендовать наиболее подходящие инвестиционные продукты на основе профилей риска клиентов.
• Преимущества. Улучшение клиентского опыта, увеличение конверсии продаж, расширение знаний о продукте.

5.Интеграция с системами CRM и ERP. Обеспечивает согласованность данных и видимость в реальном времени в разных отделах.

• Пример. Производственная компания интегрирует свою систему CPQ с системами CRM и ERP для отслеживания заказов, управления запасами и предоставления клиентам обновлений в режиме реального времени.
• Преимущество. Повышение точности данных, оптимизация рабочих процессов, улучшенное сотрудничество.

Переход CPQ к интеграции ИИ

Традиционные решения CPQ значительно улучшили процессы продаж в крупных и средних компаниях, но все еще зависели от ручного ввода и конфигураций на основе правил. Однако по мере того, как предприятия и их предложения продуктов становились все более сложными, ограничения этих систем стали очевидны. Потребность в конечном счете в большей автоматизации, лучшей точности и персонализации привела к интеграции ИИ в CPQ. Используя алгоритмы ИИ для быстрого анализа огромных объемов данных и обнаружения закономерностей, интеллектуальные системы CPQ ознаменовали начало новой эры в решении этих проблем.

Интеграция AI/ML в системах CPQ

Переосмысление CPQ в интеграции с AI и ML Благодаря интеграции искусственного интеллекта и машинного обучения (ML) новые системы CPQ эволюционируют, чтобы обеспечить еще большую эффективность и точность, чем раньше.

Алгоритмы AI могут обрабатывать большие объемы данных, обнаруживать закономерности и принимать обоснованные решения, что приводит к многочисленным преимуществам:

• Интеллектуальная конфигурация: AI может делать прогнозы на основе отношения клиентов, предпочтений, истории и существующих заказов, а затем использовать эти прогнозы для оценки оптимальных комбинаций, в которых проще продавать эти продукты, помогая оптимизировать процесс конфигурации и сократить человеческие ошибки.
• Предиктивное ценообразование: AI может предсказывать оптимальные ценовые ориентиры и уровни скидок, анализируя данные о продажах по всему миру, тем самым увеличивая вероятность заключения сделок.
• Динамическое ценообразование и оптимизация маржи: AI может динамически корректировать ценообразование в ответ на факторы реального времени, такие как рыночный спрос, цены конкурентов и профили клиентов, помогая достигать прибыльности, оставаясь конкурентоспособными.
• Персонализированный опыт для клиентов: используя данные клиентов, ИИ может предлагать персонализированные рекомендации по продуктам и индивидуальные предложения, что приводит к повышению удовлетворенности клиентов.
• Визуальная настройка: ИИ (искусственный интеллект) вращается вокруг улучшения клиентского опыта с помощью процесса визуальной конфигурации продукта, которая включает в себя 2D-изображение или изображение объектов, 3D-визуализации, а также в некоторых случаях возможность VR (виртуальной реальности) визуально исследовать продукт в виртуальном пространстве.

Система CPQ на базе ИИ обеспечивает прочное конкурентное преимущество и позволяет компаниям быстрее реагировать на потребности рынка и клиентов. Такая гибкость позволяет компаниям быстро приспосабливаться к меняющимся предпочтениям клиентов, конкурентному давлению и меняющейся динамике рынка, что помогает увеличить продажи и захватить долю рынка.

API: ИИ в CPQ

• Машинное обучение для оптимизации ценообразования
  • Контролируемое обучение
  • Неконтролируемое обучение
• Генеративный ИИ
  • Описания продуктов
  • Пользовательские сообщения
• Обработка естественного языка
  • Анализ требований клиентов
  • Языковой перевод
• Прогнозная аналитика
  • Прогнозирование эффективности продаж
  • Выявление рисков и возможностей

Конкретные методы AI/ML, используемые в системах CPQ

Для реализации этих достижений в системах CPQ используются несколько методов AI/ML:

1.Алгоритмы машинного обучения для оптимизации ценообразования.

Для оптимизации ценообразования алгоритмы машинного обучения прогнозируют оптимальные стратегии ценообразования, чтобы иметь возможность сравнивать исторические данные о продажах, поведении клиентов и рыночных тенденциях.

К ним относятся контролируемые алгоритмы обучения (например, модели регрессии, обученные на исторических данных о продажах) для определения лучшей цены на продукт на основе характеристик и демографических данных клиентов.

