एक सेल्स टीम सब कुछ सही कर सकती है, फिर भी तिमाही के लक्ष्य से चूक सकती है, खासकर तब जब आउटबाउंड में काम तो बहुत हो रहा हो लेकिन मीटिंग्स कम हो रही हों। एक उदाहरण लेते हैं: मिड-मार्केट B2B टीम महीने में 12,000 आउटबाउंड ईमेल भेजती है और 28 मीटिंग्स बुक करती है। वे AI राइटिंग का इस्तेमाल करके तेज़ी से ईमेल भेजते हैं और संख्या 14,000 तक पहुँच जाती है, लेकिन मीटिंग्स की संख्या में कोई खास बढ़ोतरी नहीं होती। असली जीत तेज़ी से टाइप करने में नहीं है। असली जीत AI का इस्तेमाल करके उन फैसलों को बेहतर बनाने में है जिनसे मीटिंग्स और क्वालिफाइड पाइपलाइन बनती है।
आगे बढ़ने से पहले, यह पता लगाएँ कि आपके आउटबाउंड प्रोसेस में कहाँ कमी आ रही है।
जाल AI को सिर्फ़ कॉपी मशीन समझने से वॉल्यूम तो बढ़ता है, लेकिन काम की चीज़ें (relevance) नहीं। बिना सही टारगेटिंग और सीक्वेंसिंग के वॉल्यूम बढ़ाने से जवाब की क्वालिटी गिर सकती है और डोमेन खराब हो सकते हैं।
जेनेरिक आउटबाउंड इसलिए फेल होती है क्योंकि लिस्ट से मीटिंग तक की चेन में एक भी कमज़ोर कड़ी पूरी चेन को तोड़ देती है। आम गलतफहमी यह है कि मैसेजिंग ही मुख्य समस्या है। मैसेजिंग मायने रखती है, लेकिन टारगेटिंग और रिसर्च के फैसले ही परफॉर्मेंस की सीमा तय करते हैं।
जब AI मदद करता है, तो वह आमतौर पर उन पाँच जगहों में से किसी एक पर मदद करता है जो सीधे पाइपलाइन से जुड़ी होती हैं।
आउटबाउंड एक सिस्टम है। हर स्टेप अगले स्टेप को काम सौंपता है, और AI आपकी मौजूदा ज़रूरतों के हिसाब से अलग-अलग स्टेप्स में मदद कर सकता है। उन इनपुट्स के बारे में सोचें जिन्हें आप कंट्रोल करते हैं और उन नतीजों के बारे में जिन्हें आप मापते हैं।
आप रिसर्च किए गए अकाउंट्स, पर्सनलाइज़ेशन कवरेज और पहले संपर्क पर जवाब की दर जैसे शुरुआती इंडिकेटर्स को बेहतर बनाने की कोशिश कर रहे हैं, साथ ही बाउंस रेट और अनसब्सक्राइब रेट जैसे डायग्नोस्टिक्स को भी ठीक रख रहे हैं। बाद में मिलने वाला नतीजा पाइपलाइन का निर्माण और फिर रेवेन्यू होता है।
डेटा से मीटिंग तक के अपने मौजूदा फ्लो का मैप बनाएँ ताकि आप देख सकें कि AI कहाँ फिट बैठता है।
AI के सभी इस्तेमाल के तरीके एक जैसे नहीं होते। कुछ कम जोखिम के साथ मेहनत कम करते हैं। वहीं, अगर आप बहुत जल्दी ऑटोमेशन लागू करते हैं, तो कुछ तरीकों से नियमों के पालन (compliance) या सटीकता (accuracy) से जुड़ी समस्याएँ हो सकती हैं।
AI का इस्तेमाल सबसे पहले वहाँ करें जहाँ गलतियों का असर कम हो और उन्हें रिव्यू करना आसान हो, फिर ज़्यादा जोखिम वाले ऑटोमेशन की ओर बढ़ें।
अपनी टीम के संदर्भ में फ़ायदों और नुकसान (tradeoffs) को साफ़ तौर पर समझें।