नफा:
- AI सह पाइपलाइन डेटाचे विश्लेषण करण्याची आणि अंदाज टिप्पण्या तयार करण्याची क्षमता
- एक-पेजर, प्रेझेंटेशन आणि केस स्टडी यासारखी विक्री सामग्री द्रुतपणे तयार करण्याची क्षमता
- संख्यात्मक सत्यापन आणि ब्रँड टोनसह AI आउटपुटला अंतिम रूप देण्याची क्षमता
जसजसा क्वार्टर-एंड जवळ येतो, सेल्स लीडरचा प्रश्न नेहमी सारखाच असतो: "आम्ही हा तिमाही बंद करू शकतो का?" या प्रश्नाचे उत्तर भावना नसून ते तुमच्या पाइपलाइनमध्ये दडलेले आहे. परंतु कच्चा पाइपलाइन डेटा हा एक गोंधळलेला सारणी आहे ज्यामध्ये डील, टप्पे, रक्कम आणि तारखा आहेत; आतली गोष्ट बघायला वेळ लागतो. आर्टिफिशियल इंटेलिजन्स हे टेबल वाचू शकते आणि काही मिनिटांत स्टेज डिस्ट्रिब्युशन, ब्लॉकेज, विन रेट ट्रेंड आणि अंदाजाचा अर्थ काढू शकते. हीच कृत्रिम बुद्धिमत्ता त्वरीत एक-पेजर, एक सादरीकरण बाह्यरेखा किंवा व्यवसाय जिंकल्याबद्दल वर्णन करणारा केस स्टडी तयार करते. तथापि, या युनिटचा मुख्य संदेश हा आहे: कृत्रिम बुद्धिमत्तेद्वारे तयार केलेली कोणतीही संख्या किंवा वाक्य आंधळेपणाने स्वीकारू नका. मॉडेल विश्लेषण करते, आपण सत्यापित करा.
पाइपलाइन विश्लेषण: डेटापासून अंतर्दृष्टीपर्यंत
पाइपलाइन विश्लेषण "किती काम आहे?" ऐवजी "हे काम किती आरोग्यदायी आहे" या प्रश्नाचे उत्तर शोधते. पाहण्यासाठी प्रमुख मेट्रिक्स:
मेट्रिक
ते काय म्हणते
चेतावणी चिन्ह
स्टेज वितरण
कोणत्या टप्प्यावर सौदे स्टॅक केलेले आहेत?
सर्वात प्रारंभिक टप्पे = खराब अंदाज
रखडलेले सौदे
बर्याच काळापासून प्रगती न झालेल्या संधी
एकाच टप्प्यावर ६०+ दिवस
विजय दर
विजय / एकूण बंद
डाउनट्रेंड = प्रक्रिया समस्या
बंद होण्याची शक्यता
स्टेजनुसार भारित अंदाज
अती आशावादी वजन
सरासरी डील आकार
संधी आकार कल
संकुचित करणे = चुकीचा विभाग
कॉपी करण्यायोग्य प्रॉम्प्ट: पाइपलाइन विश्लेषण
तुम्ही विक्री ऑपरेशन विश्लेषक आहात. खालील पाइपलाइन डेटाचे विश्लेषण करा. डेटा: प्रत्येक पंक्ती एक संधी आहे; स्तंभ: कराराचे नाव, स्टेज, रक्कम, स्टेज एंट्रीची तारीख, शेवटचा अंदाज. आउटपुट:1. स्टेज वितरण (प्रत्येक टप्प्यातील संधींची संख्या आणि एकूण रक्कम)2. अवरोधित केलेल्या संधी (ज्या एकाच टप्प्यात {{day}} दिवसांपेक्षा जास्त काळ राहतात)3. विजय दर गणना (बंद सौद्यांवर आधारित)4. जोखीम सारांश: अंदाज धोक्यात आणणाऱ्या 3 संधी आणि का नियम: फक्त डेटामधील संख्या वापरा. तुम्ही गणना करता त्या प्रत्येक मेट्रिकसाठी मला सूत्र दाखवा म्हणजे मी ते सत्यापित करू शकेन. डेटामध्ये नसलेल्या मूल्याचा अंदाज लावणे; तो गहाळ असल्यास, "डेटा मिसिंग" लिहा. डेटा:{{pipeline_verisi}}
अंदाज व्याख्या आणि संख्यात्मक सत्यापन
आर्टिफिशियल इंटेलिजन्स तुम्हाला सांगू शकते की "हा तिमाही 2.4 दशलक्ष TL सह बंद होईल". हे वाक्य अगदी तंतोतंत वाटते, परंतु अंतर्निहित गृहितक आहेत: कोणत्या बंद होण्याची शक्यता वापरली गेली? कोणते सौदे समाविष्ट आहेत? मॉडेलने अतिरिक्त त्रुटी केली का? संख्यात्मक आउटपुट सत्यापित करण्याचा मार्ग म्हणजे मॉडेलला त्याच्या गृहीतके आणि सूत्रासाठी स्पष्टपणे विचारणे. नंतर किमान एक मेट्रिक मॅन्युअली तपासा: उदाहरणार्थ, तीन डीलची भारित रक्कम स्वतः जोडा आणि मॉडेलच्या निकालाशी त्याची तुलना करा. मॉडेल्स अंकगणितात चुका करू शकतात, विशेषत: बहु-पंक्ती सारण्यांमध्ये.
वरील अंदाजाचे खालील फॉर्मेटमध्ये समर्थन करा:- तुम्ही वापरलेली संभाव्यता गृहीतके बंद करणे (स्टेजनुसार)- तुम्ही समाविष्ट केलेले आणि वगळलेले सौदे + का- तुमच्या वजनित एकूण गणनेचे स्पष्ट खंडन (डील डील) मला परिणामी संख्या नाही तर तुम्ही त्यावर कसे पोहोचलात याची पडताळणी करण्यात सक्षम असणे आवश्यक आहे.
लक्ष द्या: AI द्वारे निर्मित अंदाज आकृती ही एक गणना आहे, वस्तुस्थिती नाही आणि ती इनपुट आणि गृहितकांवर पूर्णपणे अवलंबून आहे. मॉडेल चुकीच्या संभाव्यतेचे वजन वापरू शकते, चुकीच्या रेषा जोडू शकते किंवा कराराची दुहेरी गणना करू शकते. मॅन्युअली किमान एक मेट्रिक सत्यापित करा आणि संख्या व्यवस्थापनास सादर करण्यापूर्वी गृहीतके दृश्यमान करा. असत्यापित अंदाज चुकीचे संसाधन नियोजन ठरतो.
विक्री सामग्री उत्पादन: इनपुटचा चांगला संच
एक-पेजर, डेक किंवा केस स्टडी म्हणून AI ची गुणवत्ता पूर्णपणे तुम्ही दिलेल्या इनपुटवर अवलंबून असते. चांगल्या कंटेंटमध्ये या पाच घटकांचा समावेश होतो: व्यक्तिमत्व (कोणासाठी), समस्या (आम्ही कोणती वेदना सोडवत आहोत), मूल्य प्रस्ताव (आम्ही का), भिन्नता (आम्ही स्पर्धेपासून कसे वेगळे आहोत), आणि ब्रँड टोन (आम्ही कसे बोलतो). हे पाच गहाळ असल्यास, मॉडेल जेनेरिक मार्केटिंग क्लिचसह अंतर भरते आणि आउटपुट इतर प्रत्येकाच्या सारखेच असते.
चरण-दर-चरण एक-पेजर उत्पादन
- इनपुट संच गोळा करा. व्यक्तिमत्व, समस्या, मूल्य प्रस्ताव, भिन्नता, ब्रँड टोन.
- उद्देश सांगा. वन-पेजर, डेक ड्राफ्ट, केस स्टडी? स्वरूप वेगळे आहे.
- मॉडेल तयार करा. संरचित संक्षिप्त द्या.
- संख्या सत्यापित करा. वास्तविक डेटासह सामग्रीमध्ये नमूद केलेल्या प्रत्येक मेट्रिकची (ROI, कालावधी, ग्राहकांची संख्या) पुष्टी करा.
- ब्रँड टोनमध्ये ते फिट करा. मॉडेलची भाषा तुमच्या कॉर्पोरेट व्हॉइस गाइडमध्ये खेचा.
- मानवी मान्यता. प्रकाशित करण्यापूर्वी एक माणूस त्याचे पुनरावलोकन करेल.
कॉपी करण्यायोग्य प्रॉम्प्ट: एक-पेजर
एक-पृष्ठर मसुदा तयार करा. इनपुट:- व्यक्तिमत्व: {{target_persona}}- आम्ही सोडवलेली समस्या: {{problem}}- मूल्य प्रस्ताव: {{value_recommendation}}- भिन्नता: {{differentiators}}- ब्रँड टोन: {{brand_tone}}रचना: (1) आमची समस्या, 3) समस्या समाधान, (4) स्ट्राइकिंग आयटम, 3) शीर्षक (4) (5) सामाजिक पुरावा जागा, (6) एकल निव्वळ CTA. नियम: ठोस आकडे किंवा ग्राहकांचे दावे बनवू नका. जेथे नंबर आवश्यक असेल तेथे "[मेट्रिक टू व्हेरिफाय]" प्लेसहोल्डर ठेवा. तुमच्या ब्रँड टोनशी खरे राहा.
कॉपी करण्यायोग्य प्रॉम्प्ट: केस स्टडी फ्रेमवर्क
खालील ग्राहक माहितीवरून केस स्टडी स्केलेटन व्युत्पन्न करा:- ग्राहक प्रोफाइल: {{customer}}- प्रारंभिक समस्या: {{problem}}- उपाय लागू केले: {{solution}}- परिणाम: {{results}}रचना: आव्हान -> उपाय -> निष्कर्ष. परिणाम विभागात प्रत्येक क्रमांकावर "[स्रोत/सत्यापन आवश्यक]" टॅगसह चिन्हांकित करा. असा कोणताही दावा लिहू नका की ग्राहक तो निश्चित असल्याप्रमाणे मंजूर करत नाही.
कमकुवत संक्षिप्त / मजबूत संक्षिप्त
कमजोर: "आमच्या उत्पादनासाठी एक-पेजर लिहा." परिणाम: एक मजकूर जो सामान्य आहे, क्लिचने भरलेला आहे, तो कोणाला उद्देशून आहे हे अस्पष्ट आहे, त्यात तयार केलेल्या आकृत्या असू शकतात आणि इतर प्रत्येकाच्या सारख्या दिसतात.
GÜÇLÜ:"व्यक्तिमत्व: 500 लोकांसह उत्पादन कंपनीचे ऑपरेशन्स मॅनेजर. समस्या: मॅन्युअल शिफ्ट प्लॅनिंगसाठी आठवड्यातून 6 तास खर्च येतो. मूल्य प्रस्ताव: आम्ही नियोजन स्वयंचलित करतो आणि त्रुटी दर कमी करतो. भिन्नता: स्थानिक कायद्याचे पालन करणारे, 2 आठवड्यांत सुरू करणे. टोन: साधे, विश्वासार्ह स्थान आवश्यक आहे. वर." परिणाम: एक मसुदा जो लक्ष्यावर आहे, सत्यापित करण्यायोग्य, ब्रँडसाठी योग्य आहे.
मिनी केस: आशावादी अंदाज निश्चित करणे
सॉफ्टवेअर टीममध्ये, विक्री व्यवस्थापकाकडे कृत्रिम बुद्धिमत्तेद्वारे विश्लेषण केलेली पाइपलाइन असते. मॉडेल तिमाहीसाठी एक उज्ज्वल अंदाज तयार करते. युनिटमधील नियमाचे पालन करून, मॅनेजर मॉडेलमधून वेटेड टोटलच्या डील-डील ब्रेकडाउनची विनंती करतो. जेव्हा तो उतारा तपासतो तेव्हा त्याला दोन गोष्टी लक्षात येतात: मॉडेलने मोठ्या कराराची 90 टक्के संभाव्यता मोजली आहे जी साठ दिवसांपासून "करार" टप्प्यात अडकली आहे, जेव्हा प्रत्यक्षात तो करार धोक्यात असतो; याव्यतिरिक्त, एकाच ग्राहकासाठी दोन रेकॉर्ड चुकून दोनदा गोळा केले गेले. समायोजित अंदाज पहिल्या आकृतीपेक्षा लक्षणीय खाली आहे. व्यवस्थापक या वास्तववादी आकृतीसह वरिष्ठ व्यवस्थापनाकडे जातो आणि अनावश्यक नियुक्तीचा निर्णय पुढे ढकलतो. मॉडेल वाईट नव्हते; ते फक्त सत्यापित करणे आवश्यक आहे.
टीप: सामग्री तयार करताना, मॉडेलला कधीही आकृत्या "तयार" करण्यास सांगू नका, तर प्लेसहोल्डर सोडण्यास सांगा. "[सत्यापित करण्यासाठी मेट्रिक]" टॅग ही सुरक्षित जागा आहेत जी नंतर वास्तविक डेटाने भरण्याची प्रतीक्षा करतात, तयार केलेली आकडेवारी ग्राहकांपर्यंत पोहोचण्यापासून प्रतिबंधित करते.
सामान्य चुका
- प्रश्न न करता अंदाज आकृती स्वीकारणे. गृहीतके आणि सूत्र न पाहता कोणतेही अंदाज सादर करू नका.
- मॉडेलच्या अंकगणितावर विश्वास ठेवा. एकत्रीकरण त्रुटी बहु-पंक्ती सारण्यांमध्ये आढळतात; किमान एक मेट्रिक व्यक्तिचलितपणे तपासा.
- कमकुवत संक्षिप्त माहितीसह सामग्रीची विनंती करणे. व्यक्तिमत्व आणि भिन्नता नसल्यास, आउटपुट क्लिच असेल.
- बनावट आकडेवारी प्रकाशित करणे. मॉडेलने तयार केलेले ROI आणि ग्राहकांचे आकडे हे सत्यापित न करता एका-पेजरवर टाकल्याने ब्रँडच्या विश्वासाला हानी पोहोचते.
- मानवी मान्यता बायपास. कोणतीही विक्री सामग्री मानवी पुनरावलोकनाशिवाय थेट जाऊ नये.
सारांशात
- पाइपलाइन विश्लेषण "किती काम आहे" ऐवजी "हे काम किती आरोग्यदायी आहे" असे विचारते; स्टेज वितरण, क्लोजिंग आणि विजय दर गंभीर आहेत.
- अंदाज एक गणना आहे, तथ्य नाही; मॉडेलला त्याच्या गृहीतके आणि सूत्रासाठी विचारा आणि ते व्यक्तिचलितपणे सत्यापित करा.
- चांगल्या कंटेंटमध्ये पाच घटकांचा समावेश होतो: व्यक्तिमत्व, समस्या, मूल्य प्रस्ताव, भिन्नता, ब्रँड टोन.
- एक-पेजर, डेक आणि केस स्टडीमध्ये संख्या बनवू नका; प्लेसहोल्डर सोडा आणि वास्तविक डेटासह भरा.
- ते ब्रँड टोनमध्ये बसवा आणि लाइव्ह जाण्यापूर्वी मानवी मान्यता मिळवण्याची खात्री करा.
अर्ज कार्य
तुमच्या स्वतःच्या पाइपलाइन डेटामधून (अनामित) 10-15 ओळींचा नमुना घ्या आणि "पाइपलाइन विश्लेषण" प्रॉम्प्ट चालवा. फॉर्म्युला ब्रेकडाउनची विनंती करून मॉडेलने दिलेला विजयाचा दर आणि भारित अंदाज व्यक्तिचलितपणे सत्यापित करा; किमान एक चूक किंवा शंकास्पद गृहीतक शोधण्याचा प्रयत्न करा. नंतर खऱ्या ग्राहकाच्या यशासाठी इनपुटच्या मजबूत संचासह "वन-पेजर" प्रॉम्प्ट चालवा. आउटपुटमध्ये प्रत्येक प्लेसहोल्डर वास्तविक, सत्यापित डेटासह भरा आणि मजकूर आपल्या स्वतःच्या ब्रँड टोननुसार तयार करा. अंतिम आवृत्ती अशा गुणवत्तेची असावी की, सहकाऱ्याला दाखवल्यावर ते म्हणतील "हा आमचा आवाज आहे".
मॉड्यूल परीक्षा
1. विक्रीमध्ये AI वापरताना, खालीलपैकी कोणत्या निर्णयाची अंतिम जबाबदारी नेहमी मानवी विक्रेत्याची राहिली पाहिजे?
- अ) ग्राहकाला कळवलेल्या बंधनकारक किंमती आणि वचनबद्धतेची अचूकता ✔
- ब) ईमेल मसुद्याची पहिली आवृत्ती तयार करणे
- क) मीटिंग नोट्स आयटममध्ये विभक्त करणे
- ड) विषय ओळीसाठी तीन पर्याय सुचवा
वर्णन: AI मसुदे, संशोधन आणि सारांश तयार करू शकते; तथापि, किंमत बांधिलकी, कराराची अट आणि ग्राहकाला दिलेले औपचारिक वचन यासारख्या बंधनकारक निर्णयांच्या अचूकतेसाठी आणि नैतिकतेसाठी मानव जबाबदार आहेत. हे निर्णय पडताळणीशिवाय सादर करू नयेत.
2. लीड स्टँडसाठी पात्र ठरण्यासाठी वापरल्या जाणाऱ्या BANT फ्रेमवर्कमधील 'A' अक्षर काय आहे?
- अ) विश्लेषण
- ब) प्राधिकरण (खरेदी प्राधिकरण) ✔
- क) खाते (खात्याचा आकार)
- ड) दत्तक घेणे
वर्णन: टेप; यात बजेट (बजेट), प्राधिकरण (अधिकार), गरज (गरज) आणि टाइमलाइन (टाइमलाइन) या शब्दांचा समावेश आहे. 'अ' म्हणजे ज्या व्यक्तीला खरेदी निर्णयात अधिकार (अधिकार) आहे.
3. एआय-व्युत्पन्न केलेला कोल्ड ईमेल स्पॅम फोल्डरमध्ये संपण्याची आणि रूपांतरित न होण्याची शक्यता का आहे?
- अ) कारण ते खूप लहान आहे
- ब) कारण त्यात प्रश्नचिन्ह आहे
- क) कारण ते गैर-वैयक्तिकीकृत, सामान्य आणि खरेदीदारासाठी असंबद्ध आहे ✔
- ड) कारण ते प्राप्तकर्त्याच्या नावाने सुरू होते
स्पष्टीकरण: मोठ्या प्रमाणात ई-मेल जे वैयक्तिकृत नसलेले, जेनेरिक आणि प्राप्तकर्त्यासाठी असंबद्ध आहेत दोन्ही स्पॅम फिल्टर ट्रिगर करतात आणि प्राप्तकर्त्यामध्ये मूल्याची धारणा निर्माण करत नाहीत. प्रभावी कोल्ड ईमेलमध्ये प्राप्तकर्त्यासाठी विशिष्ट ट्रिगर इव्हेंट आणि स्पष्ट मूल्य प्रस्ताव समाविष्ट असतो.
4. क्लायंटसाठी प्रस्ताव तयार करताना, तुम्ही AI कडून 'उद्योगात 300% उत्पादकता वाढीची हमी' हा वाक्यांश पाहिला. सर्वात योग्य वर्तन कोणते आहे?
- अ) ते जसे आहे तसे सोडा कारण ते प्रभावी आहे
- ब) संख्या आणखी वाढवा आणि 500% लिहा
- क) मोठ्या फॉन्टमध्ये ते प्रस्तावाच्या शीर्षस्थानी हलवा
- ड) दाव्याच्या जागी पडताळणीयोग्य, वास्तववादी आणि स्रोत विधान ✔
स्पष्टीकरण: पडताळणी न करता येणारे, अतिशयोक्तीपूर्ण आणि हमी दिलेले दावे दोन्ही अनैतिक आहेत आणि कायदेशीर धोके निर्माण करतात. विधान एकतर काढले जावे किंवा ठोस, स्त्रोत-विशिष्ट आणि वास्तववादी श्रेणीमध्ये बदलले जावे.
5. वैयक्तिकृत फॉलो-अप क्रम तयार करताना खालीलपैकी कोणता सराव सर्वोत्तम आहे?
- अ) प्रत्येक फॉलो-अपसह नवीन मूल्य, अंतर्दृष्टी किंवा संसाधन प्रदान करणे ✔
- ब) प्रत्येक मेसेजमध्ये तेच 'जस्ट चेकिंग' वाक्य पुनरावृत्ती करणे
- क) दिवसातून दोनदा समान ईमेल पाठवणे
- ड) पहिला प्रतिसाद न मिळाल्यास, संपूर्ण मालिका रद्द करणे
स्पष्टीकरण: चांगला फॉलो-अप थ्रेड प्रत्येक संदेशासह नवीन मूल्य (सामग्री, उदाहरण, अंतर्दृष्टी) ऑफर करतो आणि फक्त 'केवळ तपासत आहे' असे म्हणत नाही. प्रत्येक टचपॉइंटने खरेदीदारास कारण दिले पाहिजे.
6. एका ग्राहकाने 'तुमची किंमत खूप जास्त आहे' असा आक्षेप व्यक्त केला. सर्वात प्रभावी AI-शक्तीचा दृष्टीकोन कोणता आहे?
- अ) त्वरित सवलत देणे
- ब) आक्षेपाचे मूळ समजून घ्या आणि ते मूल्य आणि ROI प्रमाणे रीफ्रेम करा ✔
- क) ग्राहकाशी वाद घालणे आणि तो चुकीचा आहे असे म्हणणे
- ड) विषय बंद करा आणि दुसर्या उत्पादनाकडे जा
स्पष्टीकरण: प्रभावी आक्षेप काउंटरिंगसाठी प्रथम आक्षेप समजून घेणे आवश्यक आहे (मग तो किंमत किंवा मूल्य समज) आणि नंतर ROI/मूल्याच्या संदर्भात ते तयार करणे आवश्यक आहे. सवलत त्वरित ऑफर केल्याने मूल्य कमी होते.
7. तुम्ही AI ला विक्री कॉलचा उतारा दिला आणि एक CRM नोट तयार केली. नोटमधील सर्वात गंभीर क्षेत्र कोणते आहे?
- अ) संभाषण किती मिनिटे चालले?
- ब) सहभागी कोणत्या शहरातून जोडले गेले
- क) ज्ञात मालक आणि तारखेसह पुढील चरण साफ करा ✔
- ड) मुलाखतीदरम्यान किती वेळा हसले गेले?
वर्णन: CRM नोटचे परिचालन मूल्य निव्वळ मालक आणि तारखेसह 'पुढील पायरी' फील्डमध्ये आहे. पुढील पायरी अस्पष्ट असल्यास, संधी पाइपलाइनमध्ये थांबते आणि गमावली जाते.
8. AI सह विरोधक बॅटलकार्ड तयार करताना सर्वात महत्वाची पडताळणी शिस्त कोणती आहे?
- अ) AI वर थेट विश्वास ठेवणे कारण ते सर्वात अद्ययावत मॉडेल वापरते
- ब) स्पर्धक माहिती अतिशयोक्ती करून स्वतःचे उत्पादन हायलाइट करणे
- क) टेबलवर फक्त प्रतिस्पर्ध्याचा लोगो जोडणे
- ड) अद्ययावत आणि विश्वासार्ह स्त्रोतांसह प्रतिस्पर्ध्याच्या दाव्यांची पुष्टी करणे ✔
स्पष्टीकरण: AI कालबाह्य किंवा भ्रमित किंमत, वैशिष्ट्ये आणि प्रतिस्पर्ध्यांबद्दल ग्राहक माहिती तयार करू शकते. बॅटलकार्डवरील प्रत्येक स्पर्धकाचा दावा विक्रीसाठी जाण्यापूर्वी अद्ययावत आणि विश्वासार्ह स्त्रोतासह सत्यापित करणे आवश्यक आहे.
9. तुम्ही AI ने पाइपलाइन डेटाचे विश्लेषण केले होते आणि 'या तिमाहीत 120% लक्ष्य साध्य केले जाईल' असे सांगितले होते. तुम्ही हा अंदाज कसा हाताळावा?
- अ) व्यवस्थापनाला थेट अहवाल देणे
- ब) संख्या 150% पर्यंत पूर्ण करा
- क) गृहीतके सत्यापित करणे, संभाव्यता बंद करणे आणि वास्तविक डेटासह गणना करणे ✔
- ड) भविष्यवाणीकडे पूर्णपणे दुर्लक्ष करणे.
वर्णन: AI चे संख्यात्मक अंदाज इनपुट डेटा आणि गृहितकांच्या गुणवत्तेवर अवलंबून असतात; आंधळेपणाने स्वीकारू नये. गणना तर्क, बंद होण्याची संभाव्यता आणि गृहीतके तपासल्या पाहिजेत आणि वास्तविक डेटासह क्रॉस-व्हॅलिडेट केल्या पाहिजेत.
10. वन-पेजर तयार करताना AI ला देण्यासाठी सर्वोत्तम इनपुटचा संच कोणता आहे?
- अ) लक्ष्य व्यक्तिमत्व, ठोस समस्या, मूल्य प्रस्ताव, भिन्नता आणि ब्रँड टोन ✔
- ब) फक्त 'आमच्या उत्पादनासाठी एक-पेजर लिहा' म्हणा
- क) कंपनीच्या स्थापनेचे फक्त वर्ष
- ड) स्पर्धकांची किंमत यादी
वर्णन: AI ला दर्जेदार आउटपुट तयार करण्यासाठी संदर्भ दिले जाणे आवश्यक आहे जसे की लक्ष्य व्यक्तिमत्व, ठोस समस्येचे निराकरण, मूल्य प्रस्ताव, भिन्नता आणि ब्रँड टोन. 'आम्हाला एक-पेजर लिहा' सारखी संदर्भहीन विनंती जेनेरिक आउटपुट तयार करते.