Peramalan Penjualan, Analisis Saluran Pipa, dan Produksi Konten Penjualan

Keuntungan:

• Kemampuan untuk menganalisis data saluran pipa dengan AI dan membuat komentar perkiraan
• Kemampuan untuk dengan cepat menghasilkan konten penjualan seperti satu halaman, presentasi dan studi kasus
• Kemampuan untuk menyelesaikan keluaran AI dengan verifikasi numerik dan nada merek

Saat akhir kuartal semakin dekat, pertanyaan pemimpin penjualan selalu sama: "Bisakah kita menutup kuartal ini?" Jawaban atas pertanyaan ini bukanlah perasaan, melainkan tersembunyi di dalam saluran Anda. Namun data saluran pipa mentah adalah tabel berantakan dengan deretan transaksi, tahapan, jumlah, dan tanggal; Butuh waktu untuk melihat cerita di dalamnya. Kecerdasan buatan dapat membaca tabel ini dan mengekstrak distribusi tahapan, penyumbatan, tren tingkat kemenangan, dan interpretasi perkiraan dalam hitungan menit. Kecerdasan buatan yang sama juga dengan cepat menghasilkan satu halaman, kerangka presentasi, atau studi kasus yang menggambarkan bisnis yang dimenangkan. Namun, pesan utama dari unit ini adalah: jangan begitu saja menerima angka atau kalimat apa pun yang dihasilkan oleh kecerdasan buatan. Model menganalisis, Anda memverifikasi.

Analisis pipeline: dari data hingga wawasan

Analisis pipeline berupaya menjawab pertanyaan “seberapa sehat pekerjaan ini” dibandingkan “berapa banyak pekerjaan yang ada?” Metrik utama yang perlu diperhatikan:

metrik

apa isinya

tanda peringatan

Distribusi panggung

Pada tahap apa kesepakatan dibuat?

Tahap paling awal = perkiraan buruk

Kesepakatan macet

Peluang yang sudah lama tidak berkembang

60+ hari pada tahap yang sama

tingkat kemenangan

Menang / total ditutup

Tren turun = masalah proses

kemungkinan penutupan

Perkiraan tertimbang berdasarkan tahap

Bobot yang terlalu optimis

Ukuran kesepakatan rata-rata

Tren ukuran peluang

Menyusut = salah segmen

Perintah yang dapat disalin: analisis saluran pipa

Anda adalah seorang analis operasi penjualan. Analisis data saluran pipa di bawah ini. Data: setiap baris adalah peluang; Kolom: nama kesepakatan, tahapan, jumlah, tanggal masuk tahapan, perkiraan penutupan. Keluaran:1. Distribusi tahapan (jumlah peluang dan jumlah total di setiap tahapan)2. Peluang yang diblokir (peluang yang tetap berada dalam tahap yang sama selama lebih dari {{hari}} hari)3. Perhitungan tingkat kemenangan (berdasarkan transaksi yang ditutup)4. Ringkasan risiko: 3 peluang yang mengancam perkiraan dan alasannya Aturan: Hanya gunakan angka-angka dalam data. Tunjukkan rumus untuk setiap metrik yang Anda hitung agar saya dapat memverifikasinya. Memprediksi suatu nilai yang tidak ada dalam data; Jika tidak ada, tulis "data hilang".Data:{{pipeline_verisi}}

Interpretasi perkiraan dan verifikasi numerik

Kecerdasan buatan mungkin memberi tahu Anda "kuartal ini akan ditutup dengan 2,4 juta TL". Kalimat ini terdengar tepat, namun ada asumsi mendasar: kemungkinan penutupan apa yang digunakan? Penawaran mana saja yang termasuk? Apakah model melakukan kesalahan penambahan? Cara untuk memverifikasi keluaran numerik adalah dengan menanyakan asumsi dan rumus model secara eksplisit. Kemudian periksa setidaknya satu metrik secara manual: misalnya, tambahkan sendiri jumlah tertimbang dari tiga transaksi dan bandingkan dengan hasil model. Model dapat membuat kesalahan dalam aritmatika, terutama pada tabel multi-baris.

Justifikasi perkiraan di atas dalam format berikut:- Menutup asumsi probabilitas yang Anda gunakan (berdasarkan tahap)- Transaksi yang Anda sertakan dan kecualikan + alasannya- Perincian yang jelas dari perhitungan total tertimbang Anda (kesepakatan kesepakatan) Saya harus dapat memverifikasi bukan angka yang dihasilkan, namun bagaimana Anda sampai pada angka tersebut.

Perhatian: Angka perkiraan yang dihasilkan AI merupakan perhitungan, bukan fakta, dan sepenuhnya bergantung pada masukan dan asumsi. Model mungkin menggunakan bobot probabilitas yang salah, menambahkan baris secara salah, atau menghitung transaksi dua kali. Validasi secara manual setidaknya satu metrik dan buat asumsi terlihat sebelum menyajikan angkanya kepada manajemen. Perkiraan yang tidak terverifikasi menyebabkan perencanaan sumber daya yang salah.

Produksi konten penjualan: serangkaian masukan yang bagus

Kualitas AI sebagai one-pager, deck, atau studi kasus bergantung sepenuhnya pada masukan yang Anda berikan. Ringkasan konten yang baik mencakup lima komponen berikut: persona (kepada siapa), masalah (masalah apa yang harus kita selesaikan), proposisi nilai (mengapa kita), pembeda (bagaimana kita berbeda dari pesaing), dan nada merek (bagaimana kita berbicara). Jika kelima hal ini tidak ada, model tersebut akan mengisi kekosongan tersebut dengan klise pemasaran yang umum dan hasilnya akan serupa dengan model lainnya.

Produksi satu halaman selangkah demi selangkah

1. Kumpulkan set masukan. Persona, masalah, proposisi nilai, pembeda, corak merek.
2. Nyatakan tujuannya. Satu halaman, draf dek, studi kasus? Formatnya berbeda.
3. Minta modelnya diproduksi. Berikan ringkasan terstruktur.
4. Verifikasi nomornya. Konfirmasikan setiap metrik (ROI, durasi, jumlah pelanggan) yang disebutkan dalam konten dengan data nyata.
5. Sesuaikan dengan nada merek. Masukkan bahasa model ke dalam panduan suara perusahaan Anda.
6. Persetujuan manusia. Manusia akan meninjaunya sebelum dipublikasikan.

Prompt yang dapat disalin: satu halaman

Menghasilkan draf satu halaman. Masukan:- Persona: {{target_persona}}- Masalah yang kami selesaikan: {{problem}}- Proposisi nilai: {{value_recommendation}}- Pembeda: {{differentiators}}- Nada merek: {{brand_tone}}Struktur: (1) judul yang mencolok, (2) pernyataan masalah, (3) solusi kami, (4) 3 item manfaat, (5) tempat bukti sosial, (6) CTA jaring tunggal.Aturan: Lakukan tidak mengarang angka konkret atau klaim pelanggan. Tempatkan placeholder "[metrik untuk memverifikasi]" di mana nomor tersebut diperlukan. Tetap setia pada nada merek Anda.

Perintah yang dapat disalin: kerangka studi kasus

Buat kerangka studi kasus dari informasi pelanggan berikut:- Profil pelanggan: {{pelanggan}}- Masalah awal: {{masalah}}- Solusi yang diterapkan: {{solution}}- Hasil: {{results}}Struktur: Tantangan -> Solusi -> Kesimpulan. Tandai setiap nomor di bagian hasil dengan tag "[sumber/verifikasi diperlukan]". Jangan menulis klaim apa pun yang tidak disetujui oleh pelanggan seolah-olah itu adalah hal yang pasti.

Singkat lemah / Singkat kuat

LEMAH: "Tulis satu halaman untuk produk kami." Hasilnya: Teks yang bersifat generik, penuh klise, tidak jelas ditujukan kepada siapa, mungkin berisi figur-figur yang dibuat-buat, dan terlihat seperti milik orang lain.

GÜÇLÜ:"Persona: Manajer operasi sebuah perusahaan manufaktur dengan 500 orang. Masalah: biaya perencanaan shift manual 6 jam seminggu. Proposisi nilai: kami mengotomatiskan perencanaan dan mengurangi tingkat kesalahan. Pembeda: mematuhi undang-undang setempat, commissioning dalam 2 minggu. Nada: sederhana, dapat dipercaya, bersahaja. Letakkan placeholder di tempat yang diperlukan nomornya, buatlah."Hasil: Draf yang tepat sasaran, dapat diverifikasi, cocok untuk merek.

Kasus kecil: memperbaiki perkiraan optimis

Dalam tim perangkat lunak, manajer penjualan menganalisis saluran dengan kecerdasan buatan. Model ini menghasilkan perkiraan cerah untuk kuartal tersebut. Manajer meminta perincian kesepakatan-kesepakatan dari total tertimbang dari model, mengikuti aturan dalam unit. Saat ia memeriksa transkrip tersebut, ia memperhatikan dua hal: model tersebut menghitung kemungkinan 90 persen terjadinya kesepakatan besar yang terjebak dalam tahap "kontrak" selama enam puluh hari, padahal kenyataannya kesepakatan tersebut dalam bahaya; Selain itu, dua catatan untuk pelanggan yang sama dikumpulkan dua kali secara tidak sengaja. Perkiraan yang disesuaikan ini jauh di bawah angka pertama. Manajer menemui manajemen senior dengan angka realistis ini dan menunda keputusan perekrutan yang tidak perlu. Modelnya tidak buruk; itu hanya perlu diverifikasi.

Tips: Dalam pembuatan konten, jangan pernah meminta model untuk "membuat" gambar, melainkan meninggalkan placeholder. Tag "[metrik untuk memverifikasi]" adalah ruang aman yang menunggu untuk diisi dengan data nyata nanti, sehingga mencegah statistik palsu menjangkau pelanggan.

Kesalahan umum

• Menerima angka perkiraan tanpa pertanyaan. Jangan menyampaikan perkiraan apa pun tanpa melihat asumsi dan rumusnya.
• Mempercayai aritmatika model. Kesalahan agregasi terjadi pada tabel multi-baris; Periksa setidaknya satu metrik secara manual.
• Meminta konten dengan ringkasan yang lemah. Jika tidak ada persona dan pembeda maka keluarannya akan klise.
• Menerbitkan statistik palsu. Menempatkan ROI dan angka pelanggan yang dihasilkan oleh model dalam satu halaman tanpa memverifikasinya akan merusak kepercayaan merek.
• Melewati persetujuan manusia. Tidak ada konten penjualan yang ditayangkan tanpa tinjauan manusia.

Singkatnya

• Analisis pipeline menanyakan “seberapa sehat pekerjaan ini” dibandingkan “berapa banyak pekerjaan yang ada”; Distribusi panggung, penyumbatan, dan tingkat kemenangan sangat penting.
• Prakiraan adalah perhitungan, bukan fakta; Tanyakan model mengenai asumsi dan rumusnya dan verifikasi secara manual.
• Ringkasan konten yang baik mencakup lima komponen: persona, masalah, proposisi nilai, pembeda, nada merek.
• Jangan mengarang angka dalam satu halaman, dek, dan studi kasus; Tinggalkan placeholder dan isi dengan data nyata.
• Sesuaikan dengan warna merek dan pastikan untuk mendapatkan persetujuan manusia sebelum ditayangkan.

Tugas aplikasi

Ambil sampel 10-15 baris dari data saluran Anda sendiri (anonimkan) dan jalankan perintah "analisis saluran". Verifikasi secara manual tingkat kemenangan dan perkiraan tertimbang yang diberikan oleh model dengan meminta perincian rumus; Cobalah untuk menemukan setidaknya satu kesalahan atau asumsi yang meragukan. Kemudian jalankan perintah "satu halaman" dengan serangkaian masukan yang kuat untuk kesuksesan pelanggan nyata. Isi setiap placeholder dalam keluaran dengan data nyata dan terverifikasi, lalu sesuaikan teks dengan nuansa merek Anda. Versi finalnya harus memiliki kualitas yang, ketika ditunjukkan kepada rekan kerja, mereka akan berkata "inilah suara kami".

Ujian Modul

1. Saat menggunakan AI dalam penjualan, tanggung jawab utama manakah dari keputusan berikut yang harus selalu berada di tangan penjual manusia?

• A) Keakuratan harga pengikatan dan komitmen yang dikomunikasikan kepada pelanggan ✔
• B) Membuat draf email versi pertama
• C) Memisahkan catatan rapat menjadi beberapa item
• D) Sarankan tiga alternatif untuk baris subjek

Deskripsi: AI dapat menghasilkan draf, penelitian, dan ringkasan; Namun, manusia bertanggung jawab atas keakuratan dan etika keputusan yang mengikat seperti komitmen harga, ketentuan kontrak, dan janji formal kepada pelanggan. Keputusan-keputusan ini tidak boleh diserahkan tanpa verifikasi.

2. Apa arti huruf 'A' dalam kerangka BANT untuk mengkualifikasikan seorang pemimpin?

• A) Analisis
• B) Otoritas (otoritas pembelian) ✔
• C) Akun (ukuran akun)
• D) Adopsi

Deskripsi: PITA; Terdiri dari kata Budget (anggaran), Authority (kewenangan), Need (kebutuhan) dan Timeline (jadwal waktu). 'A' mengacu pada orang yang mempunyai kewenangan (Authority) dalam keputusan pembelian.

3. Mengapa email dingin yang dibuat oleh AI cenderung masuk ke folder spam dan tidak dikonversi?

• A) Karena terlalu pendek
• B) Karena mengandung tanda tanya
• C) Karena tidak dipersonalisasi, umum dan tidak relevan bagi pembeli ✔
• D) Karena diawali dengan nama penerima

Penjelasan: Email massal yang tidak dipersonalisasi, umum, dan tidak relevan bagi penerimanya akan memicu filter spam dan tidak menciptakan persepsi nilai pada penerimanya. Email dingin yang efektif mencakup peristiwa pemicu khusus untuk penerima dan proposisi nilai yang jelas.

4. Saat menyiapkan proposal untuk klien, Anda melihat frasa 'peningkatan produktivitas 300% dijamin di industri' dari AI. Perilaku manakah yang paling benar?

• A) Biarkan apa adanya karena mengesankan
• B) Tambah angkanya lebih banyak lagi dan tulis 500%
• C) Pindahkan ke bagian atas proposal dalam font besar
• D) Mengganti klaim dengan pernyataan yang dapat diverifikasi, realistis, dan bersumber ✔

Penjelasan: Klaim yang tidak dapat diverifikasi, dibesar-besarkan, dan dijamin merupakan tindakan yang tidak etis dan menimbulkan risiko hukum. Pernyataan tersebut harus dihapus atau diganti dalam rentang yang konkrit, spesifik sumber, dan realistis.

5. Manakah dari berikut ini yang merupakan praktik terbaik saat merancang rangkaian tindak lanjut yang dipersonalisasi?

• A) Memberikan nilai, wawasan atau sumber daya baru pada setiap tindak lanjut ✔
• B) Mengulangi kalimat 'hanya memeriksa' yang sama di setiap pesan
• C) Mengirim email yang sama dua kali sehari
• D) Jika respons pertama tidak diterima, seluruh rangkaian dibatalkan

Penjelasan: Thread tindak lanjut yang baik menawarkan nilai baru (konten, contoh, wawasan) pada setiap pesan dan tidak hanya mengatakan 'hanya memeriksa'. Setiap titik kontak harus memberikan alasan kepada pembeli.

6. Seorang pelanggan menyatakan keberatannya 'Harga Anda terlalu tinggi'. Pendekatan bertenaga AI manakah yang paling efektif?

• A) Menawarkan diskon segera
• B) Pahami akar keberatan dan susun ulang dalam kaitannya dengan nilai dan ROI ✔
• C) Berdebat dengan pelanggan dan mengatakan bahwa dia salah
• D) Tutup topik dan beralih ke produk lain

Penjelasan: Penanggulangan keberatan yang efektif memerlukan pemahaman terlebih dahulu mengenai keberatan tersebut (apakah itu persepsi harga atau nilai) dan kemudian menyusunnya dalam bentuk ROI/nilai. Menawarkan diskon segera mengurangi nilai.

7. Anda memberikan transkrip panggilan penjualan ke AI dan membuat catatan CRM. Area manakah yang paling kritis dalam catatan tersebut?

• A) Berapa menit percakapan tersebut berlangsung?
• B) Dari kota mana peserta terhubung
• C) Hapus langkah selanjutnya dengan pemilik dan tanggal yang diketahui ✔
• D) Berapa kali ditertawakan selama wawancara?

Deskripsi: Nilai operasional catatan CRM ada di bidang 'langkah berikutnya' dengan pemilik bersih dan tanggal. Jika langkah selanjutnya tidak jelas, peluang tersebut akan terhenti dan hilang.

8. Disiplin verifikasi apa yang paling penting saat mempersiapkan battlecard lawan dengan AI?

• A) Mempercayai AI secara langsung karena menggunakan model terkini
• B) Untuk menonjolkan produknya sendiri dengan melebih-lebihkan informasi pesaing
• C) Hanya menambahkan logo lawan ke meja
• D) Mengonfirmasi klaim pesaing dengan sumber terkini dan terpercaya ✔

Penjelasan: AI dapat menghasilkan harga, fitur, dan informasi pelanggan yang ketinggalan jaman atau berhalusinasi tentang pesaing. Setiap klaim pesaing di Battlecard harus diverifikasi dengan sumber terkini dan dapat diandalkan sebelum dijual.

9. Anda meminta AI menganalisis data Pipeline dan mengatakan '120% target akan tercapai pada kuartal ini'. Bagaimana sebaiknya Anda menangani prediksi ini?

• A) Melaporkan langsung kepada manajemen
• B) Bulatkan angkanya menjadi 150%
• C) Memvalidasi asumsi, menutup probabilitas dan perhitungan dengan data nyata ✔
• D) Benar-benar mengabaikan prediksi.

Deskripsi: Prediksi numerik AI bergantung pada kualitas input data dan asumsi; tidak boleh diterima begitu saja. Logika perhitungan, probabilitas penutupan dan asumsi harus diperiksa dan divalidasi silang dengan data nyata.

10. Input apa yang terbaik untuk diberikan kepada AI saat memproduksi satu halaman?

• A) Target persona, masalah konkrit, proposisi nilai, pembeda dan corak merek ✔
• B) Katakan saja 'tulis satu halaman untuk produk kami'
• C) Hanya tahun berdirinya perusahaan
• D) Daftar harga pesaing

Deskripsi: Agar AI dapat menghasilkan output yang berkualitas, konteks harus diberikan seperti persona target, penyelesaian masalah konkrit, proposisi nilai, pembeda, dan corak merek. Permintaan tanpa konteks seperti 'Tuliskan kami satu halaman' menghasilkan keluaran umum.