מכירה מוקדמת: הסמכה ומחקר מובילים

רווחים:

• יכולת להעריך לקוחות פוטנציאליים עם פרופיל לקוח אידיאלי (ICP) ומסגרת הסמכה (למשל BANT)
• יכולת להפיק תדרוך מובנה של חשבון/אדם ממידע זמין לציבור
• יכולת לסמן פלט הסמכה בהנחות שצריך לאמת

הטעות היקרה ביותר במכירות היא לבלות יותר מדי זמן עם האדם הלא נכון. אם נציג מכירות מבלה את יומו בפגישה עם מוביל שלעולם אינו זקוק למוצר שלך, הזדמנויות אמיתיות מתפוגגות. לכן מכירה טובה מתחילה בסינון לפני שאתה מוכר: מי באמת מועמד טוב ומי לא?

עבודה זו נקראת הסמכה. הבינה המלאכותית (AI) ממלאת כאן שני תפקידים רבי עוצמה: היא מחלצת תקציר חשבון מהיר ממידע זמין לציבור (אתר, תעשייה, חדשות) ומעריכה את ההובלה על פי מסגרת מוגדרת. אבל היזהר: המידע שה-AI מייצר הוא הנחה ראשונית, לא עובדה מוכחת. ביחידה זו תלמד כיצד לשמור על דיוק וסודיות תוך האצת מחקר לידים.

הערה: אין לעבד מידע חשבון/אדם שנוצר על ידי AI לתוך ה-CRM כאמיתי מבלי להיות מאומת, ובמיוחד אסור להשתמש בו כבסיס להחלטה (למשל "לחברה הזו אין תקציב"). איסוף נתונים אישיים שאינם ציבוריים היא מגבלה אתית וחוקית כאחד.

מסגרות ייחוס: ICP ו-BANT

שני מושגי יסוד:

• ICP (פרופיל לקוח אידיאלי): מתאר את המאפיינים של הלקוח שמרוויח הכי הרבה מהמוצר שלך, הכי קל לסגור אותו ונשאר הכי הרבה זמן (מגזר, גודל, צורך). "למי אנחנו צריכים למכור?" היא התשובה לשאלה.
• BANT: ארבע שאלות המודדות את הבשלות של ליד: תקציב (האם יש תקציב), סמכות (האם הוא מקבל החלטות), צורך (האם יש צורך אמיתי), תזמון (האם העיתוי מתאים). הערכת כל ליד בארבעה אלה מבהירה למי לתעדף.

בינה מלאכותית עובדת מצוין בהכנסת לידים למסגרות הללו ובחילוץ מידע חסר כ"שאלות שצריך לשאול".

צעד אחר צעד: הסמכה של ליד

1. זהה את ה-ICP שלך. רשום 4-5 מאפיינים קונקרטיים של הלקוח האידיאלי שלך.
2. אסוף מידע זמין לציבור. אתר אינטרנט, עמוד "אודות", תעשייה, משרות פנויות.
3. הסר תדרוך עם AI. הפק דוח חשבון מובנה.
4. ציון תאימות ICP. עד כמה הליד מתאים ל-ICP?
5. סמן את ההנחות. השאר מידע חזוי (לא מוכח) של AI נפרד.
6. הכן שאלות פתיחה. שאלות שיש לשאול בראיון הראשון כדי להשלים את פערי ה-BANT.

הנחיות הניתנות להעתקה

ההנחיה הבסיסית המחלצת תדרוך חשבון ממידע זמין לציבור:

תפקיד: אתה עוזר מחקר מכירות. להלן טקסט פומבי על חברה. הפק תדרוך חשבון מובנה מכאן:- מה החברה עושה (משפט אחד)- תעשייה וגודל משוער- צרכים אפשריים/נקודות כאב (קשורות למוצר שלנו)- התאמה ICP: [גבוה | בינוני | נמוך] + הצדקה למשפט בודד - רשום בנפרד הנחות (הסקות ללא ראיות) שצריך לאמת מידע FITTING שאינו בטקסט; אם אתה לא יודע, כתוב "לא ברור". המוצר שלנו: {{ product_summary }}טקסט חברה: {{ publicly_public_text }}

הנחיה שמעריכה את הליד לפי BANT:

הערך את המידע הבא של הלידים במסגרת BANT: - תקציב: אנחנו יודעים / לא ידוע - סמכות (סמכות): האם האדם הוא מקבל החלטות? - צריך: יש ראיות? - תזמון (זמן): האם יש אירוע טריגר? סמן "ידוע / לא ידוע" עבור כל מימד. הצע שאלה שיש לשאול בפגישה הראשונה שתכסה את הלא ידועים. מידע לידים: {{ מידע }}

הנחיה שמייצרת פתיחה אישית של איש קשר ראשון:

בהתבסס על תדרוך חשבון זה, כתוב שובר קרח מותאם אישית של משפט אחד עבור הקשר הראשון. תתבסס על התבוננות קונקרטית ספציפית לעבודתם, לא על שבחים כלליים. אל תגזים, אל תשתמש בטענות לא מבוססות. תדרוך: {{ תדרוך }}

הנחיה שמציעה גם "חיסול" בהסמכה:

אם ההובלה הזו נראית נמוכה תואמת ל-ICP שלנו, אמור זאת בבירור ותן 1-2 פריטים של הצדקה מדוע אולי לא כדאי להמשיך. אל תכריח קרבה; היה כנה כדי להקצות את המשאבים שלנו למקום הנכון.ICP: {{ icp }} | מוביל: {{ מוביל }}

הנחיה חלשה / הנחיה חזקה

גישה גרועה

גישה חזקה

"ספר לי על החברה הזו"

מחזיר טקסט ציבורי + מבקש תדרוך מובנה

מייצר מחזור/מספר עובדים פיקטיביים

אומר "לא בטוח", מסמן הנחות בנפרד

מציג כל ליד כ"מוסמך"

מבטל למדי תאימות נמוכה

פתיחה כללית ("חברה נהדרת")

פתח בטון ספציפי לעסק שלהם

ההבדל הוא שהגישה החזקה משתמשת ב-AI כ"מחולל השערות" ולא כ"מקור עובדה": כל פלט הוא שרטוט שיש לאמת.

שלושה מיני מארזים

מקרה 1 - מלכודת המחזור המזויף. נציג שאל: "מה המחזור של החברה הזו?" הוא שאל; AI אמר בביטחון "250 מיליון TL בשנה". עם זאת, זה היה מפוברק לחלוטין; החברה מעולם לא חשפה מידע זה. כשהצוות הבין זאת, הם עדכנו את ההנחיה עם הכלל "אם אתה לא יודע, כתוב בצורה מעורפלת, המציא מספרים". בתדרוכים הבאים כתב ה-AI "לא בטוח" בתחום המחזור, ומנע הצעה שגויה המבוססת על הנחת תקציב שגויה.

מקרה 2 - חיסול כנה חסך זמן. רשימה של 30 לידים הועברה דרך ההנחיה של ICP. AI סימנה 9 לידים כ"התאמה נמוכה" ונתנה הצדקה (למשל "צוות קטן מדי, מתחת למספר המינימלי של משתמשים במוצר שלנו"). במקום לבזבז זמן על 9 אלה, הנציג התמקד ב-21 לידים מתאימים; באותו רבעון איכות הצינור (צינור המכירות) עלתה משמעותית.

מקרה 3 - דלת נפתחת מבטון. AI הסיק מפרסומי דרושים אחרונים של חברה ש"הם בונים צוות תמיכה שצומח במהירות" וביסס את משפט הפתיחה שלו על כך: "הייתי סקרן איך אתה מנהל את נפח הבקשות ההולך וגובר ככל שאתה מגדיל את צוות התמיכה שלך". בהשוואה לפתיחה כללית, שיעור התגובה היה גבוה באופן ניכר; כי המסר נגע במצב האמיתי שלהם.

טיפ: הפוך כל "הנחה" שה-AI מסיק לשאלה בפגישה הראשונה. במקום לומר, "אני חושב שנפח התמיכה שלך גדל", שאל, "איך השתנה נפח התמיכה שלך לאחרונה?" לִשְׁאוֹל. כך אתה מאשר את ההנחה ומביא את הלקוח לדבר.

פרטיות וגבול אתי

הייחוס מתבצע רק עם מידע זמין לציבור ומידע עסקי. זה גם לא אתי וגם לא חוקי להשתמש בפוסטים פרטיים של אדם במדיה החברתית, בחייו האישיים או בנתונים שהושגו ללא רשות כמקור מחקר (KVKK, כלומר חקיקה להגנה על נתונים אישיים). הכלל פשוט: אין לאסוף ולהזין ל-AI מידע אישי שאינו כתוב באתר הרשמי של החברה או במשאבים מסחריים פתוחים.

זהירות: אין להציג ללקוח תחזיות "צורך/נקודת כאב" שנוצרו על ידי בינה מלאכותית כאילו היו ידועות בוודאות. אמירת "יש לך בעיה זו" שובר מיד את האמון אם זה שגוי. במקום זאת, "את האתגר הזה רואים לעתים קרובות בתעשייה שלך, מה שלומך?" המשך ללא סוף.

תופסת אירועים מעוררים

במכירות, התזמון הוא לעתים קרובות יותר חשוב מהמסר עצמו. "אירוע טריגר" הוא התפתחות גלויה לציבור המעידה על כך שחברה עשויה להזדקק לפתרון שלך עכשיו: גיוס של מנהל חדש, פתיחת משרד חדש, רכישת השקעה חדשה, צמיחה מהירה של צוות או השקת מוצר חדש. אירועים אלו הם "פתח"; כי חברות שחוות שינוי נמצאות בתקופה שבה הן הכי פתוחות לפתרונות חדשים. אתה נותן ל-AI חדשות ופרסומים ציבוריים של החשבון ושואל "האם יש אירועים מעוררים שניתן לקשר לפתרון שלנו?" אתה יכול לשאול.

עם טריגר כזה במקום, הודעת הקשר הראשונה שלך מתחזקת הרבה יותר: פתיחה כמו "ראיתי שפתחת את מרכז התפעול החדש שלך; ניהול נפח תמיכה בקנה מידה זה הוא לעתים קרובות מאתגר" מרגיש רלוונטי ובזמן. ובכל זאת, אותה משמעת חלה: ודא שהאירוע המעורר הוא אמיתי ועדכני, ואל תצחק על ידי הטעות של חדשות ישנות ב"חדשות". תזמון הוא חבר טוב, אבל רק עם מידע מאומת.

טעויות נפוצות

• קבלת מספר המחזור/עובד שהרכיב בינה מלאכותית כאמיתי מבלי לאמת זאת.
• כדי להכשיר כל ליד; דילוג על הקרנה כנה ובזבוז משאבים.
• ביצוע מחקר מתוך הנחה ש"כולם לקוחות שלנו" מבלי להגדיר ICP.
• חיפוש אחר נתונים אישיים שאינם ציבוריים והזנתם ל-AI (הפרת KVKK).
• הצגת תחזית נקודת הכאב של AI ללקוח כאמת מוחלטת.
• דילוג על אימות על ידי אי הפיכת הנחות לשאלות ראיון.

לסיכום

• מכירה טובה מתחילה בביטול; ICP ו-BANT מבהירים למי לתעדף.
• AI מחלץ תדרוך מהיר ממידע זמין לציבור; אבל הפלט שלו הוא הנחה שיש לאמת.
• הימנע ממציאת מספרים ומידע באמצעות כלל "אם אתה לא יודע, כתוב במעורפל".
• הסר לידים בעלי התאמה נמוכה ביושר; הקצו את המשאבים שלכם למקום הנכון.
• השתמש רק במידע עסקי זמין לציבור; הגן על מגבלת נתונים אישיים (KVKK).

משימת יישום

קחו את דף ה"אודות" הזמין לציבור של חברת יעד אמיתית והזינו אותו להנחיית התדריך. בדוק שלושה דברים בפלט: (1) האם ה-AI הרכיב מספרים/מידע כלשהו (אם כן, חיזק את הכלל ה"לא ודאי"), (2) האם רשימת "ההנחות" למעשה מבודדת מסקנות בלתי מוכחות, (3) האם הרציונל של תאימות ICP הגיוני. לאחר מכן הפוך כל הנחה מודגשת לשאלה פתוחה שתשאל בראיון הראשון.

רשימת בדיקה

• [ ] תיארתי את ה-ICP שלי עם 4-5 תכונות קונקרטיות.
• [ ] השתמשתי רק במידע עסקי זמין לציבור.
• [ ] מנעתי מה-AI להמציא מספרים/מידע עם הכלל "מטושטש".
• [ ] סימנתי הנחות בנפרד ממידע מוכח.
• [ ] ביטלתי לידים בעלי תאימות נמוכה בכנות.
• [ ] הפכתי כל הנחה לשאלה שאשאל בראיון.