Алгоритмы неконтролируемого обучения, например кластеризация, предлагают возможность сегментировать клиентов в соответствии с их покупательским поведением и устанавливать соответствующую цену.

2.Обработка естественного языка (NLP) для составления предложений.

NLP расширяет возможности систем CPQ, позволяя им интерпретировать и понимать требования клиентов, выраженные на естественном языке, что упрощает процесс настройки. Он позволяет торговым представителям общаться с системой CPQ, используя инструкции или запросы на естественном языке, что делает ее более интуитивно понятной и удобной для пользователя.

3.Предиктивная (предсказательная) аналитика.

Предиктивная аналитика на основе ИИ позволяет отделам продаж прогнозировать продажи,
выявлять возможные риски и возможности и улучшать стратегии продаж. Предиктивная аналитика, например, может определять, какие сделки с большей вероятностью будут закрыты, позволяя отделам продаж направлять свои усилия и распределять ресурсы соответствующим образом.

4.Генеративный ИИ.

Этот тип технологии может генерировать совершенно новый контент, включая описания продуктов или пользовательские сообщения, для улучшения понимания. Это означает, что, например, генеративный ИИ может генерировать индивидуальные описания продуктов, основанные на индивидуальных потребностях и предпочтениях клиента, что приводит к более релевантному и привлекательному предложению.

5.Обработка неиспользованного спроса (пробелов).

Это позволяет отделам продаж обнаруживать потенциальные возможности перекрестных продаж и дополнительных продаж, увеличивая доход и пожизненную ценность клиента.

6.Аналитика оттока.

Искусственный интеллект также может прогнозировать клиентов, которые подвержены высокому риску оттока, и помогать компаниям принимать упреждающие меры для предотвращения этого. Это может включать предоставление им персонализированных предложений или поощрений, улучшение обслуживания клиентов или проактивное управление проблемами, которые могут привести к их оттоку.

7.Аналитика поведения клиентов.

ИИ анализирует модели поведения клиентов, чтобы персонализировать взаимодействия и помочь с лучшим таргетингом. Это может включать рекомендацию продуктов на основе предыдущих покупок, предложение релевантного контента или настройку коммуникации на основе потребностей клиентов.

Требования к данным для ИИ в CPQ

Компаниям требуются определенные данные для эффективного обучения моделей ИИ для систем CPQ. Эти данные могут включать:

• Исторические данные о продажах: например, в форме предыдущих объемов проданных продуктов, цен, скидок, а также прошлых демографических данных клиентов.
• Данные о клиентах — это относится к ведению профилей клиентов, их истории покупок, предпочтений и взаимодействия с компанией.
• Данные о продуктах: данные о характеристиках и спецификациях продукта, конфигурации и ценах.
• Рыночные данные: это охватывает рыночные тенденции, цены конкурентов, экономические условия и т. д.

Чем больше данных вы собираете и готовите, тем больше они влияют на модель ИИ, делая ее более точной и эффективной. В конечном итоге, у компаний должен быть хороший процесс управления данными для сбора, уточнения и хранения данных.

Влияние ИИ на эффективность продаж и рост доходов

Интеграция ИИ в системы CPQ оказывает значительное влияние на эффективность продаж и рост доходов. Исследования показывают, что компании, использующие ИИ для продаж, в среднем получают увеличение доходов на 10–30 %.

Системы CPQ на базе ИИ могут:

• Повышать производительность продаж: автоматизируя задачи и давая интеллектуальные рекомендации, ИИ освобождает отделы продаж от необходимости продавать. Освобождая торговых представителей от трудоемких задач, они могут уделять больше внимания развитию отношений с клиентами, проверке лидов и закрытию продаж, что приводит к повышению производительности и улучшению результатов продаж.
• Повышать точность прогнозов продаж: ИИ используется для прогнозирования эффективности продаж и выявления возможностей. Это позволяет компаниям принимать более обоснованные решения относительно распределения ресурсов, стратегий продаж и управления запасами.
• Улучшение взаимодействия с клиентами: ИИ персонализирует взаимодействие с клиентами и собирает информацию, укрепляя отношения. Это может включать настройку коммуникации в соответствии с присутствием клиентов, предоставление важных предложений по продуктам и удовлетворение потребностей клиентов до того, как они возникнут.
• Ускорение цикла продаж: ИИ оптимизирует процесс составления предложений и минимизирует задержки, что приводит к сокращению времени от составления предложения до закрытия сделки. Это может включать автоматическую генерацию предложений, мгновенную обратную связь по ценам и более простую настройку.
• Анализ звонков по продажам с использованием ИИ: искусственный интеллект может анализировать звонки по продажам для выявления закономерностей, тенденций и областей для улучшения. Такие процессы могут включать расшифровку звонков, выполнение анализа настроений и определение категорий или тенденций в обсуждаемых темах, предоставление торговым представителям полезной обратной связи и помощь им в улучшении своих разговорных треков.
• Улучшение маркетинговых стратегий: ИИ можно использовать для персонализации маркетинговых сообщений, таргетинга на определенные сегменты клиентов и оптимизации маркетинговых кампаний. Это может включать в себя просмотр данных о клиентах для понимания предпочтений, прогнозирование поведения клиентов, а затем настройку и маркетинговых сообщений для определенной аудитории.

Внедрение ИИ в CPQ улучшает персонализацию, адаптацию уникального опыта для клиентов, установление лояльности и удовлетворенности среди конкурентов. Настраивая расценки, предложения продуктов и коммуникации в соответствии с индивидуальными потребностями и предпочтениями клиентов, компании могут выделиться среди своих конкурентов и построить более прочные отношения с клиентами.

Примеры компаний, внедряющих системы CPQ на базе ИИ

Хотя есть компании, которые внедрили ИИ в свои системы CPQ, конкретных данных о результатах этих внедрений мало. Вот лишь несколько компаний, которые изучают и внедряют эти технологии:

• Infosys: Infosys объединила ИИ с Salesforce CPQ, чтобы улучшить генерацию предложений с помощью прямых продаж и NLP. Это позволяет продавцам Infosys генерировать предложения на естественном языке, повышая интуитивность и эффективность процесса. Он задает контекстно-зависимые, динамические вопросы, которые гарантируют, что конфигурации продукта и предложения соответствуют конкретным требованиям каждого клиента.
• Oracle: Oracle использует собственное решение CPQ на базе ИИ для оптимизации и автоматизации своих операций по продажам. Таким образом, Oracle смогла развернуть автоматизированное самостоятельное составление котировок, что значительно сократило время и объем работы, необходимые для создания котировок. Oracle использует систему на базе ИИ, которая помогает ей определять цены и конфигурации продуктов на основе предпочтений клиентов и рыночных условий.
• Yagna iQ: Yagna iQ предлагает решение CPQ на базе ИИ для продлений Cisco и автоматизирует процесс продления контрактов. Это позволяет партнерам Cisco оптимизировать продления, минимизируя ручную работу и поддерживая контракты в актуальном состоянии. Используя ИИ, система проверяет данные клиентов и записи о прошлых продлениях контрактов, чтобы делать персонализированные предложения по продлению и рекомендации по ценам.
• CloudSense: CloudSense использует ИИ для предоставления персонализированных рекомендаций и оптимизации ценообразования в своем решении CPQ. Технология ИИ CloudSense может, например, рекомендовать дополнения или обновления для клиентов в процессе настройки их плана обслуживания на основе моделей использования этого целевого клиента. Это приводит к оптимизированной смете для клиента и более выгодной смете для компании.

Чтобы расширить эту часть, будущие исследования могут сообщить конкретные цифры и последствия этих внедрений, такие как процент улучшений эффективности продаж или сокращение времени генерации смет и связанных задач.

Анализ затрат и выгод CPQ с ИИ

Внедрение систем CPQ на основе ИИ несет в себе возможности как затрат, так и окупаемости. Затраты могут включать:

• Стоимость лицензирования программного обеспечения: решения CPQ на основе ИИ могут иметь более высокие лицензионные сборы, чем традиционные системы CPQ.
• Затраты на внедрение: для того, чтобы ИИ работал с существующими системами, могут потребоваться значительные инвестиции в существующую инфраструктуру, миграцию данных и реализацию настройки.
• Затраты на обучение: отделам продаж потребуется обучение для использования системы CPQ на основе ИИ.
• Затраты на обслуживание: поддержание работоспособности и обновления систем ИИ также может стоить денег.

Ограниченная, но высокая потенциальная окупаемость инвестиций в ИИ может привести к:

• Росту ваших доходов: увеличивая производительность продаж, сокращая цикл продаж и улучшая взаимодействие с клиентами, ИИ обладает большим потенциалом для содействия росту доходов.
• Снижению расходов: технологии ИИ могут оптимизировать операции, минимизировать ошибки и корректировать ценообразование, что приводит к снижению расходов.

Можно сказать, что, применяя персонализацию на основе ИИ, клиенты получают большее удовлетворение, а их лояльность увеличивается. Важно провести анализ затрат и выгод внедрения ИИ в CPQ. При выполнении этого анализа необходимо учитывать размер бизнеса, сложность продуктовых предложений и цели продаж.

Этапы и сроки внедрения CPQ с ИИ

Этапы внедрения CPQ на основе ИИ

1. Сбор требований: обычно известен как первая фаза для эффективной оценки и роста процессов CPQ в существующей архитектуре.
2. Предварительная обработка данных: отвечает за сбор, очистку и подготовку данных для моделирования ИИ.
3. Разработка моделей ИИ: на следующем этапе выбираются соответствующие алгоритмы ИИ, разрабатываются модели и обучаются на подготовленных в памяти данных.
4. Интеграция и тестирование системы: интегрируйте модели ИИ с системой CPQ и тщательно
   проверьте их, чтобы убедиться, что они работают хорошо.
5. Развертывание и мониторинг: после обучения следующий шаг включает развертывание системы CPQ на основе ИИ и постоянный мониторинг ее производительности для любых сценариев оптимизации.

Сроки внедрения будут зависеть от деталей проекта и доступных ресурсов. Некоторые примеры проблем, которые могут возникнуть на любом из этих этапов, — это несоответствия данных, проблемы интеграции и барьеры принятия пользователями.

Влияние CPQ с ИИ на отраслевую конкуренцию

Разные отрасли испытывают разное влияние CPQ на основе ИИ.

• Производство: ИИ может помочь в настройке сложных продуктов со множеством компонентов и опций, помогая обеспечить точность и минимизировать ошибки.
• ИТ: в индустрии программного обеспечения ИИ может настраивать программные решения в соответствии с конкретными потребностями клиента, а характер их ценообразования может автоматически меняться по мере перекрытия функций и использования.
• Образование: ИИ также может использоваться для персонализации образовательного контента, предоставления рекомендаций по обучению и помощи преподавателям в более эффективной диагностике общеклассных проблем.

Будущие исследования должны изучить конкретные преимущества и проблемы в разных отраслях.

Архитектура интеграции CPQ с ИИ

Большинство систем CPQ на основе ИИ используют существующую корпоративную архитектуру через API и коннекторы данных. Это позволяет моделям ИИ извлекать информацию из разных источников, таких как CRM, ERP и системы автоматизации маркетинга.

Эта архитектура должна способствовать плавному потоку данных, защищенному от несанкционированного доступа, связи в реальном времени между моделями ИИ и платформой CPQ. Это также можно представить с помощью технических диаграмм, которые дают хорошее представление об архитектуре интеграции и помогают понять вышеуказанные потребности внедрения.

Проблемы и ограничения интеграции CPQ с ИИ в корпоративные ИТ-системы

Помимо преимуществ, предоставляемых интеграцией ИИ, следует также учитывать проблемы и ограничения:

• Безопасность данных и конфиденциальность: системам ИИ необходим доступ к большим объемам данных, что вызывает опасения относительно безопасности данных и конфиденциальности. Компании должны обеспечить наличие надлежащих мер защиты для защиты конфиденциальных данных клиентов и соблюдения взаимосвязанного законодательства о конфиденциальности.
• Предвзятость алгоритма: алгоритмы ИИ могут усиливать существующие предвзятости, присутствующие в данных, что приводит к несправедливым или дискриминационным результатам. Если, например, исторические данные о продажах были предвзяты в отношении определенных сегментов клиентов, то алгоритм ИИ может неосознанно предлагать неоптимальные цены или конфигурации продуктов для этих сегментов. Эти предвзятости необходимо устранить, а системы ИИ должны быть разработаны так, чтобы быть справедливыми и честными.
• Принятие и обучение пользователей: торговым организациям может потребоваться обучение и поддержка для эффективного использования систем CPQ на основе ИИ. Эта гибкость является ключом к формированию четких процедур, созданию долгосрочной поддержки и сообщению о проблемах или противодействии изменениям.
• Проблемы интеграции: интеграция ИИ с существующими процессами CPQ и другими бизнес-инструментами может быть сложной и может потребовать тщательного планирования. Для этого необходимо убедиться, что различные системы могут работать вместе, устранять несоответствия данных и устранять узкие места процессов там, где они возникают.
• Препятствия к принятию пользователями: достижение успеха ИИ в CPQ требует устранения препятствий для принятия пользователями и внедрения эффективных стратегий управления изменениями. Важность этого шага нельзя недооценивать, поскольку он включает в себя четкое описание преимуществ ИИ, взаимодействие с опасениями пользователей и предложение достаточной помощи в процессе перехода.
• Проблемы конфиденциальности данных: бизнесу необходимо решать проблемы конфиденциальности данных для ИИ в CPQ, обеспечивая ответственное и этичное использование данных клиентов. Это может включать методы анонимизации данных, получение согласия клиентов и прозрачность использования данных клиентов.

Будущие тенденции и потенциальные усовершенствования в системах CPQ на базе ИИ

Будущее открывает большие перспективы для систем CPQ на базе ИИ, с многочисленными тенденциями и потенциальными усовершенствованиями на горизонте:

• Большая автоматизация: ИИ автоматизирует большую часть процесса CPQ, минимизируя человеческий труд и максимизируя эффективность. Это может включать автоматизацию таких процессов, как создание смет и КП, оптимизацию ценообразования или настройку продуктов, что позволит отделам продаж посвятить свое время более ценным видам деятельности.
• Расширенная персонализация: ИИ позволит еще больше персонализировать как сметы, так и рекомендации по продуктам, что произведет революцию в клиентском опыте. Это включает настройку смет в соответствии с уникальными потребностями каждого клиента, рекомендацию бесплатных дополнений или обновлений и предложение персонализированных цен на основе профилей клиентов и предыдущих покупок.
• Расширенные возможности прогнозирования: ИИ улучшит прогнозирование продаж и предиктивную аналитику, что приведет к более эффективному принятию решений. Например, это может повлечь за собой прогнозирование оттока клиентов, выявление потенциальных возможностей продаж и прогнозирование доходов в будущем.
• Интеграция с новыми технологиями: такие революционные технологии, как виртуальная реальность (VR) и дополненная реальность (AR), будут синхронизироваться с системами CPQ на базе искусственного интеллекта, чтобы можно было создавать захватывающие покупательские возможности. Это может означать, что они смогут увидеть, как выглядят их конфигурации, когда они оживают в средах VR или AR, что даст им более интерактивный и увлекательный покупательский опыт.
• Гибридные продажи: системы CPQ будут играть ключевую роль в содействии гибридным продажам, которые объединяют прямые продажи и каналы электронной коммерции. Это подразумевает обеспечение бесшовного и последовательного покупательского опыта по разным каналам, позволяя клиентам взаимодействовать с торговыми представителями и изучать варианты продуктов в Интернете.
• Упрощение конфигурации продукта: все больше систем CPQ используют механизмы конфигурации на основе ограничений, которые упрощают сложную конфигурацию продукта. Это означает, что вы проводите торговых представителей через процесс конфигурации и гарантируете, что возможны только допустимые и осуществимые комбинации продуктов.
• Автоматизированное управление ценовыми предложениями: ИИ позволит автоматически утверждать ценовые предложения, тем самым делая процесс продаж более плавным и минимизируя временные промежутки на согласование. Например, внезапное утверждение ценовых предложений на основе квалификационного порога (в рамках определенной торговой точки или сегментов клиентов, которые были предварительно одобрены).
• Постоянное сотрудничество и инновации: пространство ИИ и CPQ будет продолжать развиваться, требуя постоянных инноваций и сотрудничества для использования всего потенциала этих технологий. Это подразумевает отслеживание последних достижений, сотрудничество с отраслевыми партнерами и инвестирование в исследования и разработки.

Ограничения исследования

Для этого исследования существуют некоторые ограничения:

• Ограниченный доступ к закрытым данным: Метрики влияния на реализацию CPQ не могут быть на 100 % оценены для некоторых компаний из-за конфиденциального характера этих данных.
• Быстро развивающиеся технологии: Область ИИ, которую мы обсуждали, постоянно меняется, и могут возникнуть новые разработки, которые могут повлиять на выводы этого исследования.
• Фокус на существующей литературе: исследовательская работа в значительной степени основана на существующей литературе, в то время как дальнейшие исследования, включающие сбор первичных данных, включая опросы или тематические исследования, могут привести к более глубокому пониманию.

