KONE: Myyntisyklin lyhentäminen generatiivisen tekoälyn ja uudistettujen lean-prosessien avulla.

KONE, maailman johtava hissi- ja liukuporrasalan toimija, saa viikoittain runsaasti myynti- ja tarjouspyyntöjä urakoitsijoilta, toimittajilta ja asiakkailta. Asiakkaat etsivät oikeanlaista laitteistoa parhaaseen mahdolliseen hintaan tiukoissa aikatauluissa, ja kun panoksena ovat merkittävät investoinnit, päätösten on oltava sekä nopeita että hyvin perusteltuja.

Tämä tekee myyntiprosessista monimutkaisen: mukana on paljon ihmisiä ja vastuunvaihdoksia, mikä pidentää läpimenoaikoja. Tarjouksen koostaminen voi kestää viikoista jopa kuukausiin kaikkein vaativimmissa tapauksissa.

Asiakaskyselyt saapuvat monessa muodossa (sähköpostit, puhelut, viestit), eikä tietorakenne ole standardoitu. KONEn myyntiasiantuntijoiden on siksi käytävä läpi ja poimittava monimutkaista teknistä tietoa tarjousasiakirjoista, jotka ovat tyypillisesti yli sadan sivun mittaisia.

Prosessi vaatii paljon käsityötä: faktojen ja toimialastandardien varmistamista sekä useita tarkistuskierroksia eri asiantuntijoiden kanssa. Kaikki tämä vie aikaa pois siitä, mikä on tärkeintä: asiakkaan kanssa työskentelystä parhaan mahdollisen ratkaisun löytämiseksi.

Tavoitteena oli selkeyttää ja nopeuttaa monivaiheista tarjousprosessia hyödyntämällä generatiivista tekoälyä ja lean-ajattelua. Aloitimme tunnistamalla työn suurimmat haasteet ja käynnistimme kokeilun, jossa testasimme, voisiko tekoäly auttaa poimimaan olennaisen tiedon hissi- ja liukuporrasliiketoiminnan tarjousasiakirjoista.

Kokeilu osoitti nopeasti sekä teknisen toteutettavuuden että liiketoimintahyödyn: aikaa vievää käsityötä voitiin automatisoida ilman, että laatu kärsi. Tämän pohjalta siirryimme iteratiiviseen kehitykseen ja rakensimme ratkaisun, josta tuli TenderLens.

Kehitystyö eteni lyhyissä sykleissä. Testasimme jatkuvasti ratkaisun tarkkuutta ja vaikutuksia sekä loimme arviointimallin, jonka avulla pystyttiin mittaamaan kehitystä vaiheittain. Työskentelimme tiiviisti KONEn myyntitiimien kanssa ja keräsimme palautetta jokaisessa vaiheessa, jotta ratkaisu pysyi aidosti hyödyllisenä arjessa.

Generatiivisen mallin hienosäätö tehtiin aluksi käsin. Syötteitä ja vastauksia käytiin huolellisesti läpi, kunnes datatiimi tunnisti tavan pilkkoa ongelma hallittaviin osiin. Tämä mahdollisti sen, että tekoäly osasi kohdistaa huomionsa juuri oikeaan tietoon.

Lopputuloksena syntyi ihmisen ja tekoälyn yhteistyöhön perustuva toimintamalli. Tekoäly automatisoi suuren osan rutiinityöstä, mutta myyntitiimi tarkistaa ja täydentää tulokset tarvittaessa. Näin varmistetaan sekä tehokkuus että laatu.

Ratkaisun tuli toimia osana KONEn arkea, ei sen rinnalla. Siksi integroimme TenderLensin osaksi olemassa olevia järjestelmiä: tarjouslaskentaan käytettyyn CPQ-järjestelmään ja asiakkuuksien hallintaa tukevaan CRM-järjestelmään. Tuloksena syntyi yhtenäinen ketju, jossa tekoälyn poimima tieto siirtyy suoraan myynnin käyttöön – ilman manuaalista työtä.

Koko kehitystyön ajan panostimme käyttökokemukseen. Haastattelimme myyntitiimejä säännöllisesti ymmärtääksemme, miten he haluavat tiedon esitettävän, mitkä ominaisuudet tukevat heidän työtään ja mikä saa uuden työkalun oikeasti käyttöön. Sillä teknologia ei luo arvoa, ellei sitä käytetä. UX-työn rinnalla tuimme myös muutosta itse toimintatavoissa. TenderLens ei ollut vain tekninen ratkaisu, vaan osa laajempaa prosessimuutosta – siksi käyttäjien näkökulma ohjasi työtä alusta asti.

TenderLens lähti liikkeelle kunnianhimoisesta visiosta: lyhentää myyntisyklejä päivistä tai jopa kuukausista tuntien mittaisiksi. Jo alkuvaiheen käyttöönoton jälkeen ratkaisu alkoi vaikuttaa selvästi. Myyjät raportoivat ajansäästöä useita tunteja per asiakirja. Tämä vapautti aikaa tehtäviin, jotka vaativat harkintaa ja asiantuntemusta, kuten monimutkaisempiin tuotekonfiguraatioihin, asiakassuhteiden rakentamiseen ja kauppojen viimeistelyyn.

Myös tarkkuus parani merkittävästi. Järjestelmä ylsi yli 90 prosentin tarkkuuteen tietojen poiminnassa asiakirjoista, mikä vähensi inhimillisiä virheitä ja varmisti tasalaatuisen datan. Tämä nopeutti asiakirjojen tarkistusprosessia ja paransi tiedon luotettavuutta myös seuraavissa prosessivaiheissa.

Kustannusten näkökulmasta uusimpien GPT-4-mallien hyödyntäminen mahdollisti vankan ratkaisun nopean toteutuksen ilman kallista, räätälöityä mallikehitystä. Viimeisen 12 kuukauden aikana näiden mallien käyttökustannukset ovat laskeneet lähes 80 prosenttia. Tämä johtuu pitkälti tekoälyn nopeasta kehityksestä, joka on parantanut kustannustehokkuutta ilman erillisiä optimointitoimia.

TenderLens on myös luonut vahvan perustan tekoälykokeiluille ja tehokkuuden jatkokehittämiselle, tuoden KONEelle pitkän aikavälin arvoa. Ratkaisu on suunniteltu joustavaksi, joten sitä voidaan laajentaa eri markkina-alueille ja mukauttaa käsittelemään uusia asiakirjatyyppejä. Näin KONE voi alkaa hyödyntää tekoälyä entistä laajemmin myyntiprosessin eri vaiheissa.

Käyttäjäpalaute on ollut erittäin myönteistä: pilotissa työkalun helppokäyttöisyys arvioitiin tasolle 4,3/5. KONEn asiakasrajapinnassa työskentelevät asiantuntijat ja insinöörit ovat kuvanneet sitä merkittäväksi muutokseksi erityisesti tehokkuuden, työn organisoinnin ja toistuvien tehtävien automatisoinnin kannalta.

Tietoja asiakkaasta

Maailman johtavana hissi- ja liukuporrasalan toimijana KONE liikuttaa päivittäin kahta miljardia ihmistä ja tekee heidän matkoistaan turvallisia, sujuvia ja luotettavia älykkäiden ja kestävien People Flow® -ratkaisujen avulla. KONEen tarkoitus on muovata kaupunkien tulevaisuutta.

Kuvat: KONE