Lede forskning og kvalifisering

Gevinster:

• Evne til å tydeliggjøre den ideelle kundeprofilen (ICP) og kjøperpersona ved hjelp av AI
• Evne til å kvalifisere leads på en strukturert måte med rammer som BANT og MEDDIC
• Evne til å bruke disiplinen med å verifisere bedrifts-/personinformasjon produsert av AI mot kilden

Den dyreste feilen i salg er å snakke med feil person. En representant bruker uker på å forklare riktig produkt til feil kunde til rett tid og får til slutt svaret «det er ikke noe budsjett» eller «det er ikke jeg som bestemmer». Likevel kan denne informasjonen i stor grad trekkes ut før første kontakt. Det er akkurat det lead research og kvalifisering gjør: skille tidlig hvem som faktisk kan være din kunde og hvem som er bortkastet tid. I denne enheten lærer du hvordan du bruker AI som motoren i denne prosessen; Vi vil se steg for steg, fra å lage den ideelle kundeprofilen (ICP) og kjøperpersonas til scoring med rammeverk som BANT og MEDDIC. La oss sette en advarsel i begynnelsen: Bedrifts- og personinformasjon produsert av AI anses aldri som "ekte" uten å være verifisert.

Ideell kundeprofil (ICP) og kjøperpersona

ICP er svaret på spørsmålet "hvilken type selskap er den ideelle kunden for oss?" Persona er personen du snakker med i det selskapet. De er to forskjellige ting: ICP definerer selskapet (firmografisk), persona definerer personen.

konsept

Hva definerer

Eksempelsignaler

ICP (firmografisk)

Ideelt selskap

Sektor, antall ansatte, omsetning, geografi

ICP (teknologisk)

Teknologi som brukes av selskapet

CRM, infrastruktur, programvare de bruker

Persona

Person i beslutningsprosessen

Tittel, mål, smertepunkter, KPIer

Firmografiske signaler svarer på spørsmålet "Er dette selskapet egnet for oss når det gjelder størrelse?" Teknografiske signaler svarer på spørsmålet "Bruker de allerede en teknologi som utfyller/konflikter med oss?" For eksempel kan selskaper som bruker en bestemt e-handelsinfrastruktur være en klar grunn for din integrasjon.

ICP-definisjonsprompt: "Nedenfor er egenskapene til de 10 beste kundene vi har skaffet oss i løpet av de siste 12 månedene. Lag en ideell kundeprofil (ICP) ved å finne VANLIGE mønstre i dem. Lag en tabell med følgende dimensjoner: industri, antall ansatte, årlig omsetningsområde, geografi, teknologier de bruker, typiske smertepunkter. Stol kun på utenforstående data i antagelsen, ikke legg til data i antakelsen. {{customer_list}}"

Persona-utvinningsforespørsel: "Vi selger {{produkt}}. Vår ICP er {{icp_summary}}. Definer 3 personas som påvirker kjøpsbeslutningen i disse selskapene. For hver persona:- Tittel- Primære mål og KPIer som de måles etter- Topp 2 smertepunkter- Verdiforslaget til produktet vårt oversatt til deres språk- 2cha-punkter som kan motsette seg 2cha-poeng.

Kvalifikasjonsrammer: BANT og MEDDIC

Vi måler om et lead er «ekte» med strukturerte spørsmål. To vanlige rammer:

TAPE — for rask, lett karakterisering:

• Budsjett: Er det ressurser å betale?
• Autoritet: Kan personen jeg snakker med ta avgjørelser?
• Behov: Er det et reelt, presserende behov?
• Tidslinje: Når planlegger de å motta den?

MEDDIC — dypere for komplekse, store B2B-salg:

• Beregninger: Numerisk fordel målt av kunden.
• Økonomisk kjøper: Personen som faktisk kontrollerer budsjettet.
• Beslutningskriterier: Beslutningskriterier.
• Beslutningsprosess: Beslutningsprosess og trinn.
• Identifiser smerte: Konkret smerte.
• Mester: Personen som forsvarer deg på innsiden.

Ramme

når

dybde

TAPE

Kort syklus, lav-middels verdi

rask eliminering

MEDICER

Lang syklus, høy verdi, multi-stakeholder

dyp, systematisk

Tips: For små, raske salg, start med TAPE; Bytt til MEDDIC ettersom avtalen vokser og antallet interessenter øker. Fortell AI tydelig hvilket rammeverk du vil score med, ellers kan det forvirre de to.

Forskningssammendrag og attribusjonspoeng med AI

Vi bruker AI for to jobber her: (1) oppsummer den rå informasjonen du har etter ramme, (2) foreslå en poengsum. Poengsummen er en "foreløpig rangering" for deg, ikke den endelige avgjørelsen.

Lead qualification prompt (BANT): "Evaluer følgende lead-notater med BANT-rammeverket. Gi 0-5 poeng for hver dimensjon og skriv begrunnelsen din. Hvis informasjon mangler, si 'ingen data', IKKE GJETT. Probe: total poengsum, 'varm/varm/kald'-etikett og forslag til neste trinn. Leadnotater:- Firma: {{company:}} {-{company}} {{interview_notes}}"

Spørsmål om prioritering av kundeemneliste: "Sorter følgende 20 kundeemner i henhold til deres egnethet til vår ICP ({{icp_summary}}). For hver kundeemne: egnethetspoeng (0-100), sterkeste tilpasningssignal, størst usikkerhet. For de med lav poengsum, skriv kort årsaken. Hvis bedriftsdata mangler, må du merke FITTING:'. {{lead_list}}"

Svak forespørsel / sterk forespørsel

SVAK: "Er dette blyet bra?" (Resultat: en spinkel kommentar på ett ord.) STERK: "Skår denne ledelsen ved hjelp av BAND-rammeverket. Gi 0-5 til hver dimensjon, skriv en begrunnelse, merk den manglende informasjonen som 'ingen data' og foreslå neste trinn basert på den totale poengsummen. Ikke gå utover notatene dine."

Risiko for fremstilling: Kildebekreftelse

AI kan på en troverdig måte fremstille informasjon den ikke vet om et selskap eller en person: omsetning, antall ansatte, tittel, til og med navnet på beslutningstakeren. Hvis du kommer i kontakt med denne informasjonen, vil du miste troverdigheten med ett slag.

Forsiktig: Bekreft alle firmaspesifikke data som AI returnerer (omsetning, vekst, ledernavn, teknologistabel) fra primærkilden: firmaets eget nettsted, LinkedIn, offisielle nyhetsbrev. Ikke bruk ubekreftet informasjon i oppsøkende arbeid.

En enkel verifiseringsarbeidsflyt:

1. Be AI om å "sette en kildekode på hvert krav" for ledersammendraget.
2. Sjekk hvert element merket med "Må verifiseres" fra kilden én etter én.
3. Behandle den verifiserte informasjonen inn i CRM; Slett det som ikke kan verifiseres.
4. Oppdater kun poengsum med verifisert informasjon.
5. Først da gå videre til oppsøkende arbeid.

Mini etui

B2B SaaS-representant Kaan gir en lederliste på 50 personer til AI og får den sortert etter ICP-egnethet. "Firm A nådde 200 ansatte i forrige kvartal," sier AI. Kaan åpner selskapet på LinkedIn; Antall ansatte er rundt 60. AI overdrevet. Kaan markerer dette signalet som "må verifiseres", legger inn det reelle tallet og trekker fra poengsummen. Til gjengjeld bekrefter det AIs "Bedrift B åpner et nytt marked snart"-signal med nye poster på selskapets karriereside og prioriterer denne ledelsen. Resultat: AI rangerte 50 leads på minutter, Kaan validerte listen og fokuserte på de 8 virkelig hete leadsene.

Vanlige feil

• Begynner å undersøke uten å identifisere ICP (målretter mot alle, skyter ingen).
• Behandler bedriftsdataene levert av AI inn i CRM uten å verifisere det.
• Blander BANT og MEDDIC og gjør halvscoring.
• La AI fylle ut den manglende informasjonen med sin "gjetning".
• Tenker at poengsummen er absolutt sannhet og deaktiverer menneskelig dømmekraft.
• Fokuserer kun på selskapet i stedet for persona og hopper over "hvem snakker jeg med".

Tips: Begrunn alltid AI-poengsummen ved å spørre "hvorfor scoret du det på den måten?" Hvis begrunnelsen er svak, er poengsummen også svak. Begrunnelsen angir også punktene du må bekrefte.

Oppsummert

• ICP beskriver firmaet (firmografisk + teknografisk), persona beskriver personen; Begge er nødvendige.
• BANT er for rask kvalifisering, MEDDIC er for dypt og komplekst salg.
• AI oppsummerer forskning og foreslår score; Den endelige avgjørelsen tilhører personen.
• Poengsummen er en foreløpig rangering og må etterspørres med begrunnelse.
• Bedrifts-/personinformasjon produsert av AI kan ikke brukes uten bekreftelse fra primærkilden.
• Manglende informasjon bør merkes som "ingen data" i stedet for "estimat".

Søknadsoppgave

Lag en liste over de siste 5–10 kundene du har kjøpt, og la AI-en finne vanlige mønstre med ICP-ledeteksten ovenfor. Prioriter de 10 potensielle kundene du har ved å bruke den resulterende ICP. Deretter verifiser hvert selskapsspesifikke krav AI fremsetter på LinkedIn og selskapets nettsted for de 3 potensielle kundene med høyest poengsum; Legg merke til hvilke påstander som viser seg å være falske eller ufullstendige. Denne øvelsen lærer både ICP-disiplin og verifikasjonsrefleks på samme tid.