बिक्री पूर्वानुमान, पाइपलाइन विश्लेषण र बिक्री सामग्री उत्पादन

लाभ:

AI को साथ पाइपलाइन डेटा विश्लेषण गर्न र पूर्वानुमान टिप्पणीहरू सिर्जना गर्ने क्षमता
चाँडै बिक्री सामग्री उत्पादन गर्ने क्षमता जस्तै एक-पेजर, प्रस्तुतीकरण र केस स्टडी
संख्यात्मक प्रमाणिकरण र ब्रान्ड टोन संग AI आउटपुटलाई अन्तिम रूप दिने क्षमता

क्वार्टर-अन्त नजिक आउँदा, बिक्री नेताको प्रश्न सधैं उस्तै हुन्छ: "के हामी यो क्वार्टर बन्द गर्न सक्छौं?" यो प्रश्नको जवाफ भावना होइन, यो तपाईको पाइपलाइनमा लुकेको छ। तर कच्चा पाइपलाइन डेटा पङ्क्तिहरू र सम्झौताहरू, चरणहरू, रकमहरू, र मितिहरूको पङ्क्तिहरू भएको गडबड तालिका हो; भित्रको कथा हेर्न समय लाग्छ। आर्टिफिसियल इन्टेलिजेन्सले यो तालिका पढ्न सक्छ र चरण वितरण, अवरोधहरू, जीत दर प्रवृत्ति र मिनेटमा पूर्वानुमान व्याख्या निकाल्न सक्छ। एउटै आर्टिफिसियल इन्टेलिजेन्सले तुरुन्तै एक-पेजर, प्रस्तुतीकरण रूपरेखा वा व्यवसाय जितेको वर्णन गर्ने केस स्टडी उत्पादन गर्दछ। यद्यपि, यस एकाइको मुख्य सन्देश यो हो: कृत्रिम बुद्धिमत्ता द्वारा उत्पादित कुनै पनि संख्या वा वाक्यलाई अन्धाधुन्ध रूपमा स्वीकार नगर्नुहोस्। मोडेल विश्लेषण, तपाईं प्रमाणित गर्नुहोस्।

पाइपलाइन विश्लेषण: डाटा देखि अन्तरदृष्टि

पाइपलाइन विश्लेषणले "कति काम छ?" भन्दा "यो काम कति स्वस्थ छ" भन्ने प्रश्नको जवाफ खोज्छ। हेर्नको लागि प्रमुख मेट्रिक्स:

मेट्रिक

यसले के भन्छ

चेतावनी चिन्ह

स्टेज वितरण

कुन चरणमा सम्झौताहरू स्ट्याक छन्?

धेरै प्रारम्भिक चरणहरू = खराब पूर्वानुमान

अलपत्र सम्झौताहरू

लामो समयदेखि अगाडि बढ्न नसकेका अवसरहरू

एकै चरणमा ६०+ दिन

जीत दर

जीत / कुल बन्द

Downtrend = प्रक्रिया समस्या

बन्द हुने सम्भावना

चरण द्वारा भारित पूर्वानुमान

अत्यधिक आशावादी वजन

औसत सौदा आकार

अवसर आकार प्रवृत्ति

संकुचन = गलत खण्ड

प्रतिलिपि योग्य प्रम्प्ट: पाइपलाइन विश्लेषण

तपाईं बिक्री सञ्चालन विश्लेषक हुनुहुन्छ। तलको पाइपलाइन डाटा विश्लेषण गर्नुहोस्। डेटा: प्रत्येक पङ्क्ति एक अवसर हो; स्तम्भहरू: सम्झौताको नाम, चरण, रकम, चरण प्रविष्टि मिति, बन्द अनुमान। आउटपुट: १. चरण वितरण (प्रत्येक चरणमा अवसरहरूको संख्या र कुल रकम) 2। अवरुद्ध अवसरहरू (जो {{day}} दिन भन्दा बढीको लागि एउटै चरणमा रहन्छ)3। जीत दर गणना (बंद सम्झौताहरूमा आधारित) 4। जोखिम सारांश: 3 अवसरहरू पूर्वानुमानलाई धम्की दिने र किन नियम: डाटामा संख्याहरू मात्र प्रयोग गर्नुहोस्। तपाईंले गणना गर्नुहुने प्रत्येक मेट्रिकको सूत्र मलाई देखाउनुहोस् ताकि म यसलाई प्रमाणित गर्न सकूँ। डेटामा नभएको मानको अनुमान गर्दै; यदि यो हराइरहेको छ भने, "data missing" लेख्नुहोस्। Data:{{pipeline_verisi}}

पूर्वानुमान व्याख्या र संख्यात्मक प्रमाणीकरण

आर्टिफिसियल इन्टेलिजेन्सले तपाईंलाई "यो त्रैमासिक 2.4 मिलियन TL सँग बन्द हुनेछ" भन्न सक्छ। यो वाक्य सटीक लाग्दछ, तर त्यहाँ अन्तर्निहित धारणाहरू छन्: कुन बन्द सम्भावनाहरू प्रयोग गरियो? कुन सम्झौताहरू समावेश छन्? के मोडेलले थप त्रुटि गर्यो? संख्यात्मक आउटपुट प्रमाणित गर्ने तरिका स्पष्ट रूपमा यसको अनुमान र सूत्रको लागि मोडेल सोध्नु हो। त्यसपछि कम्तिमा एक मेट्रिक म्यानुअल रूपमा जाँच गर्नुहोस्: उदाहरणका लागि, तीनवटा सम्झौताहरूको भारित रकम आफैं थप्नुहोस् र मोडेलको नतिजासँग तुलना गर्नुहोस्। मोडेलहरूले अंकगणितमा त्रुटिहरू गर्न सक्छन्, विशेष गरी बहु-पङ्क्ति तालिकाहरूमा।

माथिको पूर्वानुमानलाई निम्न ढाँचामा औचित्य दिनुहोस्: - तपाईंले प्रयोग गर्नुभएको सम्भाव्यता अनुमानहरू बन्द गर्दै (चरणद्वारा) - तपाईंले समावेश गर्नुभएको र बहिष्कार गरिएको डिलहरू + किन- तपाईंको भारित कुल गणनाको स्पष्ट ब्रेकडाउन (डील डिल) मैले नतिजा संख्या होइन तर तपाईं कसरी त्यहाँ पुग्नुभयो भनेर प्रमाणित गर्न सक्षम हुन आवश्यक छ।

ध्यान दिनुहोस्: AI द्वारा उत्पादन गरिएको पूर्वानुमान आंकडा एक गणना हो, तथ्य होइन, र पूर्ण रूपमा इनपुट र अनुमानहरूमा निर्भर छ। मोडेलले गलत सम्भाव्यता वजन प्रयोग गर्न सक्छ, लाइनहरू गलत रूपमा थप्न सक्छ, वा सम्झौताको दोहोरो गणना गर्न सक्छ। व्यवस्थापनमा नम्बर प्रस्तुत गर्नु अघि कम्तिमा एक मेट्रिक म्यानुअल रूपमा प्रमाणित गर्नुहोस् र अनुमानहरू दृश्यात्मक बनाउनुहोस्। अप्रमाणित पूर्वानुमानले गलत स्रोत योजना निम्त्याउँछ।

बिक्री सामग्री उत्पादन: इनपुटहरूको राम्रो सेट

एक-पेजर, डेक वा केस स्टडीको रूपमा AI को गुणस्तर तपाईंले दिनुभएको इनपुटमा पूर्ण रूपमा निर्भर गर्दछ। एक राम्रो सामग्री संक्षिप्तमा यी पाँच घटकहरू समावेश छन्: व्यक्तित्व (कसलाई), समस्या (कस्तो पीडा हामीले समाधान गर्दैछौं), मूल्य प्रस्ताव (किन हामी), भिन्नताहरू (हामी कसरी प्रतिस्पर्धाबाट फरक छौं), र ब्रान्ड टोन (हामी कसरी बोल्छौं)। यदि यी पाँच हराइरहेका छन् भने, मोडेलले जेनेरिक मार्केटिङ क्लिचहरूका साथ खाली ठाउँहरू भर्छ र आउटपुट अरू सबैको जस्तै हुन्छ।

