- ในขณะที่ทีมการตลาดส่วนใหญ่ยังคงอยู่กับการ ใช้เครื่องมือเดียวที่มี ChatGPT เป็นศูนย์กลาง นั้น SafetyCulture ได้นำ AI Agent ไปใช้ตลอดทั้งกระบวนการ GTM และสร้างผลลัพธ์เป็น คุณภาพลีดที่ดีขึ้น การสร้างโอกาสทางการขาย และการเพิ่มการใช้งานฟีเจอร์
- ภายใต้สภาพแวดล้อมที่มีผู้สมัครใช้งานฟรีจากทั่วโลกเพิ่มขึ้นอย่างรวดเร็ว บริษัทได้แก้ปัญหา การเติมข้อมูลลีดและการคัดลำดับความสำคัญ ด้วยการสร้าง workflow เติมข้อมูลลีดแบบขนานที่ขับเคลื่อนด้วย AI จนได้ความสมบูรณ์ของข้อมูลเกือบ 100%
- บริษัทออกแบบให้ AI ทำงานด้าน outbound แบบเฉพาะบุคคล (Auto BDR) โดยผสานข้อมูลจากหลายระบบ เช่น Salesforce, HubSpot และ ZoomInfo เพื่อสร้างข้อความที่ปรับให้เหมาะกับแต่ละราย และ เพิ่มทั้งการนัดประชุมและการสร้างโอกาสทางการขายอย่างมาก
- บริษัทสร้าง AI lifecycle engine ที่ผสานรูปแบบการใช้งานของลูกค้า ประเภทธุรกิจ และพฤติกรรมของลูกค้าที่คล้ายกัน เพื่อสร้าง คำแนะนำฟีเจอร์แบบเฉพาะบุคคลและข้อความมากกว่า 2,500 รูปแบบ ส่งผลให้อัตราการใช้งานฟีเจอร์เพิ่มขึ้น
- บริษัทสร้าง custom app layer ที่ขับเคลื่อนด้วย AI เพื่อรวมหลายระบบ GTM ไว้เป็นหนึ่งเดียว ทำให้ทีมขายและการตลาดเห็นข้อมูลทั้งหมดพร้อม ‘การดำเนินการถัดไป’ ได้ในหน้าจอเดียว และ เพิ่มอัตราเปลี่ยนจากลีดเป็นโอกาสทางการขายมากกว่า 25%
- AI Agent เปลี่ยนจากโหมดรันอัตโนมัติในระยะแรก ไปสู่โมเดลแบบผสมกับ copilot โดยทุก workflow ใหม่จะเริ่มในโหมด copilot ก่อน แล้วค่อยๆ เพิ่มระดับการทำงานอัตโนมัติ
AI Agent 1: การเติมข้อมูลลีดด้วย AI
- ลูกค้าของ SafetyCulture เข้ามาจากทั่วโลกในอุตสาหกรรมอย่างการผลิต ค้าปลีก ขนส่ง ก่อสร้าง และเหมืองแร่ ซึ่งไม่ใช่กลุ่มผู้ซื้อเทคโนโลยีแบบดั้งเดิม
- หากใช้แพลตฟอร์มเติมข้อมูลลีดเพียงตัวเดียว ก็มักมีปัญหาข้อมูลไม่พอหรือเก่าล้าสมัยอย่างรวดเร็ว
- บริษัทจึงสร้าง ระบบเติมข้อมูลลีดด้วย AI แบบไม่ยึดติดกับแพลตฟอร์ม ที่เรียกผู้ให้บริการข้อมูล 5 รายแบบขนาน (มีโครงสร้างคล้าย Clay แต่พัฒนาขึ้นเอง)
- workflow นี้ใช้แนวทาง waterfall ในการเรียกผู้ให้บริการตามลำดับ เลือกค่าที่น่าเชื่อถือที่สุดสำหรับแต่ละแอตทริบิวต์ และมี agent แยกต่างหากตรวจสอบข้อเท็จจริงจากข้อมูลสาธารณะ เช่น เว็บไซต์และ LinkedIn
- สำหรับลีดในสหรัฐฯ ระบบจะเรียก OSHA API เพื่อตรวจหาประวัติการละเมิดล่าสุด ทำความเข้าใจบริบทด้านความเสี่ยงในสถานที่ทำงาน และส่งสรุปพร้อมข้อมูลลีดไปยัง Slack
