การพยากรณ์การขาย การวิเคราะห์ไปป์ไลน์ และการผลิตเนื้อหาการขาย

กำไร:

• ความสามารถในการวิเคราะห์ข้อมูลไปป์ไลน์ด้วย AI และสร้างความคิดเห็นการคาดการณ์
• ความสามารถในการผลิตเนื้อหาการขาย เช่น หน้าเดียว การนำเสนอ และกรณีศึกษาได้อย่างรวดเร็ว
• ความสามารถในการสรุปเอาต์พุต AI ด้วยการตรวจสอบเชิงตัวเลขและโทนสีของแบรนด์

เมื่อใกล้สิ้นสุดไตรมาส คำถามของผู้นำฝ่ายขายก็มักจะเหมือนเดิมเสมอ: "เราจะปิดไตรมาสนี้ได้ไหม" คำตอบสำหรับคำถามนี้ไม่ใช่ความรู้สึก แต่ซ่อนอยู่ในไปป์ไลน์ของคุณ แต่ข้อมูลไปป์ไลน์ดิบนั้นเป็นตารางที่ไม่เป็นระเบียบซึ่งมีแถวและแถวของข้อตกลง ลำดับขั้น จำนวน และวันที่ ต้องใช้เวลาเพื่อดูเรื่องราวภายใน ปัญญาประดิษฐ์สามารถอ่านตารางนี้และแยกการกระจายของระยะ การอุดตัน แนวโน้มอัตราการชนะ และการตีความการคาดการณ์ได้ภายในไม่กี่นาที ปัญญาประดิษฐ์เดียวกันนี้ยังสร้างเอกสารเพียงหน้าเดียว โครงร่างการนำเสนอ หรือกรณีศึกษาที่อธิบายถึงความสำเร็จของธุรกิจได้อย่างรวดเร็ว อย่างไรก็ตาม ข้อความหลักของหน่วยนี้คือ: อย่ายอมรับตัวเลขหรือประโยคใดๆ ที่เกิดจากปัญญาประดิษฐ์โดยไม่สุ่มสี่สุ่มห้า แบบจำลองวิเคราะห์ คุณยืนยัน

การวิเคราะห์ไปป์ไลน์: จากข้อมูลสู่ข้อมูลเชิงลึก

การวิเคราะห์ไปป์ไลน์พยายามตอบคำถาม "งานนี้มีประโยชน์แค่ไหน" มากกว่า "มีงานมากแค่ไหน" ตัวชี้วัดสำคัญที่ต้องดู:

เมตริก

มันพูดว่าอะไร

สัญญาณเตือน

การกระจายเวที

ข้อตกลงซ้อนกันที่ขั้นตอนใด?

ระยะแรกส่วนใหญ่ = การคาดการณ์ไม่ดี

ข้อเสนอที่ติดอยู่

โอกาสที่ไม่ก้าวหน้ามาเป็นเวลานาน

60+ วันในระยะเดียวกัน

อัตราการชนะ

ชนะ/ปิดทั้งหมด

ขาลง = ปัญหากระบวนการ

ความน่าจะเป็นของการปิด

การคาดการณ์แบบถ่วงน้ำหนักตามระยะ

น้ำหนักในแง่ดีมากเกินไป

ขนาดข้อตกลงเฉลี่ย

แนวโน้มขนาดโอกาส

หดตัว = ส่วนผิด

พร้อมท์ที่คัดลอกได้: การวิเคราะห์ไปป์ไลน์

คุณเป็นนักวิเคราะห์การขาย วิเคราะห์ข้อมูลไปป์ไลน์ด้านล่าง ข้อมูล: แต่ละแถวคือโอกาส คอลัมน์: ชื่อข้อตกลง ระยะ จำนวนเงิน วันที่เข้าสู่ระยะ การประมาณการปิดบัญชี เอาท์พุท:1. การกระจายสเตจ (จำนวนโอกาสและจำนวนทั้งหมดในแต่ละสเตจ)2. โอกาสที่ถูกบล็อก (โอกาสที่ยังคงอยู่ในระยะเดียวกันนานกว่า {{day}} วัน)3. การคำนวณอัตราการชนะ (ขึ้นอยู่กับข้อตกลงที่ปิด)4. สรุปความเสี่ยง: 3 โอกาสที่คุกคามการคาดการณ์และทำไมกฎ: ใช้ตัวเลขในข้อมูลเท่านั้น แสดงสูตรสำหรับแต่ละเมตริกที่คุณคำนวณเพื่อให้ฉันตรวจสอบได้ การทำนายค่าที่ไม่ได้อยู่ในข้อมูล หากไม่มี ให้เขียนว่า "data missing" ข้อมูล:{{pipeline_verisi}}

