Πρόβλεψη Πωλήσεων, Ανάλυση Σωληνώσεων και Παραγωγή Περιεχομένου Πωλήσεων

Κέρδη:

• Δυνατότητα ανάλυσης δεδομένων αγωγών με AI και δημιουργία σχολίων πρόβλεψης
• Δυνατότητα γρήγορης παραγωγής περιεχομένου πωλήσεων, όπως μία σελίδα, παρουσίαση και μελέτη περίπτωσης
• Δυνατότητα οριστικοποίησης της εξόδου AI με αριθμητική επαλήθευση και τόνο επωνυμίας

Καθώς πλησιάζει το τέλος του τριμήνου, η ερώτηση του ηγέτη πωλήσεων είναι πάντα η ίδια: "Μπορούμε να κλείσουμε αυτό το τρίμηνο;" Η απάντηση σε αυτή την ερώτηση δεν είναι συναίσθημα, είναι κρυμμένη στο σωρό σας. Αλλά τα ακατέργαστα δεδομένα αγωγών είναι ένας ακατάστατος πίνακας με σειρές και σειρές συμφωνιών, στάδια, ποσά και ημερομηνίες. Χρειάζεται χρόνος για να δεις την ιστορία μέσα. Η τεχνητή νοημοσύνη μπορεί να διαβάσει αυτόν τον πίνακα και να εξαγάγει την κατανομή σταδίων, τα μπλοκαρίσματα, την τάση του ποσοστού νίκης και την ερμηνεία προβλέψεων μέσα σε λίγα λεπτά. Η ίδια τεχνητή νοημοσύνη παράγει επίσης γρήγορα μια σελίδα μιας σελίδας, ένα περίγραμμα παρουσίασης ή μια μελέτη περίπτωσης που περιγράφει την επιχείρηση που κέρδισε. Ωστόσο, το κύριο μήνυμα αυτής της ενότητας είναι το εξής: μην αποδέχεστε τυφλά κανένα αριθμό ή πρόταση που παράγεται από την τεχνητή νοημοσύνη. Το μοντέλο αναλύει, εσείς επαληθεύετε.

Ανάλυση αγωγών: από τα δεδομένα στη γνώση

Η ανάλυση αγωγών επιδιώκει να απαντήσει στο ερώτημα "πόσο υγιές είναι αυτό το έργο" αντί "πόση δουλειά υπάρχει;" Βασικές μετρήσεις προς εξέταση:

μετρική

τι λέει

προειδοποιητικό σημάδι

Σκηνική διανομή

Σε ποιο στάδιο στοιβάζονται οι προσφορές;

Τα περισσότερα αρχικά στάδια = κακή πρόβλεψη

Κολλημένες προσφορές

Ευκαιρίες που δεν έχουν προχωρήσει εδώ και πολύ καιρό

60+ ημέρες στο ίδιο στάδιο

ποσοστό νίκης

Νίκες / ολοκληρωτικά κλειστά

Πτωτική τάση = πρόβλημα διαδικασίας

πιθανότητα κλεισίματος

Σταθμισμένη πρόβλεψη ανά στάδιο

Υπερβολικά αισιόδοξα βάρη

Μέσο μέγεθος συμφωνίας

Τάση μεγέθους ευκαιρίας

Συρρίκνωση = λάθος τμήμα

Αντιγράψιμη προτροπή: ανάλυση αγωγών

Είστε αναλυτής λειτουργιών πωλήσεων. Αναλύστε τα δεδομένα του αγωγού παρακάτω. Δεδομένα: κάθε σειρά είναι μια ευκαιρία. Στήλες: όνομα συμφωνίας, στάδιο, ποσό, ημερομηνία εισαγωγής σταδίου, εκτίμηση κλεισίματος. Έξοδος: 1. Κατανομή σταδίων (αριθμός ευκαιριών και συνολικό ποσό σε κάθε στάδιο)2. Αποκλεισμένες ευκαιρίες (αυτές που παραμένουν στο ίδιο στάδιο για περισσότερες από {{ημέρα}} ημέρες)3. Υπολογισμός ποσοστού κέρδους (βάσει κλειστών συμφωνιών)4. Περίληψη κινδύνου: 3 ευκαιρίες που απειλούν την πρόβλεψη και γιατίΚανόνας: Χρησιμοποιήστε μόνο τους αριθμούς στα δεδομένα. Δείξτε μου τον τύπο για κάθε μέτρηση που υπολογίζετε, ώστε να μπορώ να την επαληθεύσω. Πρόβλεψη μιας τιμής που δεν υπάρχει στα δεδομένα. Εάν λείπει, γράψτε "data missing". Δεδομένα:{{pipeline_verisi}}

Ερμηνεία πρόβλεψης και αριθμητική επαλήθευση

Η τεχνητή νοημοσύνη μπορεί να σας πει «αυτό το τρίμηνο θα κλείσει με 2,4 εκατομμύρια TL». Αυτή η πρόταση ακούγεται ακριβής, αλλά υπάρχουν υποκείμενες υποθέσεις: ποιες δυνατότητες κλεισίματος χρησιμοποιήθηκαν; Ποιες προσφορές περιλαμβάνονται; Έκανε σφάλμα προσθήκης το μοντέλο; Ο τρόπος για να επαληθεύσετε την αριθμητική έξοδο είναι να ζητήσετε ρητά από το μοντέλο τις υποθέσεις και τον τύπο του. Στη συνέχεια, ελέγξτε τουλάχιστον μία μέτρηση με μη αυτόματο τρόπο: για παράδειγμα, προσθέστε μόνοι σας το σταθμισμένο ποσό των τριών προσφορών και συγκρίνετε το με το αποτέλεσμα του μοντέλου. Τα μοντέλα μπορούν να κάνουν λάθη στην αριθμητική, ειδικά σε πίνακες πολλών σειρών.

Αιτιολογήστε την παραπάνω πρόβλεψη με την ακόλουθη μορφή: - Υποθέσεις πιθανοτήτων κλεισίματος που χρησιμοποιήσατε (κατά στάδιο) - Προσφορές που συμπεριλάβατε και εξαιρέσατε + γιατί - Καθαρή ανάλυση του σταθμισμένου συνολικού υπολογισμού σας (συμφωνία) Πρέπει να μπορώ να επαληθεύσω όχι τον αριθμό που προκύπτει, αλλά τον τρόπο που καταλήξατε σε αυτόν.

Προσοχή: Ο αριθμός πρόβλεψης που παράγεται από την τεχνητή νοημοσύνη είναι ένας υπολογισμός, όχι ένα γεγονός και εξαρτάται πλήρως από τα δεδομένα και τις υποθέσεις. Το μοντέλο μπορεί να χρησιμοποιήσει λάθος βάρος πιθανότητας, να προσθέσει λανθασμένα γραμμές ή να μετρήσει διπλά μια συμφωνία. Επικυρώστε με μη αυτόματο τρόπο τουλάχιστον μία μέτρηση και κάντε ορατές τις υποθέσεις πριν παρουσιάσετε τον αριθμό στη διοίκηση. Η μη επαληθευμένη πρόβλεψη οδηγεί σε λανθασμένο σχεδιασμό πόρων.

Παραγωγή περιεχομένου πωλήσεων: καλό σύνολο εισροών

Η ποιότητα της τεχνητής νοημοσύνης ως σελιδοποίησης, πλατό ή μελέτη περίπτωσης εξαρτάται εξ ολοκλήρου από τα στοιχεία που δίνετε. Μια καλή σύνοψη περιεχομένου περιλαμβάνει αυτά τα πέντε στοιχεία: πρόσωπο (σε ποιον), πρόβλημα (τι πόνο λύνουμε), πρόταση αξίας (γιατί εμείς), διαφοροποιητές (πόσο διαφέρουμε από τον ανταγωνισμό) και τόνος επωνυμίας (πώς μιλάμε). Εάν λείπουν αυτά τα πέντε, το μοντέλο συμπληρώνει τα κενά με γενικά κλισέ μάρκετινγκ και το αποτέλεσμα είναι παρόμοιο με αυτό όλων των άλλων.

