લીડ સંશોધન અને લાયકાત

નફો:

• AI ની મદદથી આદર્શ ગ્રાહક પ્રોફાઇલ (ICP) અને ખરીદનાર વ્યક્તિત્વને સ્પષ્ટ કરવાની ક્ષમતા
• BANT અને MEDDIC જેવા ફ્રેમવર્ક સાથે માળખાગત રીતે લીડ્સને લાયક બનવાની ક્ષમતા
• સ્ત્રોત સામે AI દ્વારા ઉત્પાદિત કંપની/વ્યક્તિની માહિતીની ચકાસણી કરવાની શિસ્ત લાગુ કરવાની ક્ષમતા

વેચાણમાં સૌથી મોંઘી ભૂલ ખોટી વ્યક્તિ સાથે વાત કરવી છે. પ્રતિનિધિ યોગ્ય સમયે ખોટા ગ્રાહકને યોગ્ય ઉત્પાદન સમજાવવામાં અઠવાડિયા ગાળે છે અને અંતે "કોઈ બજેટ નથી" અથવા "હું નિર્ણય લેનારો નથી." તેમ છતાં આ માહિતી મોટાભાગે પ્રથમ સંપર્ક પહેલા બહાર કાઢી શકાય છે. લીડ રિસર્ચ અને લાયકાત બરાબર આ જ કરે છે: તમારા ગ્રાહક કોણ હોઈ શકે છે અને કોણ સમયનો બગાડ કરે છે તેના પર વહેલા ભેદ કરો. આ એકમમાં તમે શીખી શકશો કે આ પ્રક્રિયાના એન્જિન તરીકે AI નો ઉપયોગ કેવી રીતે કરવો; આદર્શ ગ્રાહક પ્રોફાઇલ (ICP) અને ખરીદનાર વ્યક્તિઓ બનાવવાથી માંડીને BANT અને MEDDIC જેવા ફ્રેમવર્ક સાથે સ્કોરિંગ સુધી અમે સ્ટેપ બાય સ્ટેપ જોઈશું. ચાલો શરૂઆતમાં એક ચેતવણી આપીએ: AI દ્વારા ઉત્પાદિત કંપની અને વ્યક્તિની માહિતીને ચકાસ્યા વિના ક્યારેય "વાસ્તવિક" ગણવામાં આવતી નથી.

આદર્શ ગ્રાહક પ્રોફાઇલ (ICP) અને ખરીદનાર વ્યક્તિત્વ

ICP એ પ્રશ્નનો જવાબ છે "કયા પ્રકારની કંપની અમારા માટે આદર્શ ગ્રાહક છે?" વ્યક્તિત્વ તે વ્યક્તિ છે જેની સાથે તમે તે કંપનીમાં વાત કરો છો. તે બે અલગ અલગ વસ્તુઓ છે: ICP કંપનીને વ્યાખ્યાયિત કરે છે (ફર્મોગ્રાફિક), વ્યક્તિત્વ વ્યક્તિની વ્યાખ્યા કરે છે.

ખ્યાલ

શું વ્યાખ્યાયિત કરે છે

ઉદાહરણ સંકેતો

ICP (ફર્મોગ્રાફિક)

આદર્શ કંપની

ક્ષેત્ર, કર્મચારીઓની સંખ્યા, ટર્નઓવર, ભૂગોળ

ICP (ટેક્નોગ્રાફિક)

કંપની દ્વારા ઉપયોગમાં લેવાતી ટેક્નોલોજી

CRM, ઈન્ફ્રાસ્ટ્રક્ચર, સોફ્ટવેર તેઓ વાપરે છે

વ્યક્તિત્વ

નિર્ણય પ્રક્રિયામાં વ્યક્તિ

શીર્ષક, લક્ષ્યો, પીડા બિંદુઓ, KPIs

ફર્મોગ્રાફિક સંકેતો પ્રશ્નનો જવાબ આપે છે "શું આ કંપની કદની દ્રષ્ટિએ અમારા માટે યોગ્ય છે?" ટેક્નોગ્રાફિક સિગ્નલ્સ પ્રશ્નનો જવાબ આપે છે "શું તેઓ પહેલેથી જ એવી ટેક્નોલોજીનો ઉપયોગ કરી રહ્યાં છે જે અમારી સાથે પૂરક/વિરોધી છે?" ઉદાહરણ તરીકે, ચોક્કસ ઈ-કોમર્સ ઈન્ફ્રાસ્ટ્રક્ચરનો ઉપયોગ કરતી કંપનીઓ તમારા એકીકરણ માટે તૈયાર મેદાન હોઈ શકે છે.