- ผลลัพธ์คืออัตราการเติมข้อมูลเกือบแตะ 100% ทำให้ทีม GTM และ AI BDR ระบุ ‘ลูกค้าที่เหมาะสม’ ได้เร็วขึ้นและตอบสนองได้ทันที
- คุณภาพข้อมูลคือรากฐานของทุก workflow AI และการตรวจสอบข้ามหลายแหล่งข้อมูลทำให้การปรับแต่งเฉพาะบุคคลทำได้แม่นยำ
AI Agent 2: AI Auto BDR
- การมีทีมใช้งานฟรีใหม่ปีละ 500,000 ทีมทำให้ปริมาณงานใหญ่เกินกว่าทีมขายจะรับมือไหว จึงเกิดปัญหา การจัดประเภทว่าลูกค้ารายใดเป็น high-fit ได้ยาก
- ในอดีตทีมขายต้องตรวจลีดและค้นคว้าทีละรายเพื่อเขียนข้อความแบบเฉพาะบุคคล แต่กระบวนการนี้ช้าและ ทำให้อัตราการตอบกลับลดลง
- บริษัทจึงนำ AI inbound BDR มาใช้เพื่อจัดการ outreach แบบเฉพาะบุคคล การตอบกลับโดยอิง knowledge base และการนัดประชุม
- ระบบผสานข้อมูลจาก Salesforce, HubSpot, ZoomInfo และ Redshift เพื่อวิเคราะห์สถานการณ์ ความตั้งใจ และประวัติการใช้งานของลีด จากนั้นเลือก customer case ที่เกี่ยวข้อง 2 รายการ สร้างอีเมลเฉพาะบุคคล และลงทะเบียนเข้า Gong Engage sequence โดยอัตโนมัติ
- ผลลัพธ์คือ อัตราการนัดประชุมเพิ่มขึ้น 3 เท่า และโอกาสทางการขายเพิ่มขึ้น 2 เท่า โดยเพื่อควบคุมต้นทุน บริษัทจะให้ AI ทำงานกับลีดที่มีความเหมาะสมสูงก่อน
- AI BDR ไม่ได้มีไว้เพื่อแทนที่งานขาย แต่มีหน้าที่ช่วยอุ่นเครื่องล่วงหน้าเพื่อให้ AE โฟกัสกับดีลได้เร็วขึ้น
- การรองรับหลายภาษามีประสิทธิภาพเป็นพิเศษในยุโรปและลาตินอเมริกา
AI Agent 3: การปรับแต่ง lifecycle ด้วย AI
- เหตุผลที่ลูกค้าใช้ SafetyCulture นั้นหลากหลายมาก ทั้งการตรวจประเมิน checklist การตรวจสอบ และข้อกำหนดด้านความปลอดภัย ทำให้ ข้อความแบบเดียวไม่สามารถตอบโจทย์ลูกค้าทุกคนได้
- เพื่อแก้ปัญหานี้ บริษัทจึงสร้าง recommendation engine ที่ขับเคลื่อนด้วย AI เพื่อแนะนำฟีเจอร์ที่เกี่ยวข้องโดยอิงจากพฤติกรรมของลูกค้าที่คล้ายกัน
- บน Databricks บริษัทใช้ RAG และ agent workflow เพื่อวิเคราะห์ข้อมูลการใช้งานผลิตภัณฑ์เชิงลึก และสร้าง use case หลักมากกว่า 300 แบบโดยอัตโนมัติ
- จาก use case เหล่านี้ ระบบจะจับคู่ชุดฟีเจอร์ที่เหมาะกับลูกค้าแต่ละราย และใช้ AI สร้างข้อความมากกว่า 2,500 เวอร์ชัน ก่อนเก็บไว้ใน Redshift และ Braze เพื่อใช้กับข้อความแบบเฉพาะบุคคล
- ส่งผลให้อัตราการใช้งานฟีเจอร์ใหม่เพิ่มขึ้น 10% และเมื่อมีการใช้งานผลิตภัณฑ์ลึกขึ้นก็ช่วย ปรับปรุง retention
- การเรียกใช้ AI แบบเรียลไทม์อาจมีความหน่วงเป็นบางครั้ง จึงตั้งค่าให้รันเป็นรอบและแคชผลไว้ เพื่อให้แพลตฟอร์มการตลาดเรียกใช้อ้างอิงได้ทันที