एक-पेजर उत्पादन चरण द्वारा चरण

इनपुट सेट सङ्कलन गर्नुहोस्। व्यक्तित्व, समस्या, मूल्य प्रस्ताव, भिन्नता, ब्रान्ड टोन।
उद्देश्य बताउनुहोस्। एक-पेजर, डेक ड्राफ्ट, केस स्टडी? ढाँचा फरक छ।
मोडल उत्पादन गर्नुहोस्। संरचित संक्षिप्त दिनुहोस्।
नम्बरहरू प्रमाणित गर्नुहोस्। वास्तविक डाटाको साथ सामग्रीमा उल्लेख गरिएको प्रत्येक मेट्रिक (ROI, अवधि, ग्राहकहरूको संख्या) पुष्टि गर्नुहोस्।
यसलाई ब्रान्ड टोनमा फिट गर्नुहोस्। मोडेलको भाषालाई आफ्नो कर्पोरेट आवाज गाइडमा तान्नुहोस्।
मानव अनुमोदन। प्रकाशन गर्नु अघि मानवले यसलाई समीक्षा गर्नेछ।

प्रतिलिपि योग्य प्रम्प्ट: एक-पेजर

एक-पेजर ड्राफ्ट उत्पादन गर्नुहोस्। इनपुटहरू:- व्यक्तित्व: {{target_persona}}- हामीले समाधान गरेका समस्या: {{समस्या}}- मूल्य प्रस्ताव: {{value_recommendation}}- भिन्नताहरू: {{differentiators}}- ब्रान्ड टोन: {{brand_tone}} संरचना: (2) हाम्रो समस्या समाधान, (2) समस्या समाधान, 3) शीर्षक, (4) समस्या समाधान, 3) (5) सामाजिक प्रमाण स्थान, (6) एकल शुद्ध CTA. नियम: ठोस तथ्याङ्क वा ग्राहक दावीहरू नबनाउनुहोस्। नम्बर आवश्यक भएको ठाउँमा "[मेट्रिक गर्न प्रमाणित]" प्लेसहोल्डर राख्नुहोस्। आफ्नो ब्रान्ड टोनमा सत्य रहनुहोस्।

प्रतिलिपि योग्य प्रम्प्ट: केस स्टडी फ्रेमवर्क

निम्न ग्राहक जानकारीबाट केस स्टडी स्केलेटन उत्पन्न गर्नुहोस्:- ग्राहक प्रोफाइल: {{ग्राहक}}- प्रारम्भिक समस्या: {{समस्या}}- समाधान कार्यान्वयन: {{समाधान}}- परिणामहरू: {{परिणाम}} संरचना: चुनौती -> समाधान -> निष्कर्ष। परिणाम खण्डमा प्रत्येक नम्बरलाई "[स्रोत/प्रमाणीकरण आवश्यक]" ट्यागको साथ चिन्ह लगाउनुहोस्। कुनै पनि दावी नलेख्नुहोस् कि ग्राहकले निश्चित रूपमा अनुमोदन गर्दैन।

कमजोर संक्षिप्त / बलियो संक्षिप्त

कमजोर: "हाम्रो उत्पादनको लागि एक-पेजर लेख्नुहोस्।" नतिजा: पाठ जुन जेनेरिक छ, क्लिचहरूले भरिएको छ, यो कसलाई सम्बोधन गरिएको छ अस्पष्ट छ, मेड-अप फिगरहरू हुन सक्छ, र अरू सबैको जस्तो देखिन्छ।

GÜÇLÜ:"व्यक्ति: 500 जना मानिस भएको निर्माण कम्पनीको अपरेशन प्रबन्धक। समस्या: म्यानुअल शिफ्ट योजना लागत हप्तामा 6 घण्टा। मूल्य प्रस्ताव: हामी योजना स्वचालित गर्छौं र त्रुटि दर घटाउँछौं। भिन्नता: स्थानीय कानून अनुरूप, 2 हप्तामा कमीशन। टोन: सरल, विश्वसनीय स्थान आवश्यक छ। माथि।" परिणाम: एक मस्यौदा जुन लक्ष्यमा छ, प्रमाणित गर्न योग्य, ब्रान्डको लागि उपयुक्त।

मिनी केस: आशावादी पूर्वानुमान फिक्स गर्दै

सफ्टवेयर टोलीमा, बिक्री प्रबन्धकसँग पाइपलाइन कृत्रिम बुद्धिमत्ताद्वारा विश्लेषण गरिएको छ। मोडेलले त्रैमासिकको लागि उज्ज्वल पूर्वानुमान उत्पादन गर्दछ। प्रबन्धकले एकाईमा नियम पछ्याउँदै, मोडेलबाट भारित कुलको सम्झौता-सौदा ब्रेकडाउन अनुरोध गर्दछ। उसले ट्रान्सक्रिप्टको जाँच गर्दा, उसले दुईवटा कुराहरू याद गर्छ: मोडेलले ठूलो सम्झौताको 90 प्रतिशत सम्भावना गन्यो जुन ६० दिनको लागि "अनुबंध" चरणमा अड्किएको थियो, वास्तवमा त्यो सम्झौता जोखिममा छ; थप रूपमा, एउटै ग्राहकको लागि दुई रेकर्डहरू संयोगवश दुई पटक सङ्कलन गरियो। समायोजित पूर्वानुमान पहिलो आंकडा भन्दा धेरै तल छ। प्रबन्धक यो यथार्थवादी आंकडाको साथ वरिष्ठ व्यवस्थापनमा जान्छ र अनावश्यक भर्ती निर्णय स्थगित गर्दछ। मोडेल खराब थिएन; यो केवल प्रमाणित गर्न आवश्यक छ।

सुझाव: सामग्री निर्माणमा, मोडेललाई तथ्याङ्कहरू "सिर्जना" गर्न नभन्नुहोस्, बरु प्लेसहोल्डर छोड्नुहोस्। "[प्रमाणित गर्न मेट्रिक]" ट्यागहरू सुरक्षित ठाउँहरू हुन् जुन पछि वास्तविक डाटाले भरिने प्रतीक्षामा छन्, बनाइएको तथ्याङ्कहरूलाई ग्राहकसम्म पुग्नबाट रोक्छ।

सामान्य गल्तीहरू

प्रश्न बिना पूर्वानुमान आंकडा स्वीकार गर्दै। अनुमान र सूत्र नहेरी कुनै पनि अनुमान पेश नगर्नुहोस्।
मोडेलको अंकगणितमा विश्वास गर्दै। बहु-पङ्क्ति तालिकाहरूमा एकत्रीकरण त्रुटिहरू हुन्छन्; म्यानुअल रूपमा कम्तिमा एक मेट्रिक जाँच गर्नुहोस्।
कमजोर संक्षिप्तको साथ सामग्री अनुरोध गर्दै। यदि कुनै व्यक्तित्व र भिन्नता छैन भने, आउटपुट क्लिच हुनेछ।
बनावटी तथ्याङ्क प्रकाशित गर्दै। मोडलद्वारा उत्पादित ROI र ग्राहकको तथ्याङ्कलाई प्रमाणित नगरी एक-पेजरमा राख्नुले ब्रान्डको विश्वासलाई हानि पुर्‍याउँछ।
मानव अनुमोदन बाइपास गर्दै। कुनै पनि बिक्री सामग्री मानव समीक्षा बिना लाइभ हुनु हुँदैन।

संक्षेपमा

पाइपलाइन विश्लेषणले "कति काम छ" भन्दा "यो काम कति स्वस्थ छ" भनेर सोध्छ; स्टेज वितरण, क्लोजिङ र जीत दर महत्वपूर्ण छन्।
पूर्वानुमान एक गणना हो, तथ्य होइन; मोडेललाई यसको अनुमान र सूत्र सोध्नुहोस् र तिनीहरूलाई म्यानुअल रूपमा प्रमाणित गर्नुहोस्।
राम्रो सामग्री संक्षिप्तमा पाँचवटा घटकहरू समावेश छन्: व्यक्तित्व, समस्या, मूल्य प्रस्ताव, भिन्नताहरू, ब्रान्ड टोन।
एक-पेजर, डेक र केस स्टडीमा संख्याहरू नबनाउनुहोस्; प्लेसहोल्डर छोड्नुहोस् र वास्तविक डेटा भर्नुहोस्।
यसलाई ब्रान्ड टोनमा फिट गर्नुहोस् र लाइभ हुनु अघि मानव अनुमोदन प्राप्त गर्न निश्चित हुनुहोस्।

