વેચાણની આગાહી, પાઇપલાઇન વિશ્લેષણ અને વેચાણ સામગ્રીનું ઉત્પાદન

નફો:

• AI સાથે પાઇપલાઇન ડેટાનું વિશ્લેષણ કરવાની અને આગાહી ટિપ્પણીઓ બનાવવાની ક્ષમતા
• વન-પેજર, પ્રેઝન્ટેશન અને કેસ સ્ટડી જેવી વેચાણ સામગ્રી ઝડપથી ઉત્પન્ન કરવાની ક્ષમતા
• સંખ્યાત્મક ચકાસણી અને બ્રાન્ડ ટોન સાથે AI આઉટપુટને અંતિમ સ્વરૂપ આપવાની ક્ષમતા

જેમ જેમ ક્વાર્ટર-એન્ડ નજીક આવે છે, સેલ્સ લીડરનો પ્રશ્ન હંમેશા એક જ રહે છે: "શું આપણે આ ક્વાર્ટર બંધ કરી શકીએ?" આ પ્રશ્નનો જવાબ લાગણી નથી, તમારી પાઇપલાઇનમાં છુપાયેલો છે. પરંતુ કાચો પાઈપલાઈન ડેટા એ પંક્તિઓ અને સોદાઓની પંક્તિઓ, તબક્કાઓ, રકમો અને તારીખો સાથેનું અવ્યવસ્થિત ટેબલ છે; અંદરની વાર્તા જોવામાં સમય લાગે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ ટેબલને વાંચી શકે છે અને મિનિટોમાં સ્ટેજ ડિસ્ટ્રિબ્યુશન, બ્લોકેજ, વિન રેટ ટ્રેન્ડ અને આગાહીનું અર્થઘટન કાઢી શકે છે. આ જ કૃત્રિમ બુદ્ધિ ઝડપથી વન-પેજર, પ્રેઝન્ટેશન રૂપરેખા અથવા બિઝનેસ જીત્યાનું વર્ણન કરતો કેસ સ્ટડી પણ બનાવે છે. જો કે, આ એકમનો મુખ્ય સંદેશ આ છે: કૃત્રિમ બુદ્ધિ દ્વારા ઉત્પાદિત કોઈપણ સંખ્યા અથવા વાક્યને આંધળાપણે સ્વીકારશો નહીં. મોડેલ વિશ્લેષણ કરે છે, તમે ચકાસો.

પાઇપલાઇન વિશ્લેષણ: ડેટાથી આંતરદૃષ્ટિ સુધી

પાઇપલાઇન વિશ્લેષણ "કેટલું કામ છે?" ને બદલે "આ કાર્ય કેટલું આરોગ્યપ્રદ છે" પ્રશ્નનો જવાબ આપવા માંગે છે. જોવા માટેના મુખ્ય મેટ્રિક્સ:

મેટ્રિક

તે શું કહે છે

ચેતવણી ચિહ્ન

સ્ટેજ વિતરણ

સોદા કયા તબક્કે સ્ટેક કરવામાં આવે છે?

