Когда я начал работать в Salesforce в июле 2017 года, цена акций составляла около 87 долларов, а численность персонала составляла около 25 000 человек. Когда я покинул компанию в мае 2021 года, акции стоили 240 долларов, а в ней работало более 50 000 сотрудников.
Это огромный рост, но в период с 2021 по 2022 год численность персонала выросла на колоссальные 30 000 человек, даже несмотря на то, что акции упали до 130 долларов в январе этого года после того, как 2022 год начался с 250 долларов за акцию. К настоящему времени вы знаете, что произошло, и многие люди, к сожалению, пострадали из-за того, что компания наняла сотрудников до спроса, который так и не материализовался.
У меня нет особого понимания с тех пор, как я покинул Salesforce весной 2021 года, чтобы присоединиться к Alteryx. Однако, как я отмечал в рассказе о своем путешествии с Salesforce, я долгое время подозревал, что неспособность компании помочь клиентам осознать ценность машинного обучения (ML) была проблемой в процессе становления.
Вы больше не читаете и не слышите, чтобы кто-то много говорил об Эйнштейне, но он был и персонажем среди персонажей в Salesforce, и тегом, который присваивался всему, что связано с аналитикой — машинным обучением или чем-то еще. Быстро растущее количество прогнозов, созданных Эйнштейном в Salesforce Clouds, часто было первым словом, произнесенным Марком Бениоффом на звонках по доходам.
Наверное, это уже не так.
Гипотеза, лежащая в основе стратегии Эйнштейна, заключалась в том, что машинное обучение, упакованное как ИИ для маркетинговых целей, было средством создания добавленной стоимости и дифференциации внутри и между облаками Salesforce Cloud.
Наука о данных в 2015 и 2016 годах только набирала обороты и была очень сложной для большинства компаний, особенно для огромного числа малых и средних предприятий, которые Salesforce считала своими новаторскими клиентами. Для некоторых организаций наука о данных до сих пор остается загадкой.
Дополнительная ценность и дифференциация обусловлены объединением преимуществ машинного обучения без обычных ограничений опыта и переносом результатов моделирования в производственную систему.
Для вариантов использования, таких как оценка лидов, которые могли работать и учиться на типах данных, которыми пользуются тысячи клиентов, это работало очень хорошо. Для других вариантов использования, таких как рекомендация или персонализация, результаты варьировались в зависимости от понимания клиентом варианта использования и способности применить его к своему бизнесу с учетом целого ряда соображений.
Короче говоря, успех был гораздо более вероятен, когда последствия плохо выполненного варианта использования были относительно небольшими (меньше риска) и заказчик мог рационализировать происходящее наряду с другой аналитической работой в бизнесе или в рамках своей модели управления.
Таким образом… в то время как использование Эйнштейна росло каждый квартал (согласно Бениоффу), я пришел к выводу, что решения, которые он цитировал, не приносили тонны измеримой ценности для клиентов.
В качестве доказательства все, что мне нужно было сделать, это взглянуть на клиентов, которыми я руководил в рамках Customer Success Group, — всех известных вам розничных продавцов известных брендов. В то время как у некоторых было приличное понимание или желание учиться, для большинства ценность машинного обучения не была зарегистрирована, или вариант использования уже обслуживался третьей стороной, или его обрабатывала команда специалистов по обработке данных.
Я столкнулся с реальностью, что большинство организаций находятся где-то посередине спектра, от использования одной платформы для ведения своего бизнеса (например, небольшой частной компании) до самых сложных глобальных предприятий.
Владелец малого бизнеса вполне может обслуживаться пакетными функциями Эйнштейна, тогда как крупному глобальному предприятию они не нужны из-за наличия опыта и персонала для аналитики, которые вы ожидаете. Что касается массивной золотой середины, в которой оказались большинство компаний, они столкнулись с отсутствием понимания, навыков, ресурсов, стратегии и спонсорства. В общем, очень аналитически незрелый.