Παραγωγή μιας σελίδας βήμα προς βήμα

1. Συλλέξτε το σύνολο εισόδου. Persona, πρόβλημα, πρόταση αξίας, διαφοροποιητές, τόνος επωνυμίας.
2. Δηλώστε τον σκοπό. Μονοσελίδα, προσχέδιο τράπουλας, μελέτη περίπτωσης; Η μορφή είναι διαφορετική.
3. Αναθέστε την παραγωγή του μοντέλου. Δώστε τη δομημένη σύνοψη.
4. Επαληθεύστε τους αριθμούς. Επιβεβαιώστε κάθε μέτρηση (ROI, διάρκεια, αριθμός πελατών) που αναφέρεται στο περιεχόμενο με πραγματικά δεδομένα.
5. Προσαρμόστε το στον τόνο της μάρκας. Τραβήξτε τη γλώσσα του μοντέλου στον εταιρικό σας φωνητικό οδηγό.
6. Ανθρώπινη έγκριση. Ένας άνθρωπος θα το εξετάσει πριν το δημοσιεύσει.

Αντιγράψιμο προτροπή: one pager

Δημιουργήστε ένα προσχέδιο μιας σελίδας. Εισαγωγή:- Persona: {{target_persona}}- Πρόβλημα που λύσαμε: {{problem}}- Πρόταση αξίας: {{value_recommendation}}- Differentiators: {{differentiators}}- Τόνος επωνυμίας: {{brand_tone}}Δομή: (1) εντυπωσιακός τίτλος μας, (3) πλεονεκτήματα κοινωνικής δικτύωσης, (3) αντικείμενα κοινωνικής δικτύωσης, (3) αντικειμενικά πλεονεκτήματα, τόπος, (6) ενιαίο δίχτυ CTA.Κανόνας: Μην κατασκευάζετε συγκεκριμένα στοιχεία ή αξιώσεις πελατών. Τοποθετήστε ένα σύμβολο κράτησης θέσης "[μέτρηση για επαλήθευση]" όπου απαιτείται ο αριθμός. Μείνετε πιστοί στον τόνο της επωνυμίας σας.

Αντιγράψιμο προτροπή: πλαίσιο μελέτης περίπτωσης

Δημιουργήστε έναν σκελετό μελέτης περίπτωσης από τις ακόλουθες πληροφορίες πελατών:- Προφίλ πελάτη: {{πελάτης}}- Αρχικό πρόβλημα: {{πρόβλημα}}- Εφαρμόστηκε λύση: {{λύση}}- Αποτελέσματα: {{results}}Δομή: Πρόκληση -> Λύση -> Συμπέρασμα. Σημειώστε κάθε αριθμό στην ενότητα αποτελεσμάτων με την ετικέτα "[πηγή/απαιτείται επαλήθευση]". Μην γράφετε κανέναν ισχυρισμό που ο πελάτης δεν εγκρίνει σαν να ήταν σίγουρος.

Αδύναμο σλιπ / Δυνατό σλιπ

ΑΔΥΝΑΜΟΣ: "Γράψτε μια σελίδα για το προϊόν μας." Αποτέλεσμα: Ένα κείμενο που είναι γενικό, γεμάτο κλισέ, ασαφές σε ποιον απευθύνεται, μπορεί να περιέχει φιγούρες φτιαγμένες και μοιάζει με όλων των άλλων.

GÜÇLÜ:"Persona: Υπεύθυνος λειτουργιών μιας κατασκευαστικής εταιρείας με 500 άτομα. Πρόβλημα: ο προγραμματισμός χειροκίνητης βάρδιας κοστίζει 6 ώρες την εβδομάδα. Πρόταση αξίας: αυτοματοποιούμε τον προγραμματισμό και μειώνουμε το ποσοστό σφαλμάτων. Διαφοροποιητής: συμμορφώνεται με την τοπική νομοθεσία, θέση σε λειτουργία σε 2 εβδομάδες. Τόνος: απλός, αξιόπιστος, υποτιμημένος ο αριθμός που χρειάζεται." είναι στο στόχο, επαληθεύσιμο, κατάλληλο για την επωνυμία.

Μίνι περίπτωση: διόρθωση της αισιόδοξης πρόβλεψης

Σε μια ομάδα λογισμικού, ο διευθυντής πωλήσεων αναλύει τη γραμμή με τεχνητή νοημοσύνη. Το μοντέλο παράγει μια φωτεινή πρόβλεψη για το τρίμηνο. Ο διαχειριστής ζητά μια ανάλυση συμφωνίας του σταθμισμένου συνόλου από το μοντέλο, σύμφωνα με τον κανόνα στη μονάδα. Καθώς εξετάζει το πρακτικό, παρατηρεί δύο πράγματα: το μοντέλο υπολόγισε μια πιθανότητα 90 τοις εκατό μιας σημαντικής συμφωνίας που έχει κολλήσει στο στάδιο "συμβολαίου" για εξήντα ημέρες, ενώ στην πραγματικότητα αυτή η συμφωνία βρίσκεται σε κίνδυνο. Επιπλέον, δύο δίσκοι για τον ίδιο πελάτη συλλέχθηκαν κατά λάθος δύο φορές. Η προσαρμοσμένη πρόβλεψη είναι σημαντικά χαμηλότερη από το πρώτο σχήμα. Ο διευθυντής πηγαίνει στα ανώτερα στελέχη με αυτό το ρεαλιστικό νούμερο και αναβάλλει μια περιττή απόφαση πρόσληψης. Το μοντέλο δεν ήταν κακό. απλά έπρεπε να επαληθευτεί.

Συμβουλή: Στη δημιουργία περιεχομένου, μην ζητάτε ποτέ από το μοντέλο να «δημιουργήσει» τις φιγούρες, αλλά μάλλον να αφήσει ένα σύμβολο κράτησης θέσης. Οι ετικέτες "[μέτρηση για επαλήθευση]" είναι ασφαλείς χώροι που περιμένουν να συμπληρωθούν με πραγματικά δεδομένα αργότερα, εμποδίζοντας τα κατασκευασμένα στατιστικά στοιχεία να φτάσουν στον πελάτη.

Συνήθη λάθη

• Αποδοχή του αριθμού πρόβλεψης χωρίς αμφιβολία. Μην υποβάλετε εκτιμήσεις χωρίς να δείτε τις υποθέσεις και τον τύπο.
• Εμπιστοσύνη στην αριθμητική του μοντέλου. Σε πίνακες πολλών σειρών παρουσιάζονται σφάλματα συγκέντρωσης. Ελέγξτε με μη αυτόματο τρόπο τουλάχιστον μία μέτρηση.
• Αίτημα περιεχομένου με αδύναμο σύντομο. Εάν δεν υπάρχει πρόσωπο και διαφοροποιητής, η έξοδος θα είναι κλισέ.
• Δημοσίευση κατασκευασμένων στατιστικών. Η τοποθέτηση της απόδοσης επένδυσης και των στοιχείων πελατών που παράγονται από το μοντέλο σε μία σελίδα χωρίς επαλήθευση βλάπτει την εμπιστοσύνη της επωνυμίας.
• Παρακάμπτοντας την ανθρώπινη έγκριση. Κανένα περιεχόμενο πωλήσεων δεν θα πρέπει να κυκλοφορεί χωρίς ανθρώπινη κριτική.

Συνοπτικά

• Η ανάλυση αγωγών ρωτά "πόσο υγιές είναι αυτό το έργο" αντί "πόση δουλειά υπάρχει". Η κατανομή σταδίων, η απόφραξη και το ποσοστό νίκης είναι κρίσιμα.
• Η πρόβλεψη είναι ένας υπολογισμός, όχι ένα γεγονός. Ρωτήστε το μοντέλο για τις υποθέσεις και τον τύπο του και επαληθεύστε τα χειροκίνητα.
• Μια καλή σύνοψη περιεχομένου περιλαμβάνει πέντε στοιχεία: προσωπικότητα, πρόβλημα, πρόταση αξίας, διαφοροποιητές, τόνος επωνυμίας.
• Μην φτιάχνετε τους αριθμούς σε one-pager, deck και case study. Αφήστε ένα σύμβολο κράτησης θέσης και συμπληρώστε το με πραγματικά δεδομένα.
• Προσαρμόστε το στον τόνο της επωνυμίας και φροντίστε να λάβετε την ανθρώπινη έγκριση πριν βγείτε ζωντανά.