Заметки для будущих исследований

Это исследование указывает на несколько перспектив для будущих исследований:

• Исследования для долгосрочного воздействия: могут потребоваться дополнительные исследования для определения долгосрочного воздействия ИИ на системы CPQ и эффективность продаж.
• Реализации, специфичные для заинтересованных сторон: дополнительное исследование уникальных возможностей и проблем, создаваемых ИИ в CPQ в различных отраслях.
• Экспоненциально развивающиеся технологии: изучение того, как экспоненциально развивающиеся технологии за пределами ИИ (например, блокчейн, квантовые вычисления и т. д.) могут влиять на системы CPQ в будущих вариантах использования, будет поучительным.
• Последствия для регулирования: необходимо дальнейшее исследование того, как будущие правила в отношении ИИ и конфиденциальности данных могут повлиять на разработку систем CPQ и на то, как они будут развернуты в полевых условиях.

Выводы

ИИ трансформирует системы CPQ, позволяя компаниям достичь новых высот эффективности, точности и персонализации.

Решения CPQ на основе ИИ могут помочь организациям ускорить процессы продаж, улучшить качество обслуживания клиентов и увеличить доход.

Рост CPQ от простых конфигураторов до инструментов с поддержкой ИИ демонстрирует высокие требования к автоматизации, эффективности и персонализации в продажах.

ИИ может принципиально повысить эффективность продаж и увеличить доход за счет анализа данных клиентов и автоматизации рутинных задач для улучшения генерации лидов, расстановки приоритетов и конверсии.

В конечном итоге это приводит к повышению производительности продаж, повышению точности прогнозирования и повышению вовлеченности клиентов.

Несмотря на проблемы и ограничения, включая проблемы безопасности данных и потенциальную предвзятость алгоритмов, будущее ИИ в CPQ многообещающее. А дальнейшие разработки и инновации создадут еще большее преимущество в будущем.

Благодаря постоянному развитию и совершенствованию технологии ИИ мы можем ожидать еще более инновационного использования ИИ в CPQ, что продолжит революционизировать сферу продаж и стимулировать рост бизнеса.

Литература

1. Zuora. The evolution of CPQ software. Zuora. Эволюция программного обеспечения CPQ.
2. Junker, A., Felfernig, A., & Schmidt-Thieme, L. (2020). Knowledge-based systems for the Configure, Price, Quote (CPQ) process — A case study in the IT solution business. International Journal of Applied Knowledge Management, 8(2), 18–37. Системы на основе знаний для процесса Configure, Price, Quote (CPQ) — пример из бизнеса ИТ-решений.
3. Karnani, V., Machine Learning Applications in Enterprise Sales: From Lead Scoring to Revenue Forecasting. International Research Journal of Engineering and Technology, 12(2), 94-99. Приложения машинного обучения в корпоративных продажах: от оценки лидов до прогнозирования доходов. International Research Journal of Engineering and Technology, 12(2), 94–99
4. DealHub.io. (12.07.2023). The history of CPQ solutions. История решений CPQ.
5. CPQ Integrations. (10.05.2023). Intelligent quoting: How AI is transforming CPQ software. Интеллектуальное осмечивание: как ИИ преобразует программное обеспечение CPQ.
6. ACI Infotech. (20.11.2023). Boost sales ops with AI and Salesforce CPQ. Повышение эффективности продаж с помощью ИИ и Salesforce CPQ.
7. Karnani, B., Subscriptions as a Revenue Model: Evolution, Comparisons, and the Impact of Generative AI. International Journal of Computer Trends and Technology, 72(12). Подписки как модель дохода: эволюция, сравнения и влияние генеративного ИИ. Международный журнал компьютерных тенденций и технологий, 72(12)
8. Grazitti Interactive. (16.08.2023). AI-enhanced Salesforce CPQ: The new frontier in sales efficiency and precision. Улучшенный AI Salesforce CPQ: новый рубеж в эффективности и точности продаж.
9. A5 Corporation. (18.05.2023). CPQ solutions powered by AI capabilities. Решения CPQ на базе возможностей AI.
10. Salesforce. (14.11.2023). AI history: Salesforce. История AI: Salesforce