Nästa bästa åtgärd med AI: så vet säljarna vad de ska göra nu

Nästa bästa åtgärd med AI betyder att ditt CRM väger ihop allt det vet om en kund eller en affär och föreslår det enda steg som har störst chans att föra affären framåt just nu. Det kan handla om att ringa i dag i stället för på fredag, att skicka offerten innan intresset svalnar eller att låta bli att mejla en kund som har ett öppet supportärende. I den här guiden går vi igenom hur tekniken fungerar, vilka data den behöver, var gränsen för automatik går enligt GDPR och hur du mäter om den faktiskt ger fler affärer.

Kort sagt

• Nästa bästa åtgärd (på engelska next best action) är en rekommendation som bygger på kunddata, signaler och affärsregler. Den svarar på frågan "vad är rätt steg för den här kunden, nu?".
• Tekniken är bara så bra som underlaget. Grunden är att kundhistorik, aktiviteter, offerter, order och ärenden finns samlade i ett och samma system.
• Låt AI föreslå och människan besluta. Då blir arbetet både smartare och enklare att hantera enligt GDPR.
• Mät affärsutfall, som bokade möten, vunna affärer och pipelinevärde. Antalet genererade förslag säger ingenting.
• Börja smått: ett säljflöde, tre till fem åtgärdstyper och en tydlig baslinje.

Innehållsförteckning

• Vad är nästa bästa åtgärd?
• Så fungerar det i praktiken
• Användning i sälj, marknad och kundservice
• Data och integrationer du behöver
• Ska AI agera själv eller bara föreslå?
• Så mäter du effekten
• Kom igång i fem steg
• Vår syn: AI ska göra säljarens dag enklare
• Testa nästa bästa åtgärd i ditt eget CRM
• Vanliga frågor
• Källor

Vad är nästa bästa åtgärd?

Varje säljare känner igen känslan. Listan med leads är lång, inkorgen fylls på och pipeline-vyn visar fyrtio öppna affärer. Var ska du börja? Svaret finns ofta redan i datan, men det är utspritt som nålar i en höstack: ett mejl som öppnades tre gånger, en offert som har legat oläst i tio dagar, ett supportärende som stängdes i går.

Nästa bästa åtgärd samlar de nålarna. Systemet jämför de möjliga stegen för en viss kund eller affär och rangordnar dem efter hur sannolikt det är att de leder till ett bra utfall. Resultatet blir ett konkret förslag: "Ring Anna på Byggpartner i dag, hon har tittat på offerten två gånger sedan i morse."

En viktig nyans: den bästa åtgärden ska vara bäst för kunden, inte bara för din försäljningsbudget. Ett merförsäljningsförslag till en kund som är mitt i ett irriterat supportärende är tekniskt sett en "åtgärd", men knappast den bästa. Bra modeller väger därför in hela relationen, inte bara nästa möjliga order.

Regler eller AI?

Tidiga system styrdes helt av regler. Om en kund har köpt produkt A men inte B, föreslå B. Om ett lead inte har svarat på sju dagar, skicka en påminnelse. Regler är tydliga och lätta att förstå, men de blir snabbt många, krockar med varandra och missar mönster som ingen har tänkt på.

AI-baserad nästa bästa åtgärd lär sig i stället av historiken. Modellen tittar på tidigare affärer, kundinteraktioner och vad som till slut hände, och hittar de mönster som brukar höra ihop med vunna affärer. I praktiken kombinerar de flesta lösningar båda: AI för att poängsätta och prioritera, regler för att sätta ramar. Det kan till exempel vara att en kund inte ska kontaktas mer än en gång per vecka eller att avtalsfrågor alltid går till ansvarig säljare.

Så fungerar det i praktiken

En rekommendation om nästa bästa åtgärd byggs i fyra lager. Det hjälper att förstå dem, eftersom det är där du som användare kan påverka kvaliteten.

1. Data. Allt systemet vet om kunden: kontaktuppgifter, bransch, köphistorik, öppna offerter, avtal, ärenden, möten och anteckningar.
2. Signaler. Det som händer just nu: ett öppnat mejl, ett besök på prissidan, ett missat samtal, en offert som har signerats eller ett avtal som snart löper ut.
3. Analys och poängsättning. Modellen värderar varje möjligt steg och sätter en sannolikhet eller poäng. Vilket steg har störst chans att leda till ett möte, en order eller en nöjd kund?
4. Handling. Förslaget dyker upp där du jobbar, i rätt ögonblick, och går att utföra med ett klick: ring, mejla, boka möte, skicka offert.

Det fjärde lagret underskattas ofta. En perfekt rekommendation i en rapport som ingen öppnar är värdelös. Värdet uppstår när förslaget kommer under eller direkt efter kundkontakten och när steget från förslag till handling är kort.

Signaler som brukar ge bra förslag

Tabellen visar också varför du behöver data från flera delar av verksamheten. Signalen kommer ofta från ett annat team än det som ska agera på den.

Användning i sälj, marknad och kundservice

Försäljning

Inom försäljning är nyttan mest direkt. AI kan prioritera dagens samtalslista, peka ut affärer som riskerar att glida iväg och hitta kunder där det finns utrymme för merförsäljning. För ett säljteam som kämpar med att stänga affärer handlar det ofta om tajming: rätt samtal på tisdag i stället för på torsdag kan vara skillnaden mellan en signerad order och ett "vi har valt en annan leverantör".

Ett typiskt flöde: ett lead fyller i ett formulär, systemet ser att företaget liknar dina bästa kunder och föreslår att säljaren ringer inom en timme. Efter samtalet föreslås nästa steg igen, till exempel att skicka en offert med de tjänster som diskuterades.

Marknadsföring

För marknadsföringen blir nästa bästa åtgärd ett sätt att anpassa budskap, kanal och tidpunkt efter varje mottagare. I stället för att samma nyhetsbrev går till alla kan systemet föreslå att en grupp får en inbjudan till ett webbinar, en annan ett kundcase och en tredje ingenting alls just den veckan. Kontaktregler är viktiga här, så att ingen kund får fyra utskick på tre dagar bara för att flera kampanjer råkar träffa samma person.

Kundservice

I kundservice kan förslaget handla om att lyfta ett ärende till en specialist, att erbjuda en utbildning när samma fråga kommer tillbaka gång på gång eller att tipsa säljaren om att kunden har vuxit ur sin nuvarande lösning. Kundservice är också den bästa bromsen: när ett ärende är öppet ska sälj och marknad veta om det.

Data och integrationer du behöver

Den vanligaste anledningen till att AI-rekommendationer blir dåliga är inte modellen. Det är datan. Om offerterna ligger i ett system, avtalen i ett annat, mejlen i Outlook och fakturorna i ekonomisystemet ser AI bara en bit av kunden åt gången.

Det här behöver finnas på plats:

• En samlad kundbild. Kontakter, företag, affärer, aktiviteter och anteckningar på ett ställe.
• Affärsdata. Offerter, order, avtal och helst fakturastatus, så att systemet vet vad kunden faktiskt har köpt.
• Aktivitetsdata. Samtal, mejl, möten och kampanjrespons, gärna loggade automatiskt så att säljarna slipper fylla i allt för hand.
• Ärendedata. Supportärenden och deras status.
• Historik med utfall. Vunna och förlorade affärer med anledning. Utan utfall har modellen inget att lära sig av.

Integrationer gör stor skillnad. När CRM pratar med ekonomisystemet, e-signeringen och kalendern fylls kundbilden på utan dubbelarbete. Notyfile har till exempel integrationer med Fortnox, Scrive, Microsoft 365 och Zapier, och modulerna för kundhantering, offert, order och avtal, e-signering, dialer, marknadsautomation och ärendehantering finns i samma plattform. Det betyder att signalerna redan finns där AI-assistenten letar.