મોટાભાગના પ્રારંભિક તબક્કા = નબળી આગાહી

અટવાયેલા સોદા

તકો જે લાંબા સમયથી આગળ વધી નથી

સમાન તબક્કે 60+ દિવસ

જીતનો દર

જીત / કુલ બંધ

ડાઉનટ્રેન્ડ = પ્રક્રિયા સમસ્યા

બંધ થવાની સંભાવના

સ્ટેજ દ્વારા ભારિત આગાહી

અતિશય આશાવાદી વજન

સોદાનું સરેરાશ કદ

તક કદ વલણ

સંકોચન = ખોટું સેગમેન્ટ

નકલ કરી શકાય તેવું પ્રોમ્પ્ટ: પાઇપલાઇન વિશ્લેષણ

તમે સેલ્સ ઓપરેશન એનાલિસ્ટ છો. નીચે પાઇપલાઇન ડેટાનું વિશ્લેષણ કરો. ડેટા: દરેક પંક્તિ એક તક છે; કૉલમ: ડીલનું નામ, સ્ટેજ, રકમ, સ્ટેજ એન્ટ્રી તારીખ, બંધ અંદાજ. આઉટપુટ:1. તબક્કાનું વિતરણ (દરેક તબક્કામાં તકોની સંખ્યા અને કુલ રકમ)2. અવરોધિત તકો (જે એક જ તબક્કામાં {{day}} દિવસ કરતાં વધુ સમય સુધી રહે છે)3. વિન રેટની ગણતરી (બંધ ડીલ્સ પર આધારિત)4. જોખમનો સારાંશ: આગાહીને ધમકી આપતી 3 તકો અને શા માટે નિયમ: માત્ર ડેટામાં સંખ્યાઓનો ઉપયોગ કરો. તમે ગણતરી કરો છો તે દરેક મેટ્રિક માટે મને સૂત્ર બતાવો જેથી હું તેને ચકાસી શકું. એવા મૂલ્યની આગાહી કરવી જે ડેટામાં નથી; જો તે ખૂટે છે, તો "ડેટા ખૂટે છે" લખો. ડેટા:{{pipeline_verisi}}

આગાહી અર્થઘટન અને સંખ્યાત્મક ચકાસણી

આર્ટિફિશિયલ ઇન્ટેલિજન્સ તમને કહી શકે છે કે "આ ક્વાર્ટર 2.4 મિલિયન TL સાથે બંધ થશે". આ વાક્ય ચોક્કસ લાગે છે, પરંતુ ત્યાં અંતર્ગત ધારણાઓ છે: કઈ બંધ થવાની શક્યતાઓનો ઉપયોગ કરવામાં આવ્યો હતો? કયા સોદાનો સમાવેશ થાય છે? શું મોડેલે વધારાની ભૂલ કરી? સંખ્યાત્મક આઉટપુટને ચકાસવાની રીત એ છે કે મોડેલને તેની ધારણાઓ અને સૂત્ર માટે સ્પષ્ટપણે પૂછવું. પછી ઓછામાં ઓછું એક મેટ્રિક મેન્યુઅલી તપાસો: ઉદાહરણ તરીકે, ત્રણ સોદાની ભારિત રકમ જાતે ઉમેરો અને મોડેલના પરિણામ સાથે તેની તુલના કરો. મોડેલો અંકગણિતમાં ભૂલો કરી શકે છે, ખાસ કરીને બહુ-પંક્તિ કોષ્ટકોમાં.

નીચે આપેલા ફોર્મેટમાં ઉપરોક્ત આગાહીને યોગ્ય ઠેરવો:- તમે ઉપયોગમાં લીધેલી સંભાવનાની ધારણાઓ બંધ કરો (સ્ટેજ દ્વારા) - તમે સમાવિષ્ટ અને બાકાત કરેલા સોદા + શા માટે- તમારી ભારિત કુલ ગણતરી (ડીલ ડીલ)નું સ્પષ્ટ વિરામ મારે પરિણામી સંખ્યાને નહીં પણ તમે તેના પર કેવી રીતે પહોંચ્યા તે ચકાસવા માટે સક્ષમ બનવાની જરૂર છે.

ધ્યાન આપો: AI દ્વારા નિર્મિત આગાહીનો આંકડો એક ગણતરી છે, હકીકત નથી અને તે સંપૂર્ણપણે ઇનપુટ અને ધારણાઓ પર આધારિત છે. મોડેલ ખોટા સંભવિત વજનનો ઉપયોગ કરી શકે છે, ખોટી રીતે રેખાઓ ઉમેરી શકે છે અથવા સોદાને ડબલ ગણી શકે છે. ઓછામાં ઓછા એક મેટ્રિકને મેન્યુઅલી માન્ય કરો અને મેનેજમેન્ટને નંબર રજૂ કરતા પહેલા ધારણાઓને દૃશ્યમાન બનાવો. ચકાસાયેલ અનુમાન ખોટા સંસાધન આયોજન તરફ દોરી જાય છે.

