AI फोरकास्टिंग: हाइप, रियलिटी, और किस पर भरोसा करें

हम जिस भी CRO को जानते हैं, उसे कम से कम तीन बार बेहतर फोरकास्ट का वादा किया जा चुका है। एक बार BI टूल से, एक बार वेटेड-पाइपलाइन मैथ से, और एक बार पिछली जनरेशन के प्रेडिक्टिव सॉफ़्टवेयर से। उनमें से ज़्यादातर वादे पूरे नहीं हुए। तो जब कोई वेंडर अब कहता है कि AI आखिरकार नंबर सही बैठाएगा, तो संदेह करना सही प्रतिक्रिया है। फोरकास्टिंग उन वजहों से मुश्किल है जो मॉडल बड़ा होने से खत्म नहीं होतीं।

लेकिन इसे पूरी तरह खारिज करना भी गलत है। AI कुछ खास तरीकों से फोरकास्टिंग को वाकई बेहतर बनाता है, और यह जानना ज़रूरी है कि वे कौन से तरीके हैं, "accuracy" का असल मतलब क्या होना चाहिए, और यह कैसे तय करें कि किसी दिए गए फोरकास्ट पर भरोसा किया जाए या नहीं।

फोरकास्टिंग क्यों मुश्किल है, और AI इसे क्यों नहीं बदलता

सेल्स फोरकास्ट उन मानवीय फैसलों के बारे में एक भविष्यवाणी है जो अभी तक लिए ही नहीं गए, ऐसी परिस्थितियों में जो शायद अभी अस्तित्व में भी न हों। यह भौतिकी से नियंत्रित किसी भी चीज़ की फोरकास्टिंग से अलग समस्या है।

सिग्नल पतला होता है। एक बड़ी B2B टीम भी हर क्वार्टर में सीमित संख्या में डील क्लोज़ करती है, जो किसी भी स्टैटिस्टिकल मॉडल के लिए छोटा सैंपल है, और हर डील की अपनी विचित्रताएं होती हैं। दुनिया लगातार बदलती रहती है: आपकी प्राइसिंग, आपका प्रोडक्ट, आपके कॉम्पिटिटर्स, और मार्केट, सब कुछ ट्रेनिंग डेटा इकट्ठा होने के बाद से बदल चुका है, इसलिए पिछले साल की डील्स पर ट्रेन किया गया मॉडल एक ऐसे गेम की फोरकास्टिंग कर रहा है जिसके नियम बदल चुके हैं। डेटा खुद इंसेंटिव्स से करप्ट होता है। रेप्स सैंडबैग करते हैं और हैप्पी-ईयर होते हैं, ऐसे तरीकों से जो प्रेडिक्टेबल तो हैं लेकिन मॉडल करना मुश्किल है, और उस डेटा पर ट्रेन किया गया कोई भी AI उस बायस को विरासत में पाता है। और जो डील्स अचानक फेल हो जाती हैं या नंबर से आगे निकल जाती हैं, वे अक्सर वही होती हैं जिनकी कोई पैटर्न भविष्यवाणी नहीं कर पाता।

इनमें से कुछ भी खत्म नहीं होता। जो कोई भी AI फोरकास्ट को "आखिरकार सटीक" बताकर बेचता है, वह ओवरप्रॉमिस कर रहा है। AI जो कर सकता है वह है वेटेड पाइपलाइन और गट फील से काफी बेहतर होना। यह एक वास्तविक सुधार है, लेकिन फिर भी यह एक फोरकास्ट ही है।

AI असल में कहां मदद करता है

इन सीमाओं के भीतर, पुराने तरीकों की तुलना में चार ठोस फायदे हैं।

यह कहीं ज़्यादा सिग्नल इस्तेमाल करता है। डील स्टेज और रेप द्वारा एंटर की गई क्लोज़ डेट के बजाय, एक मॉडल ईमेल रिस्पॉन्सिवनेस, मीटिंग फ्रीक्वेंसी, कितने स्टेकहोल्डर्स एंगेज हैं, प्रोडक्ट यूसेज, और मोमेंटम बन रहा है या घट रहा है, यह सब खींच सकता है। यह वही व्यापक परसेप्शन है जो AI को रेवेन्यू सिग्नल पढ़ने में मदद करता है जो इंसान मिस कर जाते हैं, बस अब यह प्रेडिक्शन की तरफ मुड़ा हुआ है।

यह कंसिस्टेंट है। मॉडल हर डील पर, हर हफ्ते, एक जैसा लॉजिक लगाता है। यह क्वार्टर के आखिरी पांच दिनों में ऑप्टिमिस्टिक नहीं होता या किसी बुरी हार के बाद उदास नहीं होता। यह अकेले ही मानवीय गलती की एक पूरी कैटेगरी हटा देता है।

अच्छे मॉडल खुद को एक्सप्लेन करते हैं। एक उपयोगी AI फोरकास्ट फ्लैग करता है कि कौन सी डील्स रिस्क बढ़ा रही हैं और किन सिग्नल्स ने किसी डील के ऑड्स को बदला, ताकि नंबर एक वर्डिक्ट के बजाय एक डायग्नोसिस बन जाए।

और यह लगातार अपडेट होता रहता है। सोमवार की कॉल के लिए इकट्ठा किए गए साप्ताहिक स्नैपशॉट के बजाय, नए सिग्नल्स आने पर फोरकास्ट फिर से आकलन करता है, जिससे रिस्क पहले ही दिख जाता है।

सब मिलाकर, फोरकास्ट एक रिपोर्ट होना बंद कर देता है और एक अर्ली-वार्निंग सिस्टम की तरह काम करने लगता है। नंबर से ज़्यादा मायने रखता है बदलाव का पैटर्न और उसके पीछे का डील-लेवल रीज़निंग।

Accuracy पर ऑब्सेस करना गलत बात है

टीमें इस बात पर फिक्स रहती हैं कि प्रेडिक्टेड नंबर एक्चुअल के कितना करीब बैठा। यह मायने रखता है। लेकिन सिर्फ इसी के पीछे भागना एक जाल है, दो वजहों से।

एक फोरकास्ट गलत वजहों से सटीक हो सकता है, जहां एरर्स संयोग से एक-दूसरे को कैंसिल कर देते हैं। यह उपयोगी तरीकों से गलत भी हो सकता है। अगर मॉडल फ्लैग करता है कि कोई डील स्लिप होने वाली है और टीम मेहनत करके उसे बचा लेती है, तो नतीजा बदल गया और प्रेडिक्शन "फेल" हो गई। यह एक अच्छा फोरकास्ट है जिसका स्कोर खराब है।

जो प्रॉपर्टीज़ ज़्यादा मायने रखती हैं वे हैं calibration और actionability। Calibration का मतलब है कि जब मॉडल 70 प्रतिशत कहता है, तो वे डील्स लगभग 70 प्रतिशत बार ही क्लोज़ होती हैं। एक मॉडल जो अपनी अनिश्चितता के बारे में ईमानदार है, वह उस कॉन्फिडेंट मॉडल से ज़्यादा मूल्यवान है जो कभी-कभी बहुत गलत होता है। Actionability का मतलब है कि फोरकास्ट आपको बताता है कि नतीजा बदलने के लिए काफी जल्दी कहां दखल देना है।

तो किसी AI फोरकास्ट को इस आधार पर परखें कि क्या वह ईमानदार है इस बारे में कि उसे क्या नहीं पता, और क्या यह आपको जल्दी एक्शन लेने पर मजबूर करता है। एक मॉडल जो अपना कॉन्फिडेंस और अपना रीज़निंग दिखाता है, वह ऐसा मॉडल है जिसे आप गवर्न कर सकते हैं, जो रेवेन्यू AI को जवाबदेह बनाए रखने का पूरा मकसद है।

भरोसा करना है या नहीं, यह कैसे तय करें

पूरा क्वार्टर इस पर दांव पर लगाने से पहले कुछ टेस्ट कर लें।

Calibration डेटा मांगें। क्या वेंडर समय के साथ predicted-versus-actual probabilities ट्रैक करता है? अगर वे आपको यह नहीं दिखा सकते, तो सावधान रहें। ज़्यादातर नहीं दिखा सकते।

सिर्फ नंबर नहीं, रीज़निंग देखें। एक भरोसेमंद फोरकास्ट बताता है कि कौन सी डील्स और सिग्नल्स इसे ड्राइव करते हैं। एक अस्पष्ट नंबर एक ब्लैक बॉक्स है जिसे आप मैनेज नहीं कर सकते, और आमतौर पर यह इस बात का संकेत है कि AI एक ऐसे सिस्टम पर बोल्ट किया गया है जो पर्याप्त डेटा नहीं देख पाता।

यह चेक करें कि फैसला अब भी किसी इंसान के हाथ में है। फोरकास्ट CRO के जजमेंट के लिए एक इनपुट है। कमिट अब भी CRO ही करता है। यह ह्यूमन-इन-द-लूप मॉडल का सबसे सीधा रूप है: AI जानकारी देता है, इंसान फैसला लेता है।

और इसे कुछ साइकल दें। इसे अपनी मौजूदा प्रक्रिया के साथ-साथ चलाएं, तुलना करें, और इसे उसी तरह विश्वसनीयता कमाने दें जैसे आप किसी नए सेल्स मैनेजर से उम्मीद करते हैं। कोई भी फोरकास्टिंग सिस्टम, चाहे AI हो या न हो, पहले ही दिन भरोसे का हकदार नहीं होता।

मुख्य बातें

• फोरकास्टिंग संरचनात्मक रूप से मुश्किल है (पतला, बायस्ड, नॉन-स्टेशनरी डेटा) और AI उन सीमाओं को हटाए बिना इसे बेहतर बनाता है।
• असल फायदे हैं सिग्नल की व्यापकता, कंसिस्टेंसी, डील-लेवल एक्सप्लेनेशन, और लगातार अपडेट। फोरकास्ट को स्कोरबोर्ड नहीं बल्कि अर्ली-वार्निंग सिस्टम के रूप में देखें।
• Calibration और actionability, raw accuracy से बेहतर हैं। एक फोरकास्ट जो आपको उस डील को बचाने में मदद करता है जिसके बारे में उसने कहा था कि आप हारेंगे, वह अपना काम कर रहा है।
• उस फोरकास्ट पर भरोसा करें जो अपना calibration रिकॉर्ड दिखाता है, अपना रीज़निंग एक्सप्लेन करता है, और आखिरी फैसला किसी इंसान पर छोड़ता है। फिर इस पर निर्भर होने से पहले इसे कुछ साइकल दें।

साफ नज़र से इस्तेमाल किया जाए, तो AI फोरकास्टिंग वेटेड पाइपलाइन और इंस्टिंक्ट से एक वास्तविक अपग्रेड है, क्योंकि यह रिस्क को पहले देखता है और हम में से किसी से भी ज़्यादा कंसिस्टेंटली रीज़न करता है। अगर आप एक ऐसा फोरकास्ट चाहते हैं जो अपना काम दिखाए और आपको बताए कि कहां एक्शन लेना है, तो यही वह समस्या है जिसके इर्द-गिर्द Revnewo बनाया गया है।