आवेदन कार्य

तपाईंको आफ्नै पाइपलाइन डेटा (अज्ञात) बाट 10-15 लाइनहरूको नमूना लिनुहोस् र "पाइपलाइन विश्लेषण" प्रम्प्ट चलाउनुहोस्। सूत्र ब्रेकडाउन अनुरोध गरेर मोडेलद्वारा दिइएको जीत दर र भारित पूर्वानुमान म्यानुअल रूपमा प्रमाणित गर्नुहोस्; कम्तिमा एउटा गल्ती वा शंकास्पद धारणा फेला पार्न प्रयास गर्नुहोस्। त्यसपछि वास्तविक ग्राहक सफलताको लागि इनपुटहरूको बलियो सेटको साथ "एक-पेजर" प्रम्प्ट चलाउनुहोस्। आउटपुटमा प्रत्येक प्लेसहोल्डरलाई वास्तविक, प्रमाणित डाटाको साथ भर्नुहोस् र पाठलाई आफ्नै ब्रान्ड टोनमा मिलाउनुहोस्। अन्तिम संस्करण एक गुणस्तरको हुनुपर्छ, जब एक सहकर्मीलाई देखाइन्छ, तिनीहरूले "यो हाम्रो आवाज हो" भन्नेछन्।

मोड्युल परीक्षा

1. बिक्रीमा AI प्रयोग गर्दा, निम्न मध्ये कुन निर्णयहरूको लागि अन्तिम जिम्मेवारी सधैं मानव विक्रेतामा रहनुपर्छ?

A) बाध्यकारी मूल्यहरू र ग्राहकलाई सूचित प्रतिबद्धताहरूको शुद्धता ✔
ख) इमेल ड्राफ्टको पहिलो संस्करण सिर्जना गर्दै
ग) बैठक नोटहरूलाई वस्तुहरूमा विभाजन गर्दै
घ) विषय रेखाको लागि तीन विकल्पहरू सुझाव गर्नुहोस्

विवरण: AI ले ड्राफ्ट, अनुसन्धान र सारांशहरू उत्पादन गर्न सक्छ; यद्यपि, मूल्य प्रतिबद्धता, सम्झौता शर्त, र ग्राहकलाई औपचारिक वाचा जस्ता बाध्यकारी निर्णयहरूको शुद्धता र नैतिकताका लागि मानिसहरू जिम्मेवार छन्। यी निर्णयहरू प्रमाणीकरण बिना पेश गर्नु हुँदैन।

2. BANT ढाँचामा अक्षर 'A' ले लीड स्ट्यान्डलाई योग्य बनाउन प्रयोग गरेको के हो?

ए) एनालिटिक्स
ख) प्राधिकरण (खरीद प्राधिकरण) ✔
ग) खाता (खाता आकार)
घ) ग्रहण

विवरण: टेप; यसमा बजेट (बजेट), प्राधिकरण (अधिकार), आवश्यकता (आवश्यकता) र टाइमलाइन (टाइमलाइन) शब्दहरू हुन्छन्। 'क' ले खरिद निर्णयमा अख्तियार (अधिकार) भएको व्यक्तिलाई जनाउँछ।

3. किन एआई-उत्पन्न कोल्ड इमेल स्प्याम फोल्डरमा समाप्त हुने र रूपान्तरण नहुने सम्भावना छ?

क) किनभने यो धेरै छोटो छ
ख) किनभने यसमा प्रश्न चिन्ह छ
C) किनभने यो गैर-व्यक्तिगत, सामान्य र खरिदकर्ताको लागि अप्रासंगिक छ ✔
D) किनभने यो प्रापकको नामबाट सुरु हुन्छ

स्पष्टीकरण: थोक इ-मेलहरू जुन गैर-व्यक्तिगत, सामान्य र प्रापकका लागि अप्रासंगिक छन् दुबै स्प्याम फिल्टरहरू ट्रिगर गर्दछ र प्राप्तकर्तामा मूल्यको धारणा सिर्जना गर्दैन। प्रभावकारी चिसो इमेलले प्रापकको लागि निर्दिष्ट ट्रिगर घटना र स्पष्ट मूल्य प्रस्ताव समावेश गर्दछ।

4. ग्राहकको लागि प्रस्ताव तयार गर्दा, तपाईंले AI बाट 'उद्योगमा 300% उत्पादकता वृद्धि ग्यारेन्टी' वाक्यांश देख्नुभयो। सबैभन्दा सही व्यवहार कुन हो?

क) यसलाई जस्तै छोड्नुहोस् किनभने यो प्रभावशाली छ
ख) संख्या अझ बढाउनुहोस् र 500% लेख्नुहोस्
C) यसलाई ठूलो फन्टमा प्रस्तावको शीर्षमा सार्नुहोस्
घ) प्रमाणीकरण योग्य, यथार्थपरक र स्रोत कथन ✔ संग दावी प्रतिस्थापन

स्पष्टीकरण: अप्रमाणित, बढाइचढाइ र ग्यारेन्टी दावीहरू अनैतिक हुन् र कानुनी जोखिमहरू सिर्जना गर्छन्। कथन या त हटाइएको वा ठोस, स्रोत-विशिष्ट र यथार्थपरक दायरा भित्र प्रतिस्थापन गर्नुपर्छ।

5. निजीकृत फलो-अप अनुक्रम डिजाइन गर्दा निम्न मध्ये कुन उत्तम अभ्यास हो?

A) प्रत्येक फलो-अपको साथ नयाँ मूल्य, अन्तरदृष्टि वा स्रोत प्रदान गर्दै ✔
ख) प्रत्येक सन्देशमा एउटै 'जस्ट चेकिङ' वाक्य दोहोर्याउने
C) दिनमा दुई पटक एउटै इमेल पठाउने
D) यदि पहिलो प्रतिक्रिया प्राप्त भएन भने, सम्पूर्ण श्रृंखला रद्द गर्दै

स्पष्टीकरण: राम्रो फलो-अप थ्रेडले प्रत्येक सन्देशको साथ नयाँ मान (सामग्री, उदाहरण, अन्तरदृष्टि) प्रदान गर्दछ र 'केवल जाँच गर्दै' भन्ने मात्र होइन। प्रत्येक टचपोइन्टले क्रेतालाई कारण दिनु पर्छ।

6. एक ग्राहकले आपत्ति व्यक्त गरे 'तपाईको मूल्य धेरै उच्च छ'। सबैभन्दा प्रभावकारी एआई-संचालित दृष्टिकोण कुन हो?

क) तुरुन्तै छूट प्रदान गर्दै
ख) आपत्तिको मूल बुझ्नुहोस् र यसलाई मूल्य र ROI को सन्दर्भमा पुन: फ्रेम गर्नुहोस् ✔
ग) ग्राहकसँग बहस गर्ने र ऊ गलत छ भनी भन
D) विषय बन्द गर्नुहोस् र अर्को उत्पादनमा जानुहोस्

स्पष्टीकरण: प्रभावकारी आपत्ति काउन्टरिङको लागि पहिले आपत्ति बुझ्न आवश्यक छ (चाहे मूल्य वा मूल्य धारणा हो) र त्यसपछि यसलाई ROI/मूल्यको सर्तमा फ्रेमिङ गर्न आवश्यक छ। छुट प्रस्ताव गर्दा तुरुन्तै मूल्य कम हुन्छ।

7. तपाईंले AI लाई बिक्री कलको ट्रान्सक्रिप्ट दिनुभयो र CRM नोट सिर्जना गर्नुभयो। नोटमा सबैभन्दा महत्वपूर्ण क्षेत्र कुन हो?