Ett praktiskt råd: städa innan du automatiserar. Slå ihop dubbletter, se till att affärerna ligger i rätt skede och bestäm vilka fält som är obligatoriska. Två timmars datastädning ger ofta mer än två veckors finjustering av modellen.

Ska AI agera själv eller bara föreslå?

Det här är den viktigaste designfrågan, och svaret är sällan "allt automatiskt". Vi rekommenderar en tydlig trappa:

1. Föreslå. AI rekommenderar, säljaren bestämmer. Rätt nivå för allt som direkt rör kundrelationen.
2. Förbereda. AI skriver ett utkast till mejlet eller fyller i offerten, säljaren granskar och skickar.
3. Utföra. AI agerar själv, men bara i rutinuppgifter med låg risk, som att skapa en uppföljningsuppgift, logga ett samtal eller flytta ett lead till rätt person.

Medarbetaren ska kunna se varför ett förslag dyker upp och kunna justera eller avfärda det. Det bygger förtroende, och säljare som litar på förslagen använder dem.

Vad GDPR säger om automatiserade beslut

Det finns också en juridisk sida. Integritetsskyddsmyndigheten (IMY) beskriver att automatiserade individuella beslut med rättsliga eller liknande betydande följder som huvudregel är förbjudna enligt GDPR. Undantag finns bland annat när beslutet behövs för ett avtal, har stöd i lag eller bygger på uttryckligt samtycke. Den registrerade ska då få information om beslutsfattandet och en förklaring.

Samtidigt anger IMY i samma vägledning att när en AI-modell används som stöd och en fysisk person fattar själva beslutet är det som utgångspunkt inte ett automatiserat individuellt beslut. För de flesta säljflöden mellan företag, där AI föreslår ett samtal eller en uppföljning och säljaren bestämmer, är det just den modellen som gäller. Om du funderar på att låta AI på egen hand neka en kund kredit, villkor eller avtal, ta frågan med ert dataskyddsombud eller en jurist som är inriktad på dataskydd innan ni slår på funktionen.

Tänk också på vilka verktyg ni skickar kunddata till. IMY påpekar i sin vägledning om GDPR vid användning av generativ AI att generativa AI-modeller kan innehålla inlärda personuppgifter och att verksamheter bör sträva efter lösningar med inbyggt skydd för enskildas rättigheter. Att klistra in kundanteckningar i en fristående chattbot är något helt annat än att använda en AI-assistent som är inbyggd i ett GDPR-anpassat CRM.

Så mäter du effekten

AI i CRM är lätt att mäta på fel sätt. "Systemet gav 1 200 förslag i september" låter imponerande men säger ingenting om affären. Mät i stället förändringar i beteende och utfall:

• Mötesbokningsgrad. Andelen kontaktade leads som leder till ett bokat möte.
• Konvertering mellan skeden. Från lead till kvalificerad affär och från offert till order.
• Säljcykelns längd. Antal dagar från första kontakt till signerat avtal.
• Pipelinevärde och vinstandel. Värdet på öppna affärer och andelen som vinns.
• Följsamhet. Hur ofta säljarna följer förslagen, och hur det går när de gör det jämfört med när de inte gör det.

Det avgörande är att ha något att jämföra med. Mät nivån under en period innan ni slår på rekommendationerna, eller låt en del av teamet jobba som vanligt under en testperiod. Då kan du skilja effekten av AI från en ny kampanj, en stark säsong eller en ny stjärnsäljare. Arbetssättet med baslinjer och kontrollgrupper för AI i säljprocessen är samma tänk som används när AI-driven säljautomation införs i större projekt.

Räkna med att det tar några månader innan siffrorna säger något säkert, särskilt om ni har långa säljcykler. Utvärdera hellre en gång per kvartal än varje vecka.