વેચાણ સામગ્રી ઉત્પાદન: ઇનપુટ્સનો સારો સમૂહ

વન-પેજર, ડેક અથવા કેસ સ્ટડી તરીકે AI ની ગુણવત્તા સંપૂર્ણપણે તમે જે ઇનપુટ આપો છો તેના પર આધાર રાખે છે. સારી સામગ્રી સંક્ષિપ્તમાં આ પાંચ ઘટકોનો સમાવેશ થાય છે: વ્યક્તિત્વ (કોને), સમસ્યા (આપણે શું પીડા ઉકેલી રહ્યા છીએ), મૂલ્ય પ્રસ્તાવ (આપણે શા માટે), વિભેદક (આપણે સ્પર્ધાથી કેવી રીતે અલગ છીએ), અને બ્રાન્ડ ટોન (આપણે કેવી રીતે બોલીએ છીએ). જો આ પાંચ ખૂટે છે, તો મોડલ જેનરિક માર્કેટિંગ ક્લિચેસ સાથે ગાબડાંને ભરે છે અને આઉટપુટ બીજા બધાની જેમ જ છે.

એક-પેજર ઉત્પાદન પગલું દ્વારા પગલું

1. ઇનપુટ સમૂહ એકત્રિત કરો. વ્યક્તિત્વ, સમસ્યા, મૂલ્ય પ્રસ્તાવ, વિભેદક, બ્રાન્ડ ટોન.
2. હેતુ જણાવો. વન-પેજર, ડેક ડ્રાફ્ટ, કેસ સ્ટડી? ફોર્મેટ અલગ છે.
3. મોડેલનું ઉત્પાદન કરો. સંરચિત સંક્ષિપ્ત આપો.
4. નંબરો ચકાસો. વાસ્તવિક ડેટા સાથે સામગ્રીમાં ઉલ્લેખિત દરેક મેટ્રિક (ROI, અવધિ, ગ્રાહકોની સંખ્યા) ની પુષ્ટિ કરો.
5. તેને બ્રાન્ડ ટોન માં ફિટ કરો. મોડેલની ભાષાને તમારી કોર્પોરેટ વૉઇસ માર્ગદર્શિકામાં ખેંચો.
6. માનવ મંજૂરી. પ્રકાશિત કરતા પહેલા માનવ તેની સમીક્ષા કરશે.

નકલ કરી શકાય તેવું પ્રોમ્પ્ટ: વન-પેજર

એક પેજર ડ્રાફ્ટ બનાવો. ઇનપુટ્સ:- વ્યક્તિત્વ: {{target_persona}}- સમસ્યા અમે ઉકેલી છે: {{problem}}- મૂલ્ય દરખાસ્ત: {{value_recommendation}}- ભિન્નતા: {{differentiators}}- બ્રાન્ડ ટોન: {{brand_tone}} માળખું: (2) અમારું સ્ટ્રાઇકિંગ આઇટમ, (4) સ્ટ્રાઇકિંગ આઇટમ્સ, 3) શીર્ષક, (4) શીર્ષક (5) સામાજિક પુરાવા સ્થળ, (6) સિંગલ નેટ CTA. નિયમ: નક્કર આંકડાઓ અથવા ગ્રાહકના દાવાઓ બનાવશો નહીં. જ્યાં નંબર જરૂરી હોય ત્યાં "[મેટ્રિક ટુ વેરીફાઈ]" પ્લેસહોલ્ડર મૂકો. તમારા બ્રાન્ડ ટોન માટે સાચા રહો.

નકલ કરવા યોગ્ય પ્રોમ્પ્ટ: કેસ સ્ટડી ફ્રેમવર્ક

નીચેની ગ્રાહક માહિતીમાંથી કેસ સ્ટડી સ્કેલેટન જનરેટ કરો:- ગ્રાહક પ્રોફાઇલ: {{customer}}- પ્રારંભિક સમસ્યા: {{problem}}- ઉકેલ અમલમાં: {{solution}}- પરિણામો: {{results}} માળખું: પડકાર -> ઉકેલ -> નિષ્કર્ષ. પરિણામો વિભાગમાં દરેક નંબરને "[સ્ત્રોત/ચકાસણી જરૂરી]" ટૅગ વડે ચિહ્નિત કરો. ગ્રાહક મંજૂર ન કરતો હોય એવો કોઈ દાવો ચોક્કસ ન લખો.

નબળા સંક્ષિપ્ત / મજબૂત સંક્ષિપ્ત

નબળા: "અમારા ઉત્પાદન માટે એક-પેજર લખો." પરિણામ: એક ટેક્સ્ટ જે સામાન્ય છે, ક્લિચથી ભરેલું છે, તે કોને સંબોધવામાં આવ્યું છે તે અસ્પષ્ટ છે, તેમાં બનાવેલ આકૃતિઓ હોઈ શકે છે, અને તે બીજા બધાની જેમ દેખાય છે.

GÜÇLÜ:"વ્યક્તિ: 500 લોકો સાથે મેન્યુફેક્ચરિંગ કંપનીના ઓપરેશન્સ મેનેજર. સમસ્યા: મેન્યુઅલ શિફ્ટ પ્લાનિંગનો ખર્ચ અઠવાડિયામાં 6 કલાક થાય છે. મૂલ્ય પ્રસ્તાવ: અમે આયોજનને સ્વચાલિત કરીએ છીએ અને ભૂલનો દર ઘટાડીએ છીએ. વિભેદક: સ્થાનિક કાયદાનું પાલન કરે છે, 2 અઠવાડિયામાં કમિશનિંગ થાય છે. ટોન: સરળ, વિશ્વાસપાત્ર નંબરની જરૂર હોય છે. અપ." પરિણામ: એક ડ્રાફ્ટ જે લક્ષ્ય પર છે, ચકાસી શકાય છે, બ્રાન્ડ માટે યોગ્ય છે.

મીની કેસ: આશાવાદી આગાહીને ઠીક કરવી

સોફ્ટવેર ટીમમાં, સેલ્સ મેનેજર પાસે આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા પૃથ્થકરણ કરાયેલ પાઇપલાઇન છે. આ મોડેલ ક્વાર્ટર માટે તેજસ્વી આગાહી ઉત્પન્ન કરે છે. મેનેજર યુનિટમાંના નિયમને અનુસરીને, મોડેલમાંથી વેઇટેડ ટોટલના ડીલ-ડીલ બ્રેકડાઉનની વિનંતી કરે છે. જ્યારે તે ટ્રાન્સક્રિપ્ટની તપાસ કરે છે, ત્યારે તે બે બાબતોની નોંધ લે છે: મોડેલે મોટા સોદાની 90 ટકા સંભાવના ગણી છે જે સાઠ દિવસથી "કોન્ટ્રાક્ટ" તબક્કામાં અટવાયેલી છે, જ્યારે હકીકતમાં તે સોદો જોખમમાં છે; વધુમાં, એક જ ગ્રાહક માટેના બે રેકોર્ડ આકસ્મિક રીતે બે વખત એકત્રિત કરવામાં આવ્યા હતા. સમાયોજિત અનુમાન પ્રથમ આંકડો કરતાં નોંધપાત્ર રીતે નીચે છે. મેનેજર આ વાસ્તવિકતા સાથે વરિષ્ઠ મેનેજમેન્ટ પાસે જાય છે અને બિનજરૂરી ભરતીના નિર્ણયને મુલતવી રાખે છે. મોડેલ ખરાબ ન હતું; તેને માત્ર ચકાસવાની જરૂર છે.

ટીપ: સામગ્રી બનાવટમાં, મોડેલને ક્યારેય આકૃતિઓ "બનાવવા" માટે કહો નહીં, પરંતુ પ્લેસહોલ્ડર છોડવા માટે. "[ચકાસવા માટે મેટ્રિક]" ટૅગ્સ એ સુરક્ષિત જગ્યાઓ છે જે પછીથી વાસ્તવિક ડેટાથી ભરવાની રાહ જોઈ રહી છે, જે બનાવેલા આંકડાઓને ગ્રાહક સુધી પહોંચતા અટકાવે છે.

સામાન્ય ભૂલો

• અનુમાનનો આંકડો પ્રશ્ન વગર સ્વીકારવો. ધારણાઓ અને ફોર્મ્યુલા જોયા વિના કોઈપણ અંદાજ સબમિટ કરશો નહીં.
• મોડેલના અંકગણિત પર વિશ્વાસ કરવો. એકત્રીકરણ ભૂલો બહુ-પંક્તિ કોષ્ટકોમાં થાય છે; ઓછામાં ઓછું એક મેટ્રિક મેન્યુઅલી તપાસો.
• નબળા સંક્ષિપ્ત સાથે સામગ્રીની વિનંતી કરવી. જો કોઈ વ્યક્તિત્વ અને વિભેદક ન હોય, તો આઉટપુટ ક્લીચ હશે.
• બનાવટી આંકડાઓ પ્રકાશિત કરી રહ્યા છે. મૉડલ દ્વારા ઉત્પાદિત ROI અને ગ્રાહકના આંકડાઓને તેની ચકાસણી કર્યા વિના એક-પેજર પર મૂકવાથી બ્રાન્ડ ટ્રસ્ટને નુકસાન થાય છે.
• માનવીય મંજૂરીને બાયપાસ કરીને. કોઈપણ વેચાણ સામગ્રી માનવ સમીક્ષા વિના લાઇવ થવી જોઈએ નહીં.

સારાંશમાં

• પાઈપલાઈન વિશ્લેષણ પૂછે છે કે "કેટલું કામ છે" ને બદલે "આ કાર્ય કેટલું આરોગ્યપ્રદ છે"; સ્ટેજ ડિસ્ટ્રિબ્યુશન, ક્લોગિંગ અને જીતનો દર મહત્વપૂર્ણ છે.
• આગાહી એ ગણતરી છે, હકીકત નથી; મોડેલને તેની ધારણાઓ અને સૂત્ર માટે પૂછો અને તેને જાતે ચકાસો.
• સારી સામગ્રી સંક્ષિપ્તમાં પાંચ ઘટકોનો સમાવેશ થાય છે: વ્યક્તિત્વ, સમસ્યા, મૂલ્ય પ્રસ્તાવ, તફાવત, બ્રાન્ડ ટોન.
• વન-પેજર, ડેક અને કેસ સ્ટડીમાં નંબરો બનાવશો નહીં; પ્લેસહોલ્ડર છોડો અને તેને વાસ્તવિક ડેટાથી ભરો.
• તેને બ્રાન્ડ ટોનમાં ફિટ કરો અને લાઇવ કરતા પહેલા માનવ મંજૂરી મેળવવાની ખાતરી કરો.

એપ્લિકેશન કાર્ય

તમારા પોતાના પાઈપલાઈન ડેટા (અનામી)માંથી 10-15 લાઈનોનો નમૂનો લો અને "પાઈપલાઈન વિશ્લેષણ" પ્રોમ્પ્ટ ચલાવો. ફોર્મ્યુલા બ્રેકડાઉનની વિનંતી કરીને મોડેલ દ્વારા આપવામાં આવેલ જીતનો દર અને ભારિત અનુમાન મેન્યુઅલી ચકાસો; ઓછામાં ઓછી એક ભૂલ અથવા શંકાસ્પદ ધારણા શોધવાનો પ્રયાસ કરો. પછી વાસ્તવિક ગ્રાહક સફળતા માટે ઇનપુટ્સના મજબૂત સેટ સાથે "વન-પેજર" પ્રોમ્પ્ટ ચલાવો. આઉટપુટમાં દરેક પ્લેસહોલ્ડરને વાસ્તવિક, ચકાસાયેલ ડેટા સાથે ભરો અને ટેક્સ્ટને તમારા પોતાના બ્રાન્ડ ટોન અનુસાર તૈયાર કરો. અંતિમ સંસ્કરણ એવી ગુણવત્તાનું હોવું જોઈએ કે, જ્યારે કોઈ સહકર્મીને બતાવવામાં આવે, ત્યારે તેઓ કહે કે "આ અમારો અવાજ છે".