क) कुराकानी कति मिनेट चल्यो?
ख) सहभागीहरू कुन शहरबाट जोडिएका थिए
C) ज्ञात मालिक र मिति संग अर्को चरण खाली गर्नुहोस् ✔
घ) अन्तर्वार्ताको क्रममा कति पटक हाँस्नुभयो ?

विवरण: CRM नोटको परिचालन मूल्य नेट मालिक र मितिको साथ 'अर्को चरण' फिल्डमा छ। यदि अर्को चरण अस्पष्ट छ भने, अवसर पाइपलाइनमा रोकिन्छ र हराउँछ।

8. AI सँग विपक्षी ब्याटलकार्ड तयार गर्दा सबैभन्दा महत्त्वपूर्ण प्रमाणीकरण अनुशासन के हो?

A) AI लाई सीधै विश्वास गर्दै किनभने यसले सबैभन्दा अप-टु-डेट मोडेल प्रयोग गर्दछ
ख) प्रतिस्पर्धी जानकारी बढाइचढाई गरेर आफ्नै उत्पादन हाइलाइट गर्न
C) तालिकामा विपक्षीको लोगो मात्र थप्दै
D) अप-टु-डेट र भरपर्दो स्रोतहरूसँग प्रतिस्पर्धी दावीहरू पुष्टि गर्दै ✔

स्पष्टीकरण: AI ले पुरानो वा भ्रमित मूल्य, सुविधाहरू र प्रतिस्पर्धीहरूको बारेमा ग्राहक जानकारी उत्पादन गर्न सक्छ। Battlecard मा प्रत्येक प्रतिस्पर्धी दावी बिक्रीको लागि जानु अघि अप-टु-डेट र भरपर्दो स्रोतबाट प्रमाणित गरिनुपर्छ।

9. तपाईंले AI लाई पाइपलाइन डाटा विश्लेषण गर्नु भएको थियो र 'यो त्रैमासिकमा लक्ष्यको 120% हासिल हुनेछ' भन्नुभयो। तपाईंले यो भविष्यवाणी कसरी ह्यान्डल गर्नुपर्छ?

क) व्यवस्थापनलाई प्रत्यक्ष रूपमा रिपोर्ट गर्ने
B) संख्यालाई 150% मा राउन्ड गर्नुहोस्
C) अनुमानहरू, समापन सम्भावनाहरू र वास्तविक डेटाको साथ गणनाहरू मान्य गर्दै ✔
घ) भविष्यवाणीलाई पूर्ण रूपमा बेवास्ता गर्दै।

विवरण: AI को संख्यात्मक भविष्यवाणीहरू इनपुट डेटा र अनुमानहरूको गुणस्तरमा निर्भर हुन्छन्; आँखा चिम्लिएर स्वीकार गर्नु हुदैन । गणना तर्क, बन्द सम्भावनाहरू र अनुमानहरू जाँच गरिनु पर्छ र वास्तविक डाटाको साथ क्रस-प्रमाणीकरण गर्नुपर्छ।

10. एक-पेजर उत्पादन गर्दा AI लाई दिनु पर्ने इनपुटहरूको उत्तम सेट के हो?

A) लक्ष्य व्यक्तित्व, ठोस समस्या, मूल्य प्रस्ताव, भिन्नता र ब्रान्ड टोन ✔
ख) केवल 'हाम्रो उत्पादनको लागि एक-पेजर लेख्नुहोस्' भन्नुहोस्
ग) कम्पनी स्थापना भएको वर्ष मात्र
D) प्रतियोगीहरूको मूल्य सूची

विवरण: AI ले गुणस्तरीय आउटपुट उत्पादन गर्नको लागि, सन्दर्भ दिनुपर्छ जस्तै लक्ष्य व्यक्तित्व, ठोस समस्या समाधान, मूल्य प्रस्ताव, भिन्नता र ब्रान्ड टोन। 'हामीलाई एक-पेजर लेख्नुहोस्' जस्ता सन्दर्भरहित अनुरोधले जेनेरिक आउटपुट उत्पादन गर्छ।