- ในหลายกรณี โมเดลขนาดเล็กอาจใช้งานได้จริงกว่ามากเมื่อดูจากสมดุลระหว่างความเร็วและต้นทุน เทียบกับ LLM ขนาดใหญ่
AI Agent 4: AI app layer แบบคัสตอมสำหรับการตลาด/การขาย
- แม้แต่ละระบบ GTM จะมีฟีเจอร์ AI ของตัวเอง แต่ก็ไม่ได้ออกแบบมาให้เหมาะกับผลิตภัณฑ์ของ SafetyCulture โดยเฉพาะ และทีมขายกับทีมการตลาดยังต้องสลับไปมาระหว่างหลายเครื่องมือเพื่อประกอบข้อมูลเข้าด้วยกัน
- บริษัทใช้ Retool สร้าง app layer ที่เน้น AI เป็นศูนย์กลาง ซึ่งให้ดูข้อมูลลูกค้าทั้งหมดและ ‘การดำเนินการถัดไป’ ได้ในหน้าจอเดียว
- มี 2 หน้าจอคือ lead console และ company viewer
- layer นี้รวมทุกอย่างไว้ในที่เดียว ทั้งข้อมูลลีด/ลูกค้า ข้อมูลเติมเต็มจาก AI บันทึกการโทรจาก Gong ข้อมูลการใช้งานจาก Amplitude การคาดการณ์ churn และการจัดเส้นทางลีด
- ระบบวิเคราะห์บันทึกการโทรของ Gong เพื่อสร้างสรุปแบบ SPICED โดยอัตโนมัติ และบันทึกลง Salesforce เพื่อทำ handoff จาก BDR ไปยัง AE แบบอัตโนมัติ
- AE สามารถใช้ฟังก์ชัน “ถามอะไรก็ได้เกี่ยวกับบัญชีนี้” เพื่อดูปริมาณการใช้งาน จำนวนทีมแบบชำระเงิน และแนวทาง outreach ที่แนะนำได้ทันที
- อัตราการเปลี่ยนจากลีดเป็นโอกาสทางการขายเพิ่มขึ้นมากกว่า 25% และด้วยระบบอัตโนมัติ BDR ประหยัดเวลาได้ราว 30 นาทีต่อหนึ่งโอกาส
- มากกว่า 80% ของทีมใช้งาน app layer นี้อย่างจริงจัง และประสิทธิภาพที่ดีขึ้นก็นำไปสู่การตอบสนองที่เร็วขึ้นและการมีส่วนร่วมกับลูกค้าที่ดีขึ้น
- AI ไม่จำเป็นต้องอยู่ในโหมดอัตโนมัติเต็มรูปแบบเสมอไปถึงจะมีคุณค่า เพราะ รูปแบบ copilot ก็ทรงพลังได้อย่างมาก
บทเรียนจากองค์กร GTM ที่ให้ AI มาก่อน
- SafetyCulture เริ่มจากการพิจารณาเส้นทางลูกค้า แล้วคัดก่อนว่า AI เหมาะจะให้ผลดีที่สุดในส่วนใดระหว่าง การระบุ การปรับให้เหมาะกับแต่ละบุคคล การคาดการณ์ การให้คำแนะนำ และการทำงานอัตโนมัติ
- ช่วงแรกบริษัทเน้นระบบอัตโนมัติเป็นหลัก แต่ตอนนี้ใช้โมเดลผสมระหว่าง copilot กับ automation และทุก workflow ใหม่จะเริ่มต้นในโหมด copilot
- ส่วนที่ยากที่สุดคือ การเข้าถึงข้อมูล ความปลอดภัย การรักษาโทนแบรนด์ และปัญหา hallucination ของ AI ในระยะแรก
- เนื่องจากมีลูกค้าจำนวนมากที่พึ่งพา SafetyCulture ในการทำงานภาคสนาม ความน่าเชื่อถือและความสม่ำเสมอจึงเป็นหัวใจสำคัญ
- บริษัทเน้นย้ำว่า สิ่งที่สร้างผลลัพธ์ไม่ใช่แค่การแจกจ่าย ChatGPT ให้ทีมใช้ แต่คือการค้นหาว่า AI ควรถูกนำไปใช้ตรงไหนใน workflow จริง
ยังไม่มีความคิดเห็น