Gevinster:
- Evne til at tydeliggøre den ideelle kundeprofil (ICP) og køberpersona ved hjælp af AI
- Evne til at kvalificere leads på en struktureret måde med rammer som BANT og MEDDIC
- Evne til at anvende disciplinen at verificere virksomheds-/personoplysninger produceret af AI mod kilden
Den dyreste fejl i salget er at tale med den forkerte person. En repræsentant bruger uger på at forklare det rigtige produkt til den forkerte kunde på det rigtige tidspunkt og modtager til sidst svaret "der er intet budget" eller "Jeg er ikke den, der bestemmer." Alligevel kan disse oplysninger stort set udtrækkes før første kontakt. Det er præcis, hvad lead research og kvalificering gør: skelne tidligt, hvem der rent faktisk kunne være din kunde, og hvem der er spild af tid. I denne enhed lærer du, hvordan du bruger kunstig intelligens som motoren i denne proces; Vi vil se trin for trin, fra at skabe den ideelle kundeprofil (ICP) og køberpersonaer til at score med rammer som BANT og MEDDIC. Lad os sætte en advarsel i begyndelsen: Virksomheds- og personoplysninger produceret af AI betragtes aldrig som "rigtige" uden at være verificeret.
Ideel kundeprofil (ICP) og køberpersona
ICP er svaret på spørgsmålet "hvilken type virksomhed er den ideelle kunde for os?" Persona er den person, du taler med i virksomheden. Det er to forskellige ting: ICP definerer virksomheden (firmografisk), persona definerer personen.
koncept
Hvad definerer
Eksempel signaler
ICP (firmografisk)
Ideelt selskab
Sektor, antal ansatte, omsætning, geografi
ICP (teknologisk)
Teknologi anvendt af virksomheden
CRM, infrastruktur, software de bruger
Persona
Person i beslutningsprocessen
Titel, mål, smertepunkter, KPI'er
Firmografiske signaler besvarer spørgsmålet "Er dette firma egnet til os med hensyn til størrelse?" Teknografiske signaler besvarer spørgsmålet "Bruger de allerede en teknologi, der komplementerer/konflikterer os?" For eksempel kan virksomheder, der bruger en bestemt e-handelsinfrastruktur, være en klar grund til din integration.
ICP definition prompt: "Nedenfor er karakteristikaene for de top 10 kunder, vi har erhvervet inden for de sidste 12 måneder. Opret en ideel kundeprofil (ICP) ved at finde FÆLLES mønstre i dem. Lav en tabel med følgende dimensioner: industri, antal ansatte, årlig omsætning, geografi, teknologier, de bruger, typisk smertepunkt. Stol kun på eksterne mønstre i antagelsen, ikke tilføjer data i antagelsen. {{customer_list}}"
Persona-udtrækningsprompt: "Vi sælger {{produkt}}. Vores ICP er {{icp_summary}}. Definer 3 personas, der påvirker købsbeslutningen i disse virksomheder. For hver persona:- Titel- Primære mål og KPI'er, som de måles efter- Top 2 smertepunkter- Værdiforslag for vores produkt oversat til deres sprog- 2cha-points, der kan være imod"
Kvalifikationsrammer: BANT og MEDDIC
Vi måler om et lead er "rigtigt" med strukturerede spørgsmål. To fælles rammer:
TAPE — for hurtig, let karakterisering:
- Budget: Er der ressourcer til at betale?
- Autoritet: Kan den person, jeg taler med, træffe beslutninger?
- Behov: Er der et reelt, akut behov?
- Tidslinje: Hvornår planlægger de at modtage det?
MEDDIC — dybere for komplekse, store B2B-salg:
- Metrics: Numerisk fordel målt af kunden.
- Økonomisk køber: Den person, der rent faktisk styrer budgettet.
- Beslutningskriterier: Beslutningskriterier.
- Beslutningsproces: Beslutningsproces og trin.
- Identificer smerte: Konkret smerte.
- Mester: Den person, der forsvarer dig indeni.
Ramme
hvornår
dybde
TAPE
Kort cyklus, lav-middel værdi
hurtig eliminering
LÆGE
Lang cyklus, høj værdi, multi-stakeholder
dyb, systematisk
Tip: For små, hurtige salg, start med TAPE; Skift til MEDDIC, efterhånden som handlen vokser, og antallet af interessenter stiger. Fortæl AI'en tydeligt, hvilken ramme du vil score med, ellers kan det forvirre de to.
Forskningsresumé og tilskrivningsscoring med AI
Vi bruger AI til to opgaver her: (1) opsummer den rå information, du har, efter ramme, (2) foreslå en score. Scoren er en "foreløbig ranking" for dig, ikke den endelige beslutning.
Lead qualification prompt (BANT): "Evaluer følgende leadnoter med BANT-rammen. Giv 0-5 point for hver dimension, og skriv din begrundelse. Hvis der mangler information, sig "ingen data", GÆT IKKE. Probe: samlet score, "varm/varm/kold" etiket og forslag til næste trin. Lead notes:- Firma: {-{compane}} {-{company}} {{interview_notes}}"
Prompt om prioritering af kundeemner: "Sortér følgende 20 kundeemner efter deres egnethed til vores ICP ({{icp_summary}}). For hvert kundeemne: egnethedsscore (0-100), stærkeste tilpasningssignal, størst usikkerhed. For dem med lave scores, skriv kort årsagen. Hvis virksomhedsdata mangler, skal du markere FITTING-listen:'. {{lead_list}}"
Svag prompt / stærk prompt
SWAG: "Er dette bly godt?" (Resultat: en spinkel kommentar på et ord.) STÆRK: "Score denne lead ved hjælp af BAND-rammen. Giv 0-5 til hver dimension, skriv en begrundelse, markér den manglende information som 'ingen data' og foreslå næste trin baseret på den samlede score. Gå ikke ud over dine noter."
Risiko for fremstilling: Kildebekræftelse
AI kan på troværdig vis fremstille information, den ikke kender om en virksomhed eller person: omsætning, antal ansatte, titel, endda navnet på beslutningstageren. Hvis du kommer i kontakt med disse oplysninger, mister du din troværdighed med ét hug.
Forsigtig: Bekræft alle virksomhedsspecifikke data, som AI returnerer (omsætning, vækst, direktørnavn, teknologisk stack) fra den primære kilde: firmaets eget websted, LinkedIn, officielle nyhedsbreve. Brug ikke ubekræftede oplysninger i opsøgende arbejde.
Et simpelt verifikationsworkflow:
- Bed AI'en om at "sætte et kildemærke på hvert krav" til leadresuméet.
- Tjek hvert element markeret med "Skal verificeres" fra kilden én efter én.
- Behandle de verificerede oplysninger i CRM; Slet det, der ikke kan verificeres.
- Opdater kun scoring med verificerede oplysninger.
- Først derefter gå videre til outreach.
Mini etui
B2B SaaS-repræsentant Kaan giver en leadliste på 50 personer til AI og får den sorteret efter ICP-egnethed. "Firm A nåede 200 ansatte i sidste kvartal," siger AI. Kaan åbner virksomheden på LinkedIn; Antallet af ansatte er omkring 60. AI overdrevet. Kaan markerer dette signal som "skal verificeres", indtaster det reelle tal og trækker scoren fra. Til gengæld bekræfter det AI's "Virksomhed B åbner snart et nyt marked"-signal med nye opslag på virksomhedens karriereside og prioriterer dette lead. Resultat: AI rangerede 50 leads på få minutter, Kaan validerede listen og fokuserede på de 8 virkelig hotte leads.
Almindelige fejl
- Begynder at undersøge uden at identificere ICP'en (målretter mod alle, skyder ingen).
- Behandling af virksomhedsdata leveret af AI til CRM uden at verificere det.
- Blander BANT og MEDDIC og laver halv scoring.
- Tillader AI at udfylde de manglende oplysninger med sit "gæt".
- Tænker, at partituret er absolut sandhed og invaliderer menneskelig dømmekraft.
- Fokuserer kun på virksomheden i stedet for personaen og springer over "hvem taler jeg med".
Tip: Begrund altid AI-scoren ved at spørge "hvorfor scorede du det på den måde?" Hvis begrundelsen er svag, er scoren også svag. Begrundelsen angiver også de punkter, du skal verificere.
Sammenfattende
- ICP beskriver virksomheden (firmografisk + teknologisk), persona beskriver personen; Begge dele er nødvendige.
- BANT er til hurtig kvalificering, MEDDIC er til dybt og komplekst salg.
- AI opsummerer forskning og foreslår score; Den endelige beslutning tilhører personen.
- Scoren er en foreløbig rangordning og skal rekvireres med begrundelse.
- Virksomheds-/personoplysninger produceret af AI kan ikke bruges uden bekræftelse fra den primære kilde.
- Manglende oplysninger skal markeres som "ingen data" i stedet for "estimat".
Ansøgningsopgave
Lav en liste over dine sidste 5-10 erhvervede kunder, og få AI til at finde fælles mønstre med ICP-prompten ovenfor. Prioriter de 10 leads, du har, ved at bruge den resulterende ICP. Bekræft derefter hver virksomhedsspecifik påstand, som AI’en fremsætter på LinkedIn og virksomhedens websted for de 3 højest scorende kundeemner; Bemærk, hvilke påstande der viser sig at være falske eller ufuldstændige. Denne øvelse lærer både ICP-disciplin og verifikationsrefleks på samme tid.