Pagtataya ng Benta, Pagsusuri ng Pipeline at Produksyon ng Nilalaman ng Benta

Mga nadagdag:

• Kakayahang suriin ang data ng pipeline gamit ang AI at lumikha ng mga komento sa pagtataya
• Kakayahang mabilis na makagawa ng nilalamang benta tulad ng one-pager, presentasyon at case study
• Kakayahang i-finalize ang AI output gamit ang numerical verification at brand tone

Habang papalapit ang quarter-end, palaging pareho ang tanong ng sales leader: "Can we close this quarter?" Ang sagot sa tanong na ito ay hindi isang pakiramdam, ito ay nakatago sa iyong pipeline. Ngunit ang raw pipeline data ay isang magulo na talahanayan na may mga row at row ng mga deal, yugto, halaga, at petsa; Ito ay tumatagal ng oras upang makita ang kuwento sa loob. Mababasa ng artificial intelligence ang talahanayang ito at ma-extract ang stage distribution, blockages, win rate trend at forecast interpretation sa loob ng ilang minuto. Ang parehong artificial intelligence ay mabilis ding gumagawa ng one-pager, isang presentation outline o isang case study na naglalarawan sa negosyong napanalunan. Gayunpaman, ang pangunahing mensahe ng yunit na ito ay ito: huwag bulag na tanggapin ang anumang numero o pangungusap na ginawa ng artificial intelligence. Ang modelo ay nag-aanalisa, i-verify mo.

Pagsusuri ng pipeline: mula sa data hanggang sa insight

Ang pagsusuri sa pipeline ay naglalayong sagutin ang tanong na "gaano kalusog ang gawaing ito" sa halip na "gaano karami ang trabaho?" Mga pangunahing sukatan na titingnan:

panukat

ano ang sinasabi nito

tanda ng babala

Pamamahagi ng entablado

Sa anong yugto nakasalansan ang mga deal?

Karamihan sa mga maagang yugto = mahinang pagtataya

Mga natigil na deal

Mga pagkakataong hindi umuunlad sa mahabang panahon

60+ araw sa parehong yugto

rate ng panalo

Panalo / kabuuang sarado

Downtrend = problema sa proseso

posibilidad ng pagsasara

Timbang na pagtataya ayon sa yugto

Masyadong optimistikong mga timbang

Average na laki ng deal

Trend ng laki ng pagkakataon

Lumiliit = maling segment

Nakokopya na prompt: pagsusuri ng pipeline

Isa kang sales operations analyst. Suriin ang data ng pipeline sa ibaba. Data: ang bawat hilera ay isang pagkakataon; Mga Column: pangalan ng deal, yugto, halaga, petsa ng pagpasok sa yugto, pagtatantya ng pagsasara. Output:1. Pamamahagi ng yugto (bilang ng mga pagkakataon at kabuuang halaga sa bawat yugto)2. Mga naka-block na pagkakataon (mga nananatili sa parehong yugto nang higit sa {{araw}} araw)3. Pagkalkula ng rate ng panalo (batay sa mga saradong deal)4. Buod ng panganib: 3 pagkakataong nagbabanta sa hula at bakitPanuntunan: Gamitin lamang ang mga numero sa data. Ipakita sa akin ang formula para sa bawat sukatan na iyong kinakalkula para ma-verify ko ito. Paghula ng halaga na wala sa data; Kung wala ito, isulat ang "data missing".Data:{{pipeline_verisi}}

Pagpapakahulugan sa pagtataya at pagpapatunay ng numero

Maaaring sabihin sa iyo ng artificial intