رهبری تحقیق و صلاحیت

سود:

• امکان شفاف سازی پروفایل ایده آل مشتری (ICP) و شخصیت خریدار با کمک هوش مصنوعی
• توانایی واجد شرایط بودن سرنخ ها به روشی ساختاریافته با چارچوب هایی مانند BANT و MEDIC
• امکان اعمال نظم و انضباط تایید اطلاعات شرکت/فرد تولید شده توسط هوش مصنوعی در برابر منبع

گران ترین اشتباه در فروش صحبت کردن با شخص اشتباه است. یک نماینده هفته ها صرف توضیح محصول مناسب به مشتری اشتباه در زمان مناسب می کند و در نهایت پاسخ «هیچ بودجه ای وجود ندارد» یا «من کسی نیستم که تصمیم می گیرد» را دریافت می کند. با این حال این اطلاعات تا حد زیادی می تواند قبل از اولین تماس استخراج شود. این دقیقاً همان کاری است که تحقیقات و صلاحیت‌های اصلی انجام می‌دهند: تشخیص زودهنگام اینکه چه کسی واقعاً می‌تواند مشتری شما باشد و چه کسی وقت تلف می‌کند. در این واحد یاد خواهید گرفت که چگونه از هوش مصنوعی به عنوان موتور این فرآیند استفاده کنید. گام به گام، از ایجاد نمایه مشتری ایده‌آل (ICP) و شخصیت‌های خریدار تا امتیازدهی با چارچوب‌هایی مانند BANT و MEDDIC را خواهیم دید. بیایید در ابتدا یک هشدار بگذاریم: اطلاعات شرکت و شخص تولید شده توسط هوش مصنوعی هرگز بدون تایید شدن "واقعی" در نظر گرفته نمی شود.

نمایه مشتری ایده آل (ICP) و شخصی خریدار

ICP پاسخ به این سوال است که "مشتری ایده آل برای ما کدام نوع شرکت است؟" پرسونا شخصی است که در آن شرکت با او صحبت می کنید. آنها دو چیز متفاوت هستند: ICP شرکت را تعریف می کند (فرموگرافیک)، شخصیت فرد را تعریف می کند.

مفهوم

آنچه را تعریف می کند

سیگنال های نمونه

ICP (فرموگرافیک)

شرکت ایده آل

بخش، تعداد کارکنان، گردش مالی، جغرافیا

ICP (فناوری)

فناوری مورد استفاده شرکت

CRM، زیرساخت، نرم افزاری که استفاده می کنند

پرسونا

فردی در فرآیند تصمیم گیری

عنوان، اهداف، نقاط درد، KPI

سیگنال های فیرموگرافی به این سوال پاسخ می دهند که آیا این شرکت از نظر اندازه برای ما مناسب است؟ سیگنال‌های تکنولوژیک به این سوال پاسخ می‌دهند که "آیا آنها در حال حاضر از فناوری استفاده می‌کنند که با ما مکمل یا در تعارض است؟" برای مثال، شرکت‌هایی که از زیرساخت‌های تجارت الکترونیکی خاصی استفاده می‌کنند، ممکن است زمینه‌ای آماده برای ادغام شما باشند.

درخواست تعریف ICP: "در زیر ویژگی‌های 10 مشتری برتری است که در 12 ماه گذشته به دست آورده‌ایم. با یافتن الگوهای متداول در آنها، یک نمایه مشتری ایده‌آل (ICP) ایجاد کنید. جدولی با ابعاد زیر تهیه کنید: صنعت، محدوده تعداد کار، محدوده گردش سالانه، جغرافیا، فناوری‌هایی که استفاده می‌کنند، تنها داده‌ها را به عنوان نقطه درد معمولی به مشتریان اضافه نکنید. {{list_customer}}"

درخواست استخراج شخصی: "ما {{product}} را می‌فروشیم. ICP ما {{icp_summary}} است. 3 شخصیت را تعریف کنید که بر تصمیم خرید در این شرکت‌ها تأثیر می‌گذارد. برای هر شخص: - عنوان- اهداف اولیه و شاخص‌های کلیدی عملکرد که توسط آن‌ها اندازه‌گیری می‌شوند - 2 نقطه دردناک - ارزش پیشنهادی محصول ما که به زبان آنها ترجمه شده است - 2 امتیاز ممکن است به خرید اعتراض کند."

چارچوب های صلاحیت: BANT و MEDIC

ما با سؤالات ساختاریافته می سنجیم که آیا یک سرنخ «واقعی» است. دو چارچوب رایج:

نوار - برای شخصیت پردازی سریع و سبک:

• بودجه: آیا منابعی برای پرداخت وجود دارد؟
• اقتدار: آیا شخصی که با او صحبت می کنم می تواند تصمیم بگیرد؟
• نیاز: آیا نیاز واقعی و فوری وجود دارد؟
• جدول زمانی: چه زمانی قصد دریافت آن را دارند؟

MEDIC - عمیق تر برای فروش پیچیده و بزرگ B2B:

• معیارها: سود عددی که توسط مشتری اندازه گیری می شود.
• خریدار اقتصادی: شخصی که در واقع بودجه را کنترل می کند.
• معیارهای تصمیم گیری: معیارهای تصمیم گیری.
• فرآیند تصمیم گیری: فرآیند تصمیم گیری و مراحل.
• Identify Pain: درد بتن.
• قهرمان: شخصی که در درون از شما دفاع می کند.

قاب

چه زمانی

عمق

نوار

چرخه کوتاه، مقدار کم-متوسط

حذف سریع

پزشک

چرخه طولانی، ارزش بالا، چند سهامدار

عمیق، سیستماتیک

نکته: برای فروش های کوچک و سریع، با TAPE شروع کنید. با رشد معامله و افزایش تعداد سهامداران، به MEDDIC بروید. به هوش مصنوعی به وضوح بگویید که با کدام چارچوب می خواهید امتیاز بگیرید، در غیر این صورت ممکن است این دو را اشتباه بگیرید.

خلاصه تحقیق و امتیازدهی اسناد با هوش مصنوعی

ما در اینجا از هوش مصنوعی برای دو شغل استفاده می کنیم: (1) اطلاعات خامی را که در اختیار دارید بر اساس فریم خلاصه کنید، (2) یک امتیاز را پیشنهاد کنید. امتیاز برای شما یک "رتبه بندی اولیه" است، نه تصمیم نهایی.

اعلان صلاحیت سرنخ (BANT): "یادداشت های اصلی زیر را با چارچوب BANT ارزیابی کنید. برای هر بعد 0-5 امتیاز بدهید و توجیه خود را بنویسید. اگر اطلاعاتی وجود ندارد، بگویید "بدون داده"، حدس نزنید. بررسی کنید: نمره کل، برچسب "گرم/گرم" و پیشنهاد مرحله بعدی. {{person}}- یادداشت ها: {{interview_notes}}"

درخواست اولویت‌بندی فهرست سرنخ‌ها: "20 سرنخ زیر را بر اساس تناسب آنها با ICP ما ({{icp_summary}}) مرتب کنید. برای هر سرنخ: امتیاز مناسب (0-100)، قوی‌ترین سیگنال تناسب، بیشترین عدم قطعیت. برای کسانی که امتیازات پایینی دارند، به طور خلاصه دلیل را بنویسید. اگر داده‌های شرکت گم شده است، FITTING را علامت‌گذاری کنید:{}'.

اعلان ضعیف / اعلان قوی

ضعیف: "آیا این سرب خوب است؟" (نتیجه: یک نظر سست و تک کلمه ای.) قوی: "با استفاده از چارچوب BAND به این امتیاز امتیاز دهید. به هر بعد 0-5 بدهید، یک توجیه بنویسید، اطلاعات از دست رفته را به عنوان "بدون داده" علامت گذاری کنید و بر اساس نمره کل مرحله بعدی را پیشنهاد دهید. از یادداشت های خود فراتر نروید."

خطر ساخت: تأیید منبع

هوش مصنوعی می‌تواند اطلاعاتی را که درباره یک شرکت یا شخص نمی‌داند، به‌طور معتبری جعل کند: گردش مالی، تعداد کارمندان، عنوان، حتی نام تصمیم گیرنده. اگر با این اطلاعات در تماس باشید، در یک لحظه اعتبار خود را از دست خواهید داد.

احتیاط: هر گونه داده خاص شرکت را که هوش مصنوعی برمی گرداند (گردش مالی، رشد، نام اجرایی، پشته فناوری) از منبع اصلی: سایت خود شرکت، لینکدین، خبرنامه های رسمی تأیید کنید. از اطلاعات تایید نشده در ارتباط استفاده نکنید.

یک گردش کار تأیید ساده:

1. از هوش مصنوعی بخواهید برای خلاصه سرنخ "برچسب منبع برای هر ادعا قرار دهد".
2. هر مورد با علامت "باید تأیید شود" را از منبع یک به یک بررسی کنید.
3. پردازش اطلاعات تایید شده در CRM؛ مواردی را که قابل تأیید نیست حذف کنید.
4. فقط با اطلاعات تایید شده امتیاز را به روز کنید.
5. فقط پس از آن به سمت گسترش حرکت کنید.

کیف کوچک

نماینده B2B SaaS Kaan لیست اصلی 50 نفره را به هوش مصنوعی می دهد و آن را بر اساس مناسب بودن ICP مرتب می کند. هوش مصنوعی می گوید: «شرکت A در سه ماهه گذشته به 200 کارمند رسید. Kaan شرکت را در LinkedIn افتتاح می کند. تعداد کارمندان حدود 60 نفر است. هوش مصنوعی اغراق آمیز است. کان این سیگنال را به عنوان "باید تایید شود" علامت گذاری می کند، عدد واقعی را وارد می کند و امتیاز را کسر می کند. در عوض، سیگنال هوش مصنوعی "شرکت B به زودی بازار جدیدی را باز می کند" را با پست های جدید در صفحه شغلی شرکت تایید می کند و این پیشرو را در اولویت قرار می دهد. نتیجه: هوش مصنوعی در عرض چند دقیقه 50 سرنخ را رتبه بندی کرد، کان لیست را تأیید کرد و بر روی 8 سرنخ بسیار داغ تمرکز کرد.

اشتباهات رایج

• شروع به تحقیق بدون شناسایی ICP (همه را هدف قرار می دهد، به کسی شلیک نمی کند).
• پردازش داده های شرکت ارائه شده توسط هوش مصنوعی در CRM بدون تأیید آن.
• مخلوط کردن BANT و MEDDIC و انجام نیمه گل.
• به هوش مصنوعی اجازه می دهد اطلاعات گم شده را با "حدس" خود پر کند.
• فکر کردن به اینکه نمره حقیقت مطلق است و قضاوت انسان را ناتوان می کند.
• تمرکز کردن فقط بر روی شرکت به جای شخصیت و نادیده گرفتن "من با چه کسی صحبت می کنم".

نکته: همیشه امتیاز هوش مصنوعی را با این سوال توجیه کنید که «چرا به آن امتیاز دادید؟» اگر توجیه ضعیف باشد، امتیاز نیز ضعیف است. منطق همچنین نکاتی را که باید تأیید کنید نشان می دهد.

به طور خلاصه

• ICP شرکت را توصیف می کند (فیرموگرافی + تکنولوژیک)، پرسونا شخص را توصیف می کند. هر دو لازم است.
• BANT برای واجد شرایط شدن سریع است، MEDIC برای فروش عمیق و پیچیده است.
• هوش مصنوعی تحقیقات را خلاصه می کند و امتیازات را پیشنهاد می کند. تصمیم نهایی متعلق به خود شخص است.
• امتیاز یک رتبه اولیه است و باید با توجیه درخواست شود.
• اطلاعات شرکت/فرد تولید شده توسط هوش مصنوعی بدون تأیید منبع اصلی قابل استفاده نیست.
• اطلاعات گمشده باید به‌جای «تخمین» به‌عنوان «بدون داده» علامت‌گذاری شود.

وظیفه کاربردی

فهرستی از آخرین 5 تا 10 مشتری به دست آمده خود تهیه کنید و از هوش مصنوعی بخواهید الگوهای مشترکی را با درخواست ICP در بالا پیدا کند. با استفاده از ICP حاصل، 10 سرنخ را که دارید اولویت بندی کنید. سپس هر ادعای خاص شرکتی را که هوش مصنوعی در لینکدین و سایت شرکت ایجاد می کند برای 3 امتیاز برتر تأیید کنید. توجه داشته باشید که کدام ادعاها نادرست یا ناقص هستند. این تمرین هم نظم ICP و هم رفلکس تایید را به طور همزمان آموزش می دهد.