การตีความการคาดการณ์และการตรวจสอบเชิงตัวเลข

ปัญญาประดิษฐ์อาจบอกคุณว่า "ไตรมาสนี้จะปิดด้วย 2.4 ล้าน TL" ประโยคนี้ฟังดูแม่นยำ แต่มีข้อสันนิษฐานที่ซ่อนอยู่: ใช้ความเป็นไปได้ในการปิดแบบใด รวมข้อเสนอใดบ้าง? โมเดลมีข้อผิดพลาดเพิ่มเติมหรือไม่ วิธีการตรวจสอบผลลัพธ์ที่เป็นตัวเลขคือการถามแบบจำลองอย่างชัดเจนถึงสมมติฐานและสูตรของมัน จากนั้นตรวจสอบอย่างน้อยหนึ่งเมตริกด้วยตนเอง: ตัวอย่างเช่น เพิ่มจำนวนถ่วงน้ำหนักของข้อตกลงทั้งสามด้วยตัวคุณเองแล้วเปรียบเทียบกับผลลัพธ์ของแบบจำลอง โมเดลสามารถสร้างข้อผิดพลาดทางคณิตศาสตร์ได้ โดยเฉพาะในตารางแบบหลายแถว

ชี้แจงการคาดการณ์ข้างต้นในรูปแบบต่อไปนี้:- สมมติฐานความน่าจะเป็นในการปิดที่คุณใช้ (ตามระยะ)- ข้อตกลงที่คุณรวมและยกเว้น + เหตุผล- รายละเอียดที่ชัดเจนของการคำนวณรวมถ่วงน้ำหนักของคุณ (ข้อตกลงข้อตกลง) ฉันจำเป็นต้องสามารถตรวจสอบไม่ใช่ตัวเลขผลลัพธ์แต่ว่าคุณมาถึงได้อย่างไร

ข้อควรสนใจ: ตัวเลขการคาดการณ์ที่สร้างโดย AI นั้นเป็นการคำนวณ ไม่ใช่ข้อเท็จจริง และขึ้นอยู่กับข้อมูลนำเข้าและสมมติฐานทั้งหมด โมเดลอาจใช้น้ำหนักความน่าจะเป็นที่ไม่ถูกต้อง เพิ่มบรรทัดไม่ถูกต้อง หรือนับข้อตกลงซ้ำ ตรวจสอบความถูกต้องอย่างน้อยหนึ่งเมตริกด้วยตนเอง และทำให้มองเห็นสมมติฐานได้ก่อนที่จะนำเสนอตัวเลขต่อฝ่ายบริหาร การคาดการณ์ที่ไม่ได้รับการยืนยันนำไปสู่การวางแผนทรัพยากรที่ไม่ถูกต้อง

การผลิตเนื้อหาการขาย: ชุดอินพุตที่ดี

คุณภาพของ AI ในรูปแบบหน้าเดียว สำรับข้อมูล หรือกรณีศึกษานั้นขึ้นอยู่กับข้อมูลที่คุณให้ทั้งหมด บทสรุปเนื้อหาที่ดีประกอบด้วยองค์ประกอบห้าประการเหล่านี้: บุคลิก (กับใคร), ปัญหา (สิ่งที่เรากำลังแก้ไขความเจ็บปวด), คุณค่าที่นำเสนอ (ทำไมเรา), ความแตกต่าง (เราแตกต่างจากคู่แข่งอย่างไร) และโทนของแบรนด์ (วิธีที่เราพูด) หากไม่มีห้าข้อนี้ โมเดลก็จะเติมเต็มช่องว่างด้วยความคิดโบราณทางการตลาดทั่วไป และผลลัพธ์จะคล้ายกับของคนอื่นๆ

การผลิตเพจเดียวทีละขั้นตอน

1. รวบรวมชุดอินพุต บุคลิก ปัญหา คุณค่าที่นำเสนอ การสร้างความแตกต่าง โทนเสียงของแบรนด์
2. ระบุวัตถุประสงค์. หน้าเดียว ร่างสำรับ กรณีศึกษา? รูปแบบจะแตกต่างกัน
3. มีการผลิตโมเดล ให้บทสรุปที่มีโครงสร้าง
4. ตรวจสอบตัวเลข ยืนยันทุกตัวชี้วัด (ROI ระยะเวลา จำนวนลูกค้า) ที่กล่าวถึงในเนื้อหาด้วยข้อมูลจริง
5. เข้ากับโทนของแบรนด์ ดึงภาษาของโมเดลมาไว้ในคู่มือเสียงขององค์กรของคุณ
6. การอนุมัติของมนุษย์ มนุษย์จะตรวจสอบก่อนที่จะเผยแพร่

พรอมต์ที่คัดลอกได้: หนึ่งหน้า

สร้างฉบับร่างหน้าเดียว ข้อมูลนำเข้า:- รูปลักษณ์: {{target_persona}}- ปัญหาที่เราแก้ไขแล้ว: {{ปัญหา}}- คุณค่าที่นำเสนอ: {{value_recommendation}}- การสร้างความแตกต่าง: {{differentiators}}- โทนสีของแบรนด์: {{brand_tone}}โครงสร้าง: (1) ชื่อที่โดดเด่น (2) คำชี้แจงปัญหา (3) แนวทางแก้ไขของเรา (4) สิทธิประโยชน์ 3 รายการ (5) สถานที่พิสูจน์ทางสังคม (6) เครือข่ายเดียว CTA.Rule: ห้ามสร้างตัวเลขที่เป็นรูปธรรมหรือคำกล่าวอ้างของลูกค้า วางตัวยึดตำแหน่ง "[เมตริกเพื่อยืนยัน]" ในตำแหน่งที่ต้องการตัวเลข ยึดมั่นในโทนของแบรนด์ของคุณ

พร้อมท์ที่คัดลอกได้: กรอบกรณีศึกษา

สร้างโครงกระดูกกรณีศึกษาจากข้อมูลลูกค้าต่อไปนี้:- โปรไฟล์ลูกค้า: {{ลูกค้า}}- ปัญหาเบื้องต้น: {{ปัญหา}}- แนวทางแก้ไขที่นำไปใช้: {{วิธีแก้ปัญหา}}- ผลลัพธ์: {{results}}โครงสร้าง: ความท้าทาย -> แนวทางแก้ไข -> บทสรุป ทำเครื่องหมายแต่ละหมายเลขในส่วนผลลัพธ์ด้วยแท็ก "[แหล่งที่มา/การยืนยันที่จำเป็น]" ห้ามเขียนคำกล่าวอ้างใดๆ ที่ลูกค้าไม่อนุมัติเสมือนว่าแน่ใจ

บทสรุปที่อ่อนแอ / บทสรุปที่เข้มแข็ง

อ่อนแอ: "เขียนหนึ่งหน้าสำหรับผลิตภัณฑ์ของเรา" ผลลัพธ์: ข้อความทั่วไป เต็มไปด้วยความคิดโบราณ ไม่ชัดเจนว่าจะกล่าวถึงใคร อาจมีภาพที่แต่งขึ้นมา และดูเหมือนของคนอื่นๆ

GÜçLÜ:"บุคลิก: ผู้จัดการฝ่ายปฏิบัติการของบริษัทผู้ผลิตที่มีพนักงาน 500 คน ปัญหา: การวางแผนกะด้วยตนเองมีค่าใช้จ่าย 6 ชั่วโมงต่อสัปดาห์ การนำเสนอคุณค่า: เราวางแผนอัตโนมัติและลดอัตราข้อผิดพลาด ตัวสร้างความแตกต่าง: สอดคล้องกับกฎหมายท้องถิ่น ทดสอบการใช้งานใน 2 สัปดาห์ โทนเสียง: เรียบง่าย เชื่อถือได้ ไม่ซับซ้อน ใส่ตัวยึดตำแหน่งในตำแหน่งที่ต้องการตัวเลข แล้วประกอบขึ้น"ผลลัพธ์: แบบร่างที่ตรงเป้าหมาย ตรวจสอบได้ และเหมาะสมกับแบรนด์

Mini case แก้คำทำนายในแง่ดี

ในทีมซอฟต์แวร์ ผู้จัดการฝ่ายขายจะมีขั้นตอนการวิเคราะห์โดยปัญญาประดิษฐ์ แบบจำลองนี้ให้การคาดการณ์ที่สดใสสำหรับไตรมาสนี้ ผู้จัดการขอรายละเอียดข้อตกลง-ข้อตกลงของผลรวมถ่วงน้ำหนักจากแบบจำลอง ตามกฎในหน่วย ขณะที่เขาตรวจสอบข้อความถอดเสียง เขาสังเกตเห็นสองสิ่ง: แบบจำลองนับความน่าจะเป็น 90 เปอร์เซ็นต์ของข้อตกลงสำคัญที่ติดอยู่ในขั้นตอน "สัญญา" เป็นเวลาหกสิบวัน ซึ่งในความเป็นจริงแล้วข้อตกลงนั้นตกอยู่ในความเสี่ยง นอกจากนี้ ยังมีการรวบรวมบันทึกสองรายการสำหรับลูกค้ารายเดียวกันสองครั้งโดยไม่ตั้งใจ การคาดการณ์ที่ปรับปรุงแล้วต่ำกว่าตัวเลขแรกอย่างมาก ผู้จัดการไปหาผู้บริหารระดับสูงด้วยตัวเลขที่สมจริงนี้ และเลื่อนการตัดสินใจจ้างงานโดยไม่จำเป็นออกไป ตัวแบบก็ไม่ได้แย่ มันแค่ต้องได้รับการตรวจสอบ

เคล็ดลับ: ในการสร้างเนื้อหา อย่าขอให้โมเดล "สร้าง" ตัวเลข แต่ควรปล่อยให้ตัวยึดตำแหน่งไว้ แท็ก "[เมตริกที่ต้องยืนยัน]" คือพื้นที่ปลอดภัยที่รอการเติมข้อมูลจริงในภายหลัง ป้องกันไม่ให้สถิติที่จัดทำขึ้นเข้าถึงลูกค้าได้

ข้อผิดพลาดทั่วไป

• ยอมรับตัวเลขคาดการณ์โดยไม่มีคำถาม อย่าส่งการประมาณการใดๆ โดยไม่เห็นสมมติฐานและสูตร
• การเชื่อถือเลขคณิตของแบบจำลอง ข้อผิดพลาดในการรวมเกิดขึ้นในตารางหลายแถว ตรวจสอบเมตริกอย่างน้อยหนึ่งรายการด้วยตนเอง
• การขอเนื้อหาที่มีบรีฟที่ไม่ชัดเจน หากไม่มีบุคลิกหรือสิ่งที่สร้างความแตกต่าง ผลลัพธ์ที่ได้จะดูซ้ำซากจำเจ
• การเผยแพร่สถิติที่ประดิษฐ์ขึ้น การใส่ ROI และตัวเลขลูกค้าที่สร้างโดยแบบจำลองลงในหน้าเดียวโดยไม่ตรวจสอบจะทำลายความน่าเชื่อถือของแบรนด์
• ผ่านการอนุมัติของมนุษย์ เนื้อหาการขายไม่ควรเผยแพร่โดยไม่ได้รับการตรวจสอบจากเจ้าหน้าที่

โดยสรุป

• การวิเคราะห์ไปป์ไลน์ถามว่า “งานนี้ดีแค่ไหน” แทนที่จะถามว่า “มีงานมากขนาดไหน”; การกระจายขั้นตอน การอุดตัน และอัตราการชนะเป็นสิ่งสำคัญ
• การพยากรณ์เป็นการคำนวณ ไม่ใช่ข้อเท็จจริง สอบถามสมมติฐานและสูตรของแบบจำลอง และตรวจสอบด้วยตนเอง
• บรีฟเนื้อหาที่ดีประกอบด้วยองค์ประกอบ 5 ประการ ได้แก่ บุคลิก ปัญหา คุณค่าที่นำเสนอ การสร้างความแตกต่าง และโทนของแบรนด์
• อย่าสร้างตัวเลขขึ้นมาในหน้าเดียว สำรับ และกรณีศึกษา ปล่อยตัวยึดตำแหน่งไว้และกรอกข้อมูลจริงลงไป
• ปรับให้เข้ากับโทนของแบรนด์และต้องได้รับการอนุมัติจากมนุษย์ก่อนเผยแพร่

งานสมัคร

นำตัวอย่าง 10-15 บรรทัดจากข้อมูลไปป์ไลน์ของคุณ (ไม่ระบุชื่อ) และเรียกใช้พร้อมท์ "การวิเคราะห์ไปป์ไลน์" ตรวจสอบอัตราการชนะและการคาดการณ์แบบถ่วงน้ำหนักที่กำหนดโดยแบบจำลองด้วยตนเองโดยขอการแยกย่อยสูตร พยายามค้นหาข้อผิดพลาดหรือข้อสันนิษฐานที่น่าสงสัยอย่างน้อยหนึ่งข้อ จากนั้นเรียกใช้พรอมต์ "หน้าเดียว" พร้อมชุดอินพุตที่แข็งแกร่งเพื่อความสำเร็จของลูกค้าอย่างแท้จริง กรอกตัวยึดตำแหน่งแต่ละรายการในเอาต์พุตด้วยข้อมูลจริงที่ตรวจสอบแล้ว และปรับแต่งข้อความให้เหมาะกับโทนของแบรนด์ของคุณเอง เวอร์ชันสุดท้ายควรมีคุณภาพที่เมื่อแสดงให้เพื่อนร่วมงานเห็น พวกเขาจะพูดว่า "นี่คือเสียงของเรา"

การสอบโมดูล

1. เมื่อใช้ AI ในการขาย ความรับผิดชอบสูงสุดในการตัดสินใจข้อใดต่อไปนี้ควรคงอยู่กับพนักงานขายที่เป็นมนุษย์เสมอ

• A) ความถูกต้องแม่นยำของราคาที่มีผลผูกพันและข้อผูกพันที่สื่อสารไปยังลูกค้า ✔
• B) การสร้างร่างอีเมลเวอร์ชันแรก
• C) การแยกบันทึกการประชุมออกเป็นรายการ
• D) เสนอทางเลือกสามทางสำหรับหัวเรื่อง

คำอธิบาย: AI สามารถสร้างแบบร่าง การวิจัย และบทสรุปได้ อย่างไรก็ตาม มนุษย์มีหน้าที่รับผิดชอบต่อความถูกต้องและจริยธรรมของการตัดสินใจที่มีผลผูกพัน เช่น ข้อผูกพันด้านราคา เงื่อนไขสัญญา และคำสัญญาอย่างเป็นทางการต่อลูกค้า ไม่ควรส่งการตัดสินใจเหล่านี้โดยไม่มีการตรวจสอบ

2. ตัวอักษร 'A' ในกรอบงาน BANT ที่ใช้ในการคัดเลือกลูกค้าเป้าหมายหมายถึงอะไร

• ก) การวิเคราะห์
• B) อำนาจ (อำนาจการจัดซื้อ) ✔
• C) บัญชี (ขนาดบัญชี)
• D) การรับเลี้ยงบุตรบุญธรรม

คำอธิบาย: เทป; ประกอบด้วยคำว่า Budget (งบประมาณ), Authority (อำนาจ), Need (need) และ Timeline (ไทม์ไลน์) 'A' หมายถึง บุคคลที่มีอำนาจ (Authority) ในการตัดสินใจซื้อ

3. เหตุใดอีเมลเย็นที่สร้างโดย AI จึงมีแนวโน้มที่จะไปอยู่ในโฟลเดอร์สแปมและไม่แปลง

• ก) เพราะมันสั้นเกินไป
• B) เนื่องจากมีเครื่องหมายคำถาม
• C) เนื่องจากไม่ใช่ข้อมูลส่วนบุคคล ทั่วไป และไม่เกี่ยวข้องกับผู้ซื้อ ✔
• D) เพราะมันขึ้นต้นด้วยชื่อผู้รับ

คำอธิบาย: อีเมลจำนวนมากที่ไม่ได้กำหนดเฉพาะบุคคล ทั่วไป และไม่เกี่ยวข้องกับผู้รับ จะทริกเกอร์ตัวกรองสแปมและไม่สร้างการรับรู้ถึงคุณค่าในตัวผู้รับ อีเมลแบบ Cold Email ที่มีประสิทธิผลประกอบด้วยเหตุการณ์กระตุ้นเฉพาะสำหรับผู้รับและการนำเสนอคุณค่าที่ชัดเจน

4. ขณะเตรียมข้อเสนอสำหรับลูกค้า คุณเห็นวลี 'รับประกันประสิทธิภาพการผลิต 300% ในอุตสาหกรรม' จาก AI ข้อใดเป็นพฤติกรรมที่ถูกต้องที่สุด?

• ก) ปล่อยให้มันเป็นไปเพราะมันน่าประทับใจ
• B) เพิ่มจำนวนมากยิ่งขึ้นและเขียน 500%
• C) ย้ายไปที่ด้านบนของข้อเสนอด้วยแบบอักษรขนาดใหญ่
• D) แทนที่คำกล่าวอ้างด้วยข้อความที่ตรวจสอบได้ เป็นจริง และมีที่มา ✔

คำอธิบาย: การกล่าวอ้างที่ไม่สามารถตรวจสอบได้ เกินจริง และรับประกันนั้นผิดจรรยาบรรณและก่อให้เกิดความเสี่ยงทางกฎหมาย ข้อความควรถูกลบออกหรือแทนที่ภายในช่วงที่เป็นรูปธรรม เฉพาะแหล่งที่มา และสมจริง

5. ข้อใดต่อไปนี้เป็นแนวทางปฏิบัติที่ดีที่สุดในการออกแบบลำดับการติดตามผลส่วนบุคคล

• A) ให้คุณค่า ข้อมูลเชิงลึก หรือทรัพยากรใหม่ๆ ในการติดตามผลแต่ละครั้ง ✔
• B) ทำซ้ำประโยค 'เพียงแค่ตรวจสอบ' เดียวกันในทุกข้อความ
• C) การส่งอีเมลเดียวกันวันละสองครั้ง
• D) หากไม่ได้รับการตอบกลับครั้งแรก จะเป็นการยกเลิกทั้งซีรีส์

คำอธิบาย: เธรดการติดตามผลที่ดีจะให้คุณค่าใหม่ (เนื้อหา ตัวอย่าง ข้อมูลเชิงลึก) ในแต่ละข้อความ และไม่เพียงแค่พูดว่า 'แค่ตรวจสอบ' ทุกช่องทางติดต่อควรให้เหตุผลแก่ผู้ซื้อ

6. ลูกค้าแสดงข้อโต้แย้งว่า 'ราคาของคุณสูงเกินไป' ข้อใดคือแนวทางที่ขับเคลื่อนด้วย AI ที่มีประสิทธิภาพมากที่สุด

• ก) เสนอส่วนลดทันที
• B) ทำความเข้าใจต้นตอของการคัดค้าน และปรับกรอบใหม่ในแง่ของมูลค่าและ ROI ✔
• C) ทะเลาะกับลูกค้าและบอกว่าเขาผิด
• D) ปิดหัวข้อและไปยังผลิตภัณฑ์อื่น

คำอธิบาย: การตอบโต้ข้อโต้แย้งที่มีประสิทธิภาพต้องทำความเข้าใจข้อโต้แย้งก่อน (ไม่ว่าจะเป็นการรับรู้ราคาหรือคุณค่า) จากนั้นจึงกำหนดกรอบในแง่ของ ROI/มูลค่า การเสนอส่วนลดจะลดมูลค่าทันที

7. คุณบันทึกสำเนาการโทรขายให้กับ AI และสร้างบันทึก CRM พื้นที่ที่สำคัญที่สุดในบันทึกคืออะไร?

• ก) การสนทนาใช้เวลากี่นาที?
• B) ผู้เข้าร่วมเชื่อมต่อจากเมืองใด
• C) ล้างขั้นตอนถัดไปกับเจ้าของที่รู้จักและวันที่ ✔
• D) กี่ครั้งแล้วที่ถูกหัวเราะเยาะระหว่างการสัมภาษณ์?

คำอธิบาย: มูลค่าการดำเนินงานของบันทึก CRM อยู่ในฟิลด์ 'ขั้นตอนถัดไป' พร้อมด้วยเจ้าของสุทธิและวันที่ หากขั้นตอนถัดไปไม่ชัดเจน โอกาสจะหยุดนิ่งในไปป์ไลน์และสูญเสียไป

8. อะไรคือวินัยในการตรวจสอบที่สำคัญที่สุดเมื่อเตรียมแบทเทิลการ์ดของคู่ต่อสู้ด้วย AI?

• ก) เชื่อถือ AI โดยตรง เพราะใช้โมเดลที่ทันสมัยที่สุด
• B) เพื่อเน้นผลิตภัณฑ์ของตนเองโดยพูดเกินจริงเกี่ยวกับข้อมูลของคู่แข่ง
• C) การเพิ่มเฉพาะโลโก้ของฝ่ายตรงข้ามลงบนโต๊ะ
• D) การยืนยันการกล่าวอ้างของคู่แข่งด้วยแหล่งข้อมูลที่ทันสมัยและเชื่อถือได้ ✔

คำอธิบาย: AI สามารถสร้างราคา คุณลักษณะ และข้อมูลลูกค้าที่ล้าสมัยหรือหลอนประสาทเกี่ยวกับคู่แข่งได้ การอ้างสิทธิ์ของคู่แข่งใน Battlecard ทุกรายการจะต้องได้รับการตรวจสอบด้วยแหล่งข้อมูลที่ทันสมัยและเชื่อถือได้ก่อนที่จะนำไปขาย

9. คุณได้ให้ AI วิเคราะห์ข้อมูล Pipeline และบอกว่า 'บรรลุเป้าหมาย 120% ในไตรมาสนี้' คุณควรจัดการกับคำทำนายนี้อย่างไร?

• ก) รายงานตรงต่อฝ่ายบริหาร
• B) ปัดเศษตัวเลขเป็น 150%
• C) ตรวจสอบความถูกต้องของสมมติฐาน ปิดความน่าจะเป็น และการคำนวณด้วยข้อมูลจริง ✔
• D) เพิกเฉยต่อคำทำนายโดยสิ้นเชิง

คำอธิบาย: การคาดการณ์เชิงตัวเลขของ AI ขึ้นอยู่กับคุณภาพของข้อมูลอินพุตและสมมติฐาน ไม่ควรได้รับการยอมรับอย่างสุ่มสี่สุ่มห้า ตรรกะการคำนวณ ความน่าจะเป็นในการปิด และสมมติฐานควรได้รับการตรวจสอบและตรวจสอบความถูกต้องข้ามกับข้อมูลจริง

10. ชุดอินพุตที่ดีที่สุดที่จะมอบให้กับ AI เมื่อสร้างเพจเดียวคืออะไร?

• A) กำหนดเป้าหมายบุคคล ปัญหาที่เป็นรูปธรรม คุณค่าที่นำเสนอ การสร้างความแตกต่าง และโทนของแบรนด์ ✔
• B) เพียงพูดว่า 'เขียนหนึ่งเพจเจอร์สำหรับผลิตภัณฑ์ของเรา'
• ค) เฉพาะปีที่ก่อตั้งบริษัท
• D) รายการราคาของคู่แข่ง

คำอธิบาย: เพื่อให้ AI สามารถสร้างผลลัพธ์ที่มีคุณภาพได้ จะต้องระบุบริบท เช่น บุคคลเป้าหมาย การแก้ปัญหาที่เป็นรูปธรรม การนำเสนอคุณค่า การสร้างความแตกต่าง และโทนของแบรนด์ คำขอแบบไม่มีบริบท เช่น 'เขียนถึงเราแบบเพจเดียว' จะสร้างผลลัพธ์ทั่วไป