AI ในงานขาย: ผู้ผลิตเครื่องจักรเพิ่มกำไรด้วยข้อมูล

การประยุกต์ใช้ AI ในงานขายและการตั้งราคา (Pricing) ช่วยให้ผู้ผลิตเครื่องจักรและอุปกรณ์อุตสาหกรรมเพิ่มกำไรได้จริงโดยไม่ต้องพึ่งพาความรู้สึก ระบบสามารถวิเคราะห์ข้อมูลเพื่อหาเป้าหมายลูกค้าใหม่ บริหารงานบริการหลังการขาย (Aftersales) จากฐานเครื่องจักรเดิม และตั้งราคาโครงการได้อย่างแม่นยำภายในเวลาไม่กี่สัปดาห์

Table of Contents

• ตัวอย่างจากใช้งานจริง: 3 จุดเปลี่ยนสำคัญในงานขาย
• AI ขับเคลื่อนด้วยกระบวนการ ไม่ใช่แค่ ‘Stand-alone-Tool’
• ทางสายกลาง: โครงสร้างชัดเจน แต่ไม่ใช่โปรเจกต์ยักษ์
• ความเร็วคือหัวใจของกลยุทธ์

การตัดสินใจด้านการขายที่พึ่งพาสัญชาตญาณหรือข้อมูลที่ไม่ครบถ้วนภายใต้ความกดดันด้านเวลา อาจทำให้ผู้ผลิตเครื่องจักรสูญเสียโอกาสทางธุรกิจและส่วนแบ่งตลาดไปอย่างน่าเสียดาย เครื่องมือปัญญาประดิษฐ์ (AI) จึงเข้ามาเปลี่ยนเกมด้วยการวิเคราะห์ข้อมูลลูกค้า ตลาด และราคาจำนวนมหาศาล เพื่อเปลี่ยนการคาดเดาให้เป็นการจัดลำดับความสำคัญที่อิงข้อมูลจริง ซึ่งช่วยเพิ่มความสามารถในการทำกำไรได้อย่างเป็นรูปธรรม

ในอุตสาหกรรมเครื่องจักร AI มักถูกนึกถึงในบริบทของระบบอัตโนมัติในสายการผลิตก่อนเป็นอันดับแรก แต่แท้จริงแล้ว ศักยภาพของเทคโนโลยีนี้ในแผนกขายก็มีมหาศาลไม่แพ้กัน เพราะการตัดสินใจที่รวดเร็วและแม่นยำยิ่งขึ้นจะแปรเปลี่ยนเป็นผลกำไรโดยตรง ความรวดเร็วนี้เกิดขึ้นได้อย่างไร? ปัจจุบันเครื่องมือ AI ทันสมัยสามารถติดตั้งและใช้งานได้ภายในไม่กี่สัปดาห์ ไม่ต้องรอโปรเจกต์ IT ที่กินเวลานานหลายเดือน และพร้อมให้ผลลัพธ์ที่นำไปใช้งานได้ตั้งแต่เริ่มต้น

ทีมขายที่ใช้เครื่องมือวิเคราะห์ศักยภาพตลาดสามารถรู้ได้ภายในไม่กี่วันว่าควรติดต่อลูกค้าเป้าหมายรายใดก่อน ย่อมเข้าถึงตลาดได้เร็วกว่าคู่แข่งที่ต้องรอผลการวิจัยตลาดนานหลายเดือน เครื่องมือเหล่านี้ทำหน้าที่ปูรากฐานและชี้เป้าหมายให้ชัดเจน แต่สิทธิ์ขาดในการตัดสินใจขั้นสุดท้ายยังคงเป็นของมนุษย์

ตัวอย่างจากใช้งานจริง: 3 จุดเปลี่ยนสำคัญในงานขาย

การนำ AI มาใช้ในงานขายสำหรับอุตสาหกรรมเครื่องจักรและวิศวกรรมโรงงาน สามารถสร้างความเปลี่ยนแปลงผ่านกลไกหลักต่อไปนี้:

1. เผยศักยภาพตลาดที่ซ่อนอยู่ ผู้ผลิตระบบทำความร้อนและปรับอากาศรายหนึ่งมีภาพรวมของตลาดที่ไม่สมบูรณ์นัก พวกเขาไม่แน่ใจว่ามีผู้ติดตั้งและผู้ค้าส่งรายใดบ้างที่ยังดำเนินธุรกิจอยู่ และรายใดที่ยังไม่ได้เป็นลูกค้า การใช้ AI วิเคราะห์แหล่งข้อมูลทั้งภายในและภายนอกโดยอัตโนมัติ ทำให้บริษัทได้ภาพรวมตลาดที่ครอบคลุมและอัปเดตอย่างต่อเนื่อง ระบบสามารถระบุตัวผู้ติดตั้งได้กว่า 16,000 ราย และผู้ค้าส่งเฉพาะทางอีกราว 280 ราย เมื่อนำไปเทียบกับฐานข้อมูลในระบบ CRM บริษัทพบธุรกิจกว่า 14,000 แห่งที่ยังไม่เคยถูกบันทึกไว้ ซึ่งกลายเป็นเป้าหมายการขายชั้นดีในทันที

2. ขับเคลื่อนฐานเครื่องจักรติดตั้ง (Installed Base) เชิงรุก ผู้ผลิตเครื่องจักรและอุปกรณ์ที่มีเครื่องจักรติดตั้งใช้งานอยู่หลายพันเครื่อง ขาดความโปร่งใสและโครงสร้างข้อมูลที่อัปเดตเกี่ยวกับงานบริการ ข้อมูลอายุและสถานที่ตั้งของเครื่องจักรถูกเก็บแยกจากประวัติการสั่งซื้ออะไหล่และงานซ่อมบำรุง หลังจากการปรับปรุงและเชื่อมโยงข้อมูล ระบบ AI ได้เข้ามาวิเคราะห์อายุเครื่องจักร ประเภท อัตราการใช้งาน ระดับเทคโนโลยี รวมถึงประวัติการบริการทั้งหมด เพื่อประเมินความต้องการงานบริการของเครื่องจักรแต่ละเครื่อง จากนั้นระบบจะสร้าง ‘Huntinglist’ ที่จัดลำดับความสำคัญอย่างชัดเจน พร้อมสร้างข้อเสนอแนะอัตโนมัติ เปลี่ยนจากแค่การจัดการรายชื่อลูกค้าแบบเดิมๆ สู่การทำยอดขาย Aftersales เชิงรุก

3. การตั้งราคาที่รวดเร็วและอธิบายได้ ในธุรกิจแบบโปรเจกต์ที่มีการเสนอราคาเฉพาะเจาะจง การกำหนดราคามักขึ้นอยู่กับประสบการณ์ส่วนบุคคลของพนักงานขาย แนวทาง ‘Peer-Pricing’ ด้วย AI จะทำการค้นหาข้อมูลในอดีตที่คล้ายคลึงกับคำขอใหม่โดยอัตโนมัติ เพื่อคำนวณหาช่วงราคาและราคาเป้าหมายที่เหมาะสมตามหลักสถิติ พร้อมแนบกรณีอ้างอิงเพื่อเป็นเหตุผลประกอบ ทำให้การเสนอราคามีความโปร่งใสและตรวจสอบได้

AI ขับเคลื่อนด้วยกระบวนการ ไม่ใช่แค่ ‘Stand-alone-Tool’

จุดที่น่าสนใจจากทั้ง 3 ตัวอย่างข้างต้นคือ ภาระงานทางเทคนิคที่ใช้จริงนั้นต่ำมาก ในทางปฏิบัติ โปรเจกต์ AI ในอุตสาหกรรมเครื่องจักรมักไม่ได้ล้มเหลวเพราะข้อบกพร่องของอัลกอริทึม แต่ล้มเหลวเพราะเหตุผลเหล่านี้:

• ขาดการยอมรับจากทีมขาย
• ความรับผิดชอบในกระบวนการทำงานไม่ชัดเจน หรือ
• ขาดการผสานรวมเข้ากับระบบ CRM และ ERP ที่มีอยู่เดิม

AI จะทำงานได้ดีที่สุดเมื่อถูกฝังเข้าเป็นส่วนหนึ่งของตรรกะการบริหารงานขาย โดยต้องมีการกำหนดผู้รับผิดชอบด้านการดูแลข้อมูลอย่างชัดเจน และผู้บริหารต้องผลักดันให้เกิดการใช้งานจริง

ทางสายกลาง: โครงสร้างชัดเจน แต่ไม่ใช่โปรเจกต์ยักษ์

ปัจจุบันเรามักเห็นองค์กรใช้งาน AI แบบสุดโต่งใน 2 ทิศทาง: ฝั่งหนึ่งคือการทำ ‘Amateur-Prompting’ แบบไม่มีโครงสร้างบน ChatGPT และเครื่องมืออื่นๆ โดยขาดกระบวนการและระบบควบคุมคุณภาพ ส่วนอีกฝั่งคือการลงทุนในโปรเจกต์ขนาดใหญ่ เช่น การสร้างโมเดล GPT เฉพาะของบริษัท หรือระบบควบคุมอัตโนมัติ ซึ่งผลาญเวลาและงบประมาณมหาศาลกว่าจะเห็นผลลัพธ์

สำหรับงานขาย ทางสายกลางคือคำตอบที่ดีที่สุด นั่นคือการใช้โซลูชันที่เพรียวลมแต่มีโครงสร้างชัดเจน และออกแบบมาเพื่อแก้ปัญหาเฉพาะจุด เช่น ศักยภาพตลาด กลุ่มลูกค้าเป้าหมาย หรือการตั้งราคาแบบไดนามิก ในทางปฏิบัติ แนวทาง 5 ขั้นตอนต่อไปนี้พิสูจน์แล้วว่าได้ผล: เริ่มต้นจากการทำ AI Audit เพื่อหาจุดที่สร้างผลกระทบได้มากที่สุด จากนั้นจัดลำดับความสำคัญของ Use Cases ตามผลประโยชน์และสถานะข้อมูล พัฒนาและทดสอบตัวต้นแบบ (Prototype) ผสานโซลูชันเข้ากับกระบวนการและกำหนดผู้รับผิดชอบ ก่อนจะต่อยอดและขยายผลอย่างยั่งยืน โดยเมื่อจบแต่ละเฟส ผู้บริหารสามารถตัดสินใจได้อย่างชัดเจนว่า จะเดินหน้า ปรับปรุง หรือยุติโครงการ

ความเร็วคือหัวใจของกลยุทธ์

ผู้ที่เริ่มนำเครื่องมือ AI ซึ่งปรับแต่งด้วยข้อมูลขององค์กรมาใช้จัดการศักยภาพตลาด (ทั้งหาลูกค้าใหม่และดูแลฐานลูกค้าเดิม) รวมถึงบริหารการตั้งราคาตั้งแต่วันนี้ จะสร้างความได้เปรียบที่คู่แข่งแบบดั้งเดิมไม่สามารถไล่ตามได้ทัน

เพียงแค่เริ่มต้นจากการสำรวจสิ่งที่มีอยู่: ข้อมูลลูกค้า เครื่องจักร และบริการ ถูกจัดเก็บไว้ที่ไหน? ข้อมูลสมบูรณ์แค่ไหน? และมีกระบวนการตัดสินใจใดบ้างในแต่ละวันที่เครื่องมือ AI จะเข้าไปเปลี่ยนผลลัพธ์ได้จริง? ผู้ที่ก้าวเดินในก้าวแรกนี้ จะสัมผัสได้ถึงผลกำไรที่เพิ่มขึ้นจากการใช้ AI ในงานขายและการตั้งราคา และสามารถมองเห็นช่องทางใหม่ๆ ในการต่อยอดได้อย่างรวดเร็ว

MM
Gregor Buchwald และ Prof. Dr. Oliver Roll, Managing Partner จาก Prof. Roll & Pastuch