Учитывая эту ситуацию, неудивительно, что внедрение ИИ Einstein отстало от других облачных функций, которые позиционировались как функции, которые можно легко реализовать, использовать и администрировать. Это не имело бы никакого значения, если бы не тот факт, что именно то, как клиенты применяли аналитику к своим облакам Salesforce Cloud, в конечном итоге приносило наибольшую пользу.
От определения базовых бизнес-показателей и выявления слабых мест для улучшения до составления плана действий, необходимых для реализации и настройки варианта использования, я полагал, что именно так клиенты Salesforce смогут получить максимальную отдачу от своих инвестиций. Если бы Salesforce этого не предоставила, это сделала бы какая-нибудь другая компания (и обычно это делала). Так случилось и с тем, как Salesforce могла вести убедительные разговоры о продажах с клиентами о необходимости вкладывать больше средств.
Salesforce не занималась консультированием клиентов о том, как подходить к проектам машинного обучения, какие ресурсы обычно необходимы, общие риски и как реализовать варианты использования в Salesforce Cloud. Немногие партнеры Salesforce были такими, поскольку они зарабатывали деньги, выполняя простую работу по внедрению и обучению или время от времени устанавливая чат-бот.
Это объясняет, почему среди клиентов Salesforce, которых я наблюдал, внедрение машинного обучения никогда не происходило, но это также отражает проблемы роста и оттока клиентов, которые я заметил в то время. Я чувствовал тогда и по сей день, что многие клиенты Salesforce осознают, что у них есть значительные возможности для улучшения с помощью аналитики, такой как машинное обучение, но по-прежнему разочарованы отсутствием прогресса.
Это вода под мостом, но мне бы хотелось, чтобы Salesforce разработала трехуровневую модель для аналитики, искусственного интеллекта и машинного обучения.
Нижний уровень был бы массой малых и средних клиентов, довольных поддержкой вариантов использования с низким уровнем воздействия/низким риском, но с агрессивными предписаниями по измерению ценности от базового уровня. Любой клиент может получить выгоду, но в первую очередь это будет связано с отсутствием у них ресурсов и зависимостью, по существу, от одного источника данных.
Следующим уровнем была самая большая группа организаций, которые нуждались во всевозможной помощи, обучении, партнерах и поддержке на своем пути. На самом верхнем уровне находились глобальные предприятия, которые хотели точно знать, как интегрировать индивидуальные модели машинного обучения и процессы разработки в Salesforce Clouds.
Это много работы для неизвестной отдачи, но как аналитик, я думаю, что отдача неизбежна, если ею правильно управлять по сравнению с ожиданиями от продажи приложения SaaS неколичественному работнику и их менеджеру.
Это приводит меня к Alteryx, который видит клиентов всех разновидностей, но часто лидеров и команды профессионалов-аналитиков, поддерживающих ежедневное и стратегическое принятие решений, возможно, работающих вместе с пользователями Salesforce. Для них машинное обучение может быть загадочным, но это часть их профессионального обучения.
Я думаю, что рынок Alteryx демонстрирует специализацию, необходимую для аналитики, но также и то, что компетентность высоко ценится. Опыт может находиться не в центре передового опыта или группе Data Science, а в командах, которые берут на себя задачу поддержки лиц, принимающих решения, в бизнес-функциях, таких как цепочка поставок или финансы.
Для них применение инструментов с минимальным кодом или без него, таких как в Alteryx Analytics Cloud, является более быстрым и эффективным средством для достижения цели, которая включает время для продуктивного сотрудничества с лицами, принимающими решения, для понимания их неотложных приоритетов и того, как поддерживать их с помощью правильные данные и аналитические методы.
Машинное обучение может иметь значение, в то время как в других случаях более своевременный доступ к более качественным данным является приоритетом. Требования будут различаться, но что останется неизменным, так это необходимость быть готовыми помочь клиентам на любом этапе их пути к зрелости аналитики.