Εργασία εφαρμογής

Πάρτε ένα δείγμα 10-15 γραμμών από τα δικά σας δεδομένα αγωγού (ανώνυμα) και εκτελέστε την προτροπή "ανάλυση σωλήνων". Επαληθεύστε χειροκίνητα το ποσοστό νίκης και τη σταθμισμένη πρόβλεψη που δίνεται από το μοντέλο ζητώντας την ανάλυση του τύπου. Προσπαθήστε να βρείτε τουλάχιστον ένα λάθος ή αμφισβητήσιμη υπόθεση. Στη συνέχεια, εκτελέστε την προτροπή "one-pager" με ένα ισχυρό σύνολο εισόδων για πραγματική επιτυχία πελατών. Συμπληρώστε κάθε σύμβολο κράτησης θέσης στην έξοδο με πραγματικά, επαληθευμένα δεδομένα και προσαρμόστε το κείμενο στον τόνο της επωνυμίας σας. Η τελική έκδοση θα πρέπει να είναι τέτοιας ποιότητας που όταν την έδειχνε σε έναν συνάδελφο να λέει «αυτή είναι η φωνή μας».

Εξέταση Ενοτήτων

1. Κατά τη χρήση τεχνητής νοημοσύνης στις πωλήσεις, η τελική ευθύνη για ποια από τις ακόλουθες αποφάσεις πρέπει να παραμένει πάντα στον άνθρωπο πωλητή;

• Α) Ακρίβεια των δεσμευτικών τιμών και δεσμεύσεων που κοινοποιούνται στον πελάτη ✔
• Β) Δημιουργία της πρώτης έκδοσης ενός προχείρου email
• Γ) Διαχωρισμός σημειώσεων συνεδρίασης σε θέματα
• Δ) Προτείνετε τρεις εναλλακτικές για τη γραμμή θέματος

Περιγραφή: Η τεχνητή νοημοσύνη μπορεί να παράγει προσχέδια, έρευνες και περιλήψεις. Ωστόσο, οι άνθρωποι είναι υπεύθυνοι για την ακρίβεια και την ηθική των δεσμευτικών αποφάσεων, όπως η δέσμευση τιμής, ο όρος του συμβολαίου και η επίσημη υπόσχεση στον πελάτη. Αυτές οι αποφάσεις δεν πρέπει να υποβάλλονται χωρίς επαλήθευση.

2. Τι σημαίνει το γράμμα «A» στο πλαίσιο BANT για να χαρακτηριστεί ένας υποψήφιος;

• Α) Αναλύσεις
• Β) Αρχή (αγοραστική αρχή) ✔
• Γ) Λογαριασμός (μέγεθος λογαριασμού)
• Δ) Υιοθεσία

Περιγραφή: ΤΑΙΝΙΑ; Αποτελείται από τις λέξεις Budget (προϋπολογισμός), Authority (αρχή), Need (ανάγκη) και Timeline (timeline). Το «Α» αναφέρεται στο πρόσωπο που έχει εξουσία (Αρχή) στην απόφαση αγοράς.

3. Γιατί ένα κρύο email που δημιουργείται από AI είναι πιθανό να καταλήξει στον φάκελο ανεπιθύμητης αλληλογραφίας και να μην μετατραπεί;

• Α) Επειδή είναι πολύ κοντό
• Β) Επειδή περιέχει ερωτηματικό
• Γ) Επειδή είναι μη εξατομικευμένο, γενικό και άσχετο με τον αγοραστή ✔
• Δ) Επειδή αρχίζει από το όνομα του παραλήπτη

Επεξήγηση: Τα μαζικά μηνύματα ηλεκτρονικού ταχυδρομείου που δεν είναι εξατομικευμένα, γενικά και άσχετα με τον παραλήπτη ενεργοποιούν και τα δύο φίλτρα ανεπιθύμητης αλληλογραφίας και δεν δημιουργούν αντίληψη αξίας στον παραλήπτη. Το αποτελεσματικό κρύο email περιλαμβάνει ένα συμβάν ενεργοποίησης ειδικά για τον παραλήπτη και μια σαφή πρόταση αξίας.

4. Κατά την προετοιμασία μιας πρότασης για έναν πελάτη, είδατε τη φράση «300% αύξηση παραγωγικότητας εγγυημένη στον κλάδο» από την τεχνητή νοημοσύνη. Ποια είναι η πιο σωστή συμπεριφορά;

• Α) Αφήστε το όπως είναι γιατί είναι εντυπωσιακό
• Β) Αύξησε ακόμα περισσότερο τον αριθμό και γράψε 500%
• Γ) Μετακινήστε το στην κορυφή της πρότασης με μεγάλη γραμματοσειρά
• Δ) Αντικατάσταση του ισχυρισμού με μια επαληθεύσιμη, ρεαλιστική και προερχόμενη δήλωση ✔

Εξήγηση: Οι μη επαληθεύσιμες, υπερβολικές και εγγυημένες αξιώσεις είναι και ανήθικες και δημιουργούν νομικούς κινδύνους. Η δήλωση θα πρέπει είτε να αφαιρεθεί είτε να αντικατασταθεί μέσα σε ένα συγκεκριμένο, συγκεκριμένο εύρος πηγής και ρεαλιστικό.

5. Ποιο από τα παρακάτω είναι η καλύτερη πρακτική κατά το σχεδιασμό μιας εξατομικευμένης ακολουθίας παρακολούθησης;

• Α) Παροχή νέας αξίας, γνώσης ή πόρων με κάθε παρακολούθηση ✔
• Β) Επανάληψη της ίδιας πρότασης «απλώς έλεγχος» σε κάθε μήνυμα
• Γ) Αποστολή του ίδιου email δύο φορές την ημέρα
• Δ) Εάν δεν ληφθεί η πρώτη απάντηση, ακύρωση ολόκληρης της σειράς

Επεξήγηση: Ένα καλό νήμα παρακολούθησης προσφέρει νέα αξία (περιεχόμενο, παράδειγμα, πληροφορίες) με κάθε μήνυμα και δεν λέει απλώς «απλώς έλεγχος». Κάθε σημείο επαφής πρέπει να δίνει στον αγοραστή έναν λόγο.

6. Ένας πελάτης εξέφρασε την αντίρρηση «Η τιμή σας είναι πολύ υψηλή». Ποια είναι η πιο αποτελεσματική προσέγγιση που βασίζεται σε AI;

• Α) Άμεση προσφορά έκπτωσης
• Β) Κατανοήστε τη ρίζα της ένστασης και επαναδιατυπώστε την ως προς την αξία και την απόδοση επένδυσης ✔
• Γ) Να μαλώνεις με τον πελάτη και να λέει ότι κάνει λάθος
• Δ) Κλείστε το θέμα και προχωρήστε σε άλλο προϊόν

Εξήγηση: Η αποτελεσματική αντιμετώπιση αντιρρήσεων απαιτεί πρώτα την κατανόηση της αντίρρησης (είτε είναι αντίληψη τιμής είτε αξίας) και στη συνέχεια πλαισίωση της με όρους απόδοσης επένδυσης/αξίας. Η προσφορά έκπτωσης μειώνει αμέσως την αξία.

7. Δώσατε το αντίγραφο μιας κλήσης πωλήσεων στην τεχνητή νοημοσύνη και δημιουργήσατε μια σημείωση CRM. Ποια είναι η πιο κρίσιμη περιοχή στη σημείωση;

• Α) Πόσα λεπτά κράτησε η συζήτηση;
• Β) Από ποια πόλη συνδέθηκαν οι συμμετέχοντες
• Γ) Καθαρίστε το επόμενο βήμα με γνωστό ιδιοκτήτη και ημερομηνία ✔
• Δ) Πόσες φορές γελάστηκαν κατά τη διάρκεια της συνέντευξης;

Περιγραφή: Η λειτουργική αξία της σημείωσης CRM βρίσκεται στο πεδίο «επόμενο βήμα» με τον καθαρό κάτοχο και την ημερομηνία. Εάν το επόμενο βήμα είναι ασαφές, η ευκαιρία μένει στάσιμη και χάνεται.

8. Ποια είναι η πιο σημαντική πειθαρχία επαλήθευσης κατά την προετοιμασία ενός αντιπάλου μάχης με AI;

• Α) Εμπιστεύεστε απευθείας την τεχνητή νοημοσύνη επειδή χρησιμοποιεί το πιο ενημερωμένο μοντέλο
• Β) Να αναδείξει το δικό του προϊόν υπερβάλλοντας τις πληροφορίες του ανταγωνιστή
• Γ) Προσθήκη μόνο του λογότυπου του αντιπάλου στο τραπέζι
• Δ) Επιβεβαίωση ισχυρισμών ανταγωνιστών με ενημερωμένες και αξιόπιστες πηγές ✔

Εξήγηση: Η τεχνητή νοημοσύνη μπορεί να παράγει ξεπερασμένες ή παραισθησιακές τιμές, χαρακτηριστικά και πληροφορίες πελατών σχετικά με τους ανταγωνιστές. Κάθε αξίωση ανταγωνιστή στο Battlecard πρέπει να επαληθεύεται με μια ενημερωμένη και αξιόπιστη πηγή προτού διατεθεί προς πώληση.

9. Βάλατε την τεχνητή νοημοσύνη να αναλύσει τα δεδομένα του Pipeline και να πει «το 120% του στόχου θα επιτευχθεί αυτό το τρίμηνο». Πώς πρέπει να χειριστείτε αυτήν την πρόβλεψη;

• Α) Αναφορά απευθείας στη διοίκηση
• Β) Στρογγυλοποιήστε τον αριθμό στο 150%
• Γ) Επικύρωση υποθέσεων, πιθανότητες κλεισίματος και υπολογισμοί με πραγματικά δεδομένα ✔
• Δ) Παντελώς αγνοώντας την πρόβλεψη.

Περιγραφή: Οι αριθμητικές προβλέψεις του AI εξαρτώνται από την ποιότητα των δεδομένων εισόδου και τις υποθέσεις. δεν πρέπει να γίνεται δεκτό στα τυφλά. Η λογική υπολογισμού, οι πιθανότητες κλεισίματος και οι υποθέσεις θα πρέπει να ελέγχονται και να διασταυρώνονται με πραγματικά δεδομένα.

10. Ποιο είναι το καλύτερο σύνολο εισροών για να δώσετε στην τεχνητή νοημοσύνη κατά την παραγωγή μιας σελίδας;

• Α) Πρόσωπα-στόχος, συγκεκριμένο πρόβλημα, πρόταση αξίας, διαφοροποιητές και τόνος επωνυμίας ✔
• Β) Απλώς πείτε "γράψτε μια σελίδα για το προϊόν μας"
• Γ) Μόνο το έτος ίδρυσης της εταιρείας
• Δ) Τιμοκατάλογος ανταγωνιστών

Περιγραφή: Προκειμένου η τεχνητή νοημοσύνη να παράγει ποιοτικό αποτέλεσμα, πρέπει να δοθεί ένα πλαίσιο όπως το πρόσωπο-στόχος, το συγκεκριμένο πρόβλημα που λύθηκε, η πρόταση αξίας, οι διαφοροποιητές και ο τόνος της επωνυμίας. Αίτημα χωρίς πλαίσιο, όπως «Γράψε μας μια σελίδα μιας σελίδας» παράγει γενικά αποτελέσματα.