Kom igång i fem steg

1. Välj ett flöde. Börja med det som gör mest ont, till exempel uppföljning av skickade offerter eller leads som blir liggande.
2. Definiera åtgärderna. Bestäm tre till fem typer av steg som systemet får föreslå: ring, mejla, boka möte, skicka offert, eskalera.
3. Samla datan. Koppla ihop CRM med ekonomisystem, e-post och kalender och städa bort dubbletter.
4. Sätt ramarna. Bestäm kontaktregler, vilka steg som kräver godkännande och vilka som får ske automatiskt.
5. Mät och justera. Mät nivån före start, följ utfallen och ta bort förslag som säljarna konsekvent ignorerar. De säger något viktigt.

Vår syn: AI ska göra säljarens dag enklare

Vi har byggt Notyfile som säljare för säljare, och det märks i hur vi ser på nästa bästa åtgärd. Vi tror inte på AI som tar över kundrelationen. Vi tror på AI som tar bort det tunga, så att du kan lägga tiden på samtalen som faktiskt flyttar affären framåt.

Därför har vi byggt in vår AI-assistent Naia direkt i plattformen i stället för att lägga den bredvid. Naia analyserar affärsmöjligheter, tolkar vad som händer i dina affärer, analyserar möten och ger rekommendationer som du själv tar ställning till. Naia kan också automatisera repetitiva uppgifter, så att uppföljningar och registrering inte faller mellan stolarna.

Vår erfarenhet är att det svåra sällan är tekniken. Det svåra är att få all kunddata på samma ställe. När kundhantering, offert, order och avtal, e-signering, dialer, marknadsautomation och support finns i ett och samma system ser AI hela kundresan, inte bara en bit av den. Det är där rekommendationerna blir riktigt bra.

Och vi vill att det ska kännas tryggt. Säkerhet och GDPR är inget tillval för oss, det är en förutsättning för att du ska våga använda AI på riktigt. Vi gör det tillsammans.

— Joakim

Testa nästa bästa åtgärd i ditt eget CRM

Vill du se hur det fungerar med dina egna affärer? Notyfile samlar kundhantering, försäljningsstöd, offerter, avtal, e-signering, dialer, marknadsautomation och ärendehantering i en plattform, med AI-assistenten Naia som hjälper dig att prioritera nästa steg.

Planerna kostar 149 kr, 299 kr, 599 kr och 749 kr per användare och månad (Essential, Ambition, Växa och Master), och för större organisationer tar vi fram skräddarsydda lösningar och integrationer. Jämför innehållet i varje nivå på vår prissida eller läs mer om Notyfile CRM.

Vanliga frågor

Vad är skillnaden mellan nästa bästa åtgärd och lead scoring?

Lead scoring rangordnar vilka leads som är mest intressanta. Nästa bästa åtgärd går ett steg längre och säger vad du ska göra med dem, och när. Ofta används poängen som en av flera ingångar i rekommendationen.

Behöver vi mycket data för att komma igång?

Ni behöver inte enorma mängder, men ni behöver ordning. Det som gör skillnad är avslutade affärer med tydligt utfall, både vunna och förlorade, och aktiviteter som loggas löpande. Viktigare än volymen är att datan finns samlad och är uppdaterad.

Är det tillåtet enligt GDPR att använda AI för att prioritera kunder?

Ja, i de flesta fall mellan företag, så länge ni har en rättslig grund för behandlingen och en människa fattar besluten. IMY anger att AI som stöd till en person som beslutar som utgångspunkt inte räknas som automatiserat individuellt beslutsfattande. Vid beslut med betydande följder för enskilda bör ni rådgöra med ert dataskyddsombud.

Ersätter AI säljarens magkänsla?

Nej. AI ser mönster i stora mängder data som ingen människa hinner gå igenom, men säljaren känner kunden. De bästa resultaten kommer när säljaren använder förslaget som underlag och lägger till sin egen kunskap.

Källor

• IMY: Automatiserat beslutsfattande
• IMY: GDPR vid användning av generativ AI

Rekommendationer

• AI-offertgenerering: från förfrågan till signerad offert
• AI i mötesbokning: så använder B2B-säljteam det smartast
• Säljchefer: 6–8 veckors test av AI säljcoachning i realtid med Naia
• Pilot 4–8 veckor med AI säljrekommendationer och Notyfile/Naia för B2B