મોડ્યુલ પરીક્ષા

1. વેચાણમાં AI નો ઉપયોગ કરતી વખતે, નીચેનામાંથી કયા નિર્ણયો માટેની અંતિમ જવાબદારી હંમેશા માનવ વેચાણકર્તાની રહેવી જોઈએ?

• A) બંધનકર્તા ભાવોની ચોકસાઈ અને ગ્રાહકને જણાવવામાં આવેલી પ્રતિબદ્ધતાઓ ✔
• બી) ઇમેઇલ ડ્રાફ્ટનું પ્રથમ સંસ્કરણ બનાવવું
• સી) મીટિંગની નોંધોને વસ્તુઓમાં અલગ કરવી
• ડી) વિષય રેખા માટે ત્રણ વિકલ્પો સૂચવો

વર્ણન: AI ડ્રાફ્ટ્સ, સંશોધન અને સારાંશ બનાવી શકે છે; જો કે, ભાવ પ્રતિબદ્ધતા, કરારની સ્થિતિ અને ગ્રાહકને ઔપચારિક વચન જેવા બંધનકર્તા નિર્ણયોની ચોકસાઈ અને નીતિશાસ્ત્ર માટે મનુષ્યો જવાબદાર છે. આ નિર્ણયો ચકાસણી વિના સબમિટ કરવા જોઈએ નહીં.

2. BANT ફ્રેમવર્કમાં 'A' અક્ષર લીડ સ્ટેન્ડ માટે લાયક બનવા માટે શું વપરાય છે?

• એ) એનાલિટિક્સ
• બી) સત્તા (ખરીદી સત્તા) ✔
• સી) એકાઉન્ટ (એકાઉન્ટનું કદ)
• ડી) દત્તક

વર્ણન: ટેપ; તેમાં બજેટ (બજેટ), ઓથોરિટી (ઓથોરિટી), જરૂરિયાત (જરૂર) અને સમયરેખા (સમયરેખા) શબ્દોનો સમાવેશ થાય છે. 'A' એ વ્યક્તિનો ઉલ્લેખ કરે છે જેની પાસે ખરીદીના નિર્ણયમાં સત્તા (ઓથોરિટી) હોય.

3. શા માટે AI-જનરેટેડ કોલ્ડ ઈમેલ સ્પામ ફોલ્ડરમાં સમાપ્ત થાય અને કન્વર્ટ ન થાય?

• એ) કારણ કે તે ખૂબ ટૂંકું છે
• B) કારણ કે તેમાં પ્રશ્ન ચિહ્ન છે
• C) કારણ કે તે બિન-વ્યક્તિગત, સામાન્ય અને ખરીદનાર માટે અપ્રસ્તુત છે ✔
• ડી) કારણ કે તે પ્રાપ્તકર્તાના નામથી શરૂ થાય છે

સમજૂતી: જથ્થાબંધ ઈ-મેલ્સ કે જે બિન-વ્યક્તિગત, સામાન્ય અને પ્રાપ્તકર્તા માટે અપ્રસ્તુત હોય છે તે બંને સ્પામ ફિલ્ટર્સને ટ્રિગર કરે છે અને પ્રાપ્તકર્તામાં મૂલ્યની ધારણા ઊભી કરતા નથી. અસરકારક કોલ્ડ ઈમેલમાં પ્રાપ્તકર્તા માટે વિશિષ્ટ ટ્રિગર ઇવેન્ટ અને સ્પષ્ટ મૂલ્ય પ્રસ્તાવનો સમાવેશ થાય છે.

4. ક્લાયન્ટ માટે દરખાસ્ત તૈયાર કરતી વખતે, તમે AI તરફથી 'ઉદ્યોગમાં 300% ઉત્પાદકતા વૃદ્ધિની ખાતરી આપી' વાક્ય જોયું. સૌથી યોગ્ય વર્તન કયું છે?

• એ) તેને જેમ છે તેમ છોડી દો કારણ કે તે પ્રભાવશાળી છે
• બી) સંખ્યા હજી વધુ વધારો અને 500% લખો
• C) તેને મોટા ફોન્ટમાં દરખાસ્તની ટોચ પર ખસેડો
• ડી) દાવાને ચકાસી શકાય તેવું, વાસ્તવિક અને સ્ત્રોત નિવેદન સાથે બદલવું ✔

સમજૂતી: ચકાસણી ન કરી શકાય તેવા, અતિશયોક્તિયુક્ત અને બાંયધરીકૃત દાવાઓ બંને અનૈતિક છે અને કાનૂની જોખમો બનાવે છે. નિવેદન કાં તો દૂર કરવું જોઈએ અથવા કોંક્રિટ, સ્ત્રોત-વિશિષ્ટ અને વાસ્તવિક શ્રેણીમાં બદલવું જોઈએ.

5. વ્યક્તિગત ફોલો-અપ ક્રમ ડિઝાઇન કરતી વખતે નીચેનામાંથી કયો શ્રેષ્ઠ અભ્યાસ છે?

• A) દરેક ફોલો-અપ સાથે નવું મૂલ્ય, આંતરદૃષ્ટિ અથવા સંસાધન પ્રદાન કરવું ✔
• B) દરેક મેસેજમાં એ જ 'જસ્ટ ચેકિંગ' વાક્યનું પુનરાવર્તન કરવું
• C) દિવસમાં બે વાર એક જ ઈમેલ મોકલવો
• ડી) જો પ્રથમ પ્રતિસાદ ન મળે, તો આખી શ્રેણી રદ કરવી

સમજૂતી: એક સારો ફોલો-અપ થ્રેડ દરેક સંદેશ સાથે નવું મૂલ્ય (સામગ્રી, ઉદાહરણ, આંતરદૃષ્ટિ) પ્રદાન કરે છે અને માત્ર 'માત્ર તપાસો' એવું કહેતું નથી. દરેક ટચપોઇન્ટે ખરીદનારને કારણ આપવું જોઈએ.

6. એક ગ્રાહકે વાંધો વ્યક્ત કર્યો 'તમારી કિંમત ઘણી વધારે છે'. સૌથી અસરકારક AI-સંચાલિત અભિગમ કયો છે?

• એ) તરત જ ડિસ્કાઉન્ટ ઓફર કરવું
• B) વાંધાના મૂળને સમજો અને તેને મૂલ્ય અને ROI ની દ્રષ્ટિએ ફરીથી ગોઠવો ✔
• C) ગ્રાહક સાથે દલીલ કરવી અને કહેવું કે તે ખોટો છે
• ડી) વિષય બંધ કરો અને બીજા ઉત્પાદન પર જાઓ

સમજૂતી: અસરકારક વાંધાનો સામનો કરવા માટે પહેલા વાંધાને સમજવું જરૂરી છે (પછી ભલે તે કિંમત હોય કે મૂલ્યની ધારણા હોય) અને પછી તેને ROI/મૂલ્યના સંદર્ભમાં ઘડવામાં આવે. ડિસ્કાઉન્ટની ઓફર તરત જ મૂલ્ય ઘટાડે છે.

7. તમે AI ને વેચાણ કૉલની ટ્રાન્સક્રિપ્ટ આપી અને CRM નોંધ બનાવી. નોંધમાં સૌથી મહત્વપૂર્ણ વિસ્તાર કયો છે?

• એ) વાતચીત કેટલી મિનિટ ચાલી?
• બી) સહભાગીઓ કયા શહેરમાંથી જોડાયેલા છે
• C) જાણીતા માલિક અને તારીખ સાથે આગળનું પગલું સાફ કરો ✔
• ડી) ઇન્ટરવ્યુ દરમિયાન કેટલી વખત હસવામાં આવ્યા હતા?

વર્ણન: CRM નોટનું ઓપરેશનલ મૂલ્ય ચોખ્ખા માલિક અને તારીખ સાથે 'નેક્સ્ટ સ્ટેપ' ફીલ્ડમાં છે. જો આગળનું પગલું અસ્પષ્ટ હોય, તો તક પાઇપલાઇનમાં અટકી જાય છે અને ખોવાઈ જાય છે.

8. AI સાથે પ્રતિસ્પર્ધી બેટલકાર્ડ તૈયાર કરતી વખતે સૌથી મહત્વપૂર્ણ ચકાસણી શિસ્ત શું છે?

• A) AI પર સીધો વિશ્વાસ કરવો કારણ કે તે સૌથી અદ્યતન મોડલનો ઉપયોગ કરે છે
• બી) સ્પર્ધકની માહિતીને અતિશયોક્તિ કરીને પોતાના ઉત્પાદનને પ્રકાશિત કરવા
• C) ટેબલ પર ફક્ત વિરોધીનો લોગો ઉમેરવો
• ડી) અપ-ટુ-ડેટ અને વિશ્વસનીય સ્ત્રોતો સાથે સ્પર્ધકના દાવાની પુષ્ટિ કરવી ✔

સમજૂતી: AI જૂની અથવા ભ્રમિત કિંમત, સુવિધાઓ અને સ્પર્ધકો વિશે ગ્રાહક માહિતી ઉત્પન્ન કરી શકે છે. બેટલકાર્ડ પરના દરેક સ્પર્ધકના દાવા વેચાણ માટે જતા પહેલા અપ-ટૂ-ડેટ અને વિશ્વસનીય સ્ત્રોત સાથે ચકાસવા જોઈએ.

9. તમે AI દ્વારા પાઈપલાઈન ડેટાનું વિશ્લેષણ કરીને કહ્યું હતું કે 'આ ત્રિમાસિક ગાળામાં 120% લક્ષ્ય હાંસલ કરવામાં આવશે'. તમારે આ આગાહીને કેવી રીતે હેન્ડલ કરવી જોઈએ?

• A) મેનેજમેન્ટને સીધી જાણ કરવી
• બી) સંખ્યાને 150% સુધી રાઉન્ડ કરો
• સી) વાસ્તવિક ડેટા સાથે ધારણાઓ, ક્લોઝિંગ સંભાવનાઓ અને ગણતરીઓ માન્ય કરવી ✔
• ડી) આગાહીને સંપૂર્ણપણે અવગણવી.

વર્ણન: AI ની સંખ્યાત્મક આગાહીઓ ઇનપુટ ડેટા અને ધારણાઓની ગુણવત્તા પર આધારિત છે; આંધળાપણે સ્વીકારવું જોઈએ નહીં. ગણતરીના તર્ક, બંધ થવાની સંભાવનાઓ અને ધારણાઓને ચકાસવી જોઈએ અને વાસ્તવિક ડેટા સાથે ક્રોસ-વેલિડેટ કરવી જોઈએ.

10. વન-પેજર બનાવતી વખતે AI ને આપવા માટે શ્રેષ્ઠ ઇનપુટ્સનો સમૂહ કયો છે?

• A) લક્ષ્ય વ્યક્તિત્વ, નક્કર સમસ્યા, મૂલ્ય પ્રસ્તાવ, તફાવત અને બ્રાન્ડ ટોન ✔
• B) ફક્ત 'અમારા ઉત્પાદન માટે એક-પેજર લખો' કહો
• સી) માત્ર કંપનીની સ્થાપનાનું વર્ષ
• ડી) સ્પર્ધકોની કિંમત સૂચિ

વર્ણન: AI ગુણવત્તાયુક્ત આઉટપુટ ઉત્પન્ન કરવા માટે, સંદર્ભ આપવો આવશ્યક છે જેમ કે લક્ષ્ય વ્યક્તિત્વ, નક્કર સમસ્યાનું નિરાકરણ, મૂલ્ય પ્રસ્તાવ, તફાવત અને બ્રાન્ડ ટોન. સંદર્ભહીન વિનંતી જેમ કે 'અમને એક-પેજર લખો' સામાન્ય આઉટપુટ ઉત્પન્ન કરે છે.