ICP વ્યાખ્યા પ્રોમ્પ્ટ: "નીચે અમે છેલ્લા 12 મહિનામાં મેળવેલા ટોચના 10 ગ્રાહકોની વિશેષતાઓ છે. તેમાં કોમન પેટર્ન શોધીને એક આદર્શ ગ્રાહક પ્રોફાઇલ (ICP) બનાવો. નીચેના પરિમાણો સાથે એક ટેબલ બનાવો: ઉદ્યોગ, મુખ્ય ગણતરી શ્રેણી, વાર્ષિક ટર્નઓવર શ્રેણી, ભૂગોળ, ટેક્નોલૉજી પૉઇન્ટનો ઉપયોગ ફક્ત ટેક્નોલૉજીમાં જ થાય છે. ડેટા, ટોચના ગ્રાહકો: {{customer_list}}"ની બહાર ધારણાઓ ઉમેરશો નહીં.

વ્યક્તિત્વ નિષ્કર્ષણ પ્રોમ્પ્ટ: "અમે {{ઉત્પાદન}} વેચીએ છીએ. અમારું ICP {{icp_summary}} છે. 3 વ્યક્તિઓને વ્યાખ્યાયિત કરો જે આ કંપનીઓમાં ખરીદીના નિર્ણયને પ્રભાવિત કરે છે. દરેક વ્યક્તિ માટે:- શીર્ષક- પ્રાથમિક લક્ષ્યો અને KPIs કે જેના દ્વારા તેઓ માપવામાં આવે છે- ટોચના 2 પીડા બિંદુઓ- અમારા ઉત્પાદનના મૂલ્ય પ્રસ્તાવને તેમની ભાષામાં ભાષાંતરિત કરી શકાય છે.

લાયકાત ફ્રેમવર્ક: BANT અને MEDDIC

અમે માળખાગત પ્રશ્નો સાથે લીડ "વાસ્તવિક" છે કે કેમ તે માપીએ છીએ. બે સામાન્ય ફ્રેમવર્ક:

ટેપ - ઝડપી, હળવા પાત્રાલેખન માટે:

• બજેટ: શું ચૂકવણી કરવા માટે સંસાધનો છે?
• સત્તા: હું જેની વાત કરું છું તે વ્યક્તિ નિર્ણય લઈ શકે છે?
• જરૂરિયાત: શું કોઈ વાસ્તવિક, તાત્કાલિક જરૂરિયાત છે?
• સમયરેખા: તેઓ તેને ક્યારે પ્રાપ્ત કરવાની યોજના ધરાવે છે?

MEDDIC — જટિલ, મોટા B2B વેચાણ માટે વધુ ઊંડું:

• મેટ્રિક્સ: ગ્રાહક દ્વારા માપવામાં આવેલ સંખ્યાત્મક લાભ.
• આર્થિક ખરીદનાર: જે વ્યક્તિ ખરેખર બજેટને નિયંત્રિત કરે છે.
• નિર્ણય માપદંડ: નિર્ણય માપદંડ.
• નિર્ણય પ્રક્રિયા: નિર્ણય પ્રક્રિયા અને પગલાં.
• પીડા ઓળખો: કોંક્રિટ પીડા.
• ચેમ્પિયન: તે વ્યક્તિ જે અંદરથી તમારો બચાવ કરે છે.

ફ્રેમ

જ્યારે

ઊંડાઈ

ટેપ

ટૂંકું ચક્ર, નીચું-મધ્યમ મૂલ્ય

ઝડપી નાબૂદી

મેડિક

લાંબી ચક્ર, ઉચ્ચ મૂલ્ય, બહુ-હિતધારક

ઊંડા, વ્યવસ્થિત

ટીપ: નાના, ઝડપી વેચાણ માટે, TAPE થી પ્રારંભ કરો; જેમ જેમ સોદો વધે છે અને હિસ્સેદારોની સંખ્યા વધે છે તેમ MEDDIC પર સ્વિચ કરો. AI ને સ્પષ્ટપણે કહો કે તમે કયા ફ્રેમવર્ક સાથે સ્કોર કરવા માંગો છો, અથવા તે બંનેને મૂંઝવણમાં મૂકી શકે છે.

AI સાથે સંશોધન સારાંશ અને એટ્રિબ્યુશન સ્કોરિંગ

અમે અહીં બે નોકરીઓ માટે AI નો ઉપયોગ કરીએ છીએ: (1) ફ્રેમ દ્વારા તમારી પાસે રહેલી કાચી માહિતીનો સારાંશ આપો, (2) સ્કોર સૂચવો. સ્કોર તમારા માટે "પ્રારંભિક રેન્કિંગ" છે, અંતિમ નિર્ણય નથી.

લીડ ક્વોલિફિકેશન પ્રોમ્પ્ટ (BANT): "BANT ફ્રેમવર્ક સાથે નીચેની લીડ નોટ્સનું મૂલ્યાંકન કરો. દરેક પરિમાણ માટે 0-5 પોઈન્ટ આપો અને તમારું વાજબીપણું લખો. જો માહિતી ખૂટે છે, તો 'ડેટા નહીં' કહો, અનુમાન ન કરો. તપાસ: કુલ સ્કોર, 'ગરમ/ગરમ/ઠંડું' લેબલ અને આગળનું પગલું સૂચન. લીડ નોટ્સ: {}} {{person}}- નોંધો: {{interview_notes}}"

લીડ સૂચિ અગ્રતાકરણ પ્રોમ્પ્ટ: "નીચેની 20 લીડ્સને અમારા ICP ({{icp_summary}}) માટે તેમની યોગ્યતા અનુસાર સૉર્ટ કરો. દરેક લીડ માટે: યોગ્યતા સ્કોર (0-100), સૌથી મજબૂત ફિટ સિગ્નલ, સૌથી મોટી અનિશ્ચિતતા. ઓછા સ્કોર ધરાવતા લોકો માટે, સંક્ષિપ્તમાં કારણ લખો. જો કંપનીનો ડેટા ખૂટે છે, તો FITT ચિહ્નિત કરો. {{lead_list}}"

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા: "શું આ લીડ સારી છે?" (પરિણામ: એક મામૂલી, એક-શબ્દની ટિપ્પણી.) સ્ટ્રોંગ: "BAND ફ્રેમવર્કનો ઉપયોગ કરીને આ લીડને સ્કોર કરો. દરેક પરિમાણને 0-5 આપો, વાજબીતા લખો, ખૂટતી માહિતીને 'ડેટા નહીં' તરીકે ચિહ્નિત કરો અને કુલ સ્કોર પર આધારિત આગલું પગલું સૂચવો. તમારી નોંધોથી આગળ વધશો નહીં."

ફેબ્રિકેશનનું જોખમ: સ્ત્રોત ચકાસણી

AI વિશ્વસનીય રીતે એવી માહિતી બનાવી શકે છે જે તે કંપની અથવા વ્યક્તિ વિશે જાણતી નથી: ટર્નઓવર, કર્મચારીઓની સંખ્યા, શીર્ષક, નિર્ણય લેનારનું નામ પણ. જો તમે આ માહિતીના સંપર્કમાં આવો છો, તો તમે એક જ વારમાં તમારી વિશ્વસનીયતા ગુમાવશો.

સાવધાન: પ્રાથમિક સ્ત્રોતમાંથી AI પરત કરે છે તે કોઈપણ ફર્મ-વિશિષ્ટ ડેટા (ટર્નઓવર, વૃદ્ધિ, એક્ઝિક્યુટિવ નામ, ટેક સ્ટેક) ચકાસો: ફર્મની પોતાની સાઇટ, LinkedIn, સત્તાવાર ન્યૂઝલેટર્સ. આઉટરીચમાં વણચકાસાયેલ માહિતીનો ઉપયોગ કરશો નહીં.

એક સરળ ચકાસણી વર્કફ્લો:

1. લીડ સારાંશ માટે AI ને "દરેક દાવા પર સોર્સ ટેગ મૂકવા" કહો.
2. સ્ત્રોતમાંથી એક પછી એક "ચકાસાયેલ હોવી જોઈએ" તરીકે ચિહ્નિત થયેલ દરેક આઇટમને તપાસો.
3. CRM માં ચકાસાયેલ માહિતી પર પ્રક્રિયા કરો; જે ચકાસી શકાતું નથી તે કાઢી નાખો.
4. માત્ર ચકાસાયેલ માહિતી સાથે સ્કોરિંગ અપડેટ કરો.
5. પછી જ આઉટરીચ તરફ આગળ વધો.

મીની કેસ

B2B SaaS પ્રતિનિધિ કાન એઆઈને 50 લોકોની લીડ લિસ્ટ આપે છે અને તેને ICP યોગ્યતા અનુસાર સૉર્ટ કરે છે. "ફર્મ A ગયા ક્વાર્ટરમાં 200 કર્મચારીઓ સુધી પહોંચી," AI કહે છે. કાન લિંક્ડઇન પર કંપની ખોલે છે; કર્મચારીઓની સંખ્યા લગભગ 60 છે. AI અતિશયોક્તિપૂર્ણ છે. કાન આ સિગ્નલને "ચકાસાયેલ હોવું જોઈએ" તરીકે ચિહ્નિત કરે છે, વાસ્તવિક સંખ્યા દાખલ કરે છે અને સ્કોર બાદ કરે છે. બદલામાં, તે કંપનીના કારકિર્દી પૃષ્ઠ પર નવી પોસ્ટિંગ્સ સાથે AI ના "કંપની B ટૂંક સમયમાં નવું બજાર ખોલી રહી છે" સિગ્નલની પુષ્ટિ કરે છે અને આ લીડને પ્રાથમિકતા આપે છે. પરિણામ: AI એ મિનિટમાં 50 લીડ્સનો ક્રમાંક મેળવ્યો, કાને યાદીને માન્ય કરી અને 8 ખરેખર હોટ લીડ્સ પર ધ્યાન કેન્દ્રિત કર્યું.

સામાન્ય ભૂલો

• ICP ઓળખ્યા વિના તપાસ શરૂ કરવી (દરેકને નિશાન બનાવવી, કોઈને ગોળી મારવી નહીં).
• AI દ્વારા પૂરી પાડવામાં આવેલ કંપનીના ડેટાની ચકાસણી કર્યા વગર CRMમાં પ્રક્રિયા કરવી.
• BANT અને MEDDIC નું મિશ્રણ કરવું અને હાફ સ્કોરિંગ કરવું.
• AI ને તેના "અનુમાન" વડે ખૂટતી માહિતી ભરવાની મંજૂરી આપે છે.
• વિચારવું કે સ્કોર સંપૂર્ણ સત્ય છે અને માનવ નિર્ણયને અક્ષમ કરે છે.
• વ્યક્તિત્વને બદલે માત્ર કંપની પર ધ્યાન કેન્દ્રિત કરવું અને "હું કોની સાથે વાત કરું છું" ને છોડી દેવું.

ટીપ: "તમે શા માટે આ રીતે સ્કોર કર્યો?" પૂછીને હંમેશા AI સ્કોરને યોગ્ય ઠેરવો. જો વાજબીપણું નબળું છે, તો સ્કોર પણ નબળો છે. તર્ક તમને ચકાસવા માટે જરૂરી મુદ્દાઓ પણ સૂચવે છે.

સારાંશમાં

• ICP પેઢીનું વર્ણન કરે છે (ફર્મોગ્રાફિક + ટેક્નોગ્રાફિક), વ્યક્તિત્વ વ્યક્તિનું વર્ણન કરે છે; બંને જરૂરી છે.
• BANT ઝડપી લાયકાત માટે છે, MEDDIC ઊંડા અને જટિલ વેચાણ માટે છે.
• AI સંશોધનનો સારાંશ આપે છે અને સ્કોર્સ સૂચવે છે; અંતિમ નિર્ણય વ્યક્તિનો છે.
• સ્કોર એ પ્રારંભિક રેન્કિંગ છે અને વાજબીતા સાથે વિનંતી કરવી આવશ્યક છે.
• AI દ્વારા ઉત્પાદિત કંપની/વ્યક્તિની માહિતી પ્રાથમિક સ્ત્રોતમાંથી ચકાસણી કર્યા વિના વાપરી શકાતી નથી.
• ખૂટતી માહિતીને "અંદાજ" ને બદલે "કોઈ ડેટા" તરીકે ચિહ્નિત કરવી જોઈએ.

એપ્લિકેશન કાર્ય

તમારા છેલ્લા 5-10 હસ્તગત કરેલા ગ્રાહકોની યાદી બનાવો અને ઉપરના ICP પ્રોમ્પ્ટ સાથે AI સામાન્ય પેટર્ન શોધો. પરિણામી ICP નો ઉપયોગ કરીને તમારી પાસે 10 લીડ્સને પ્રાધાન્ય આપો. પછી દરેક કંપની-વિશિષ્ટ દાવા AI દ્વારા LinkedIn અને કંપનીની સાઇટ પર 3 સૌથી વધુ સ્કોરિંગ લીડ્સ માટે કરવામાં આવે છે તેની ચકાસણી કરો; નોંધ કરો કે કયા દાવા ખોટા અથવા અપૂર્ણ છે. આ કવાયત એક જ સમયે ICP શિસ્ત અને ચકાસણી રીફ્લેક્સ બંને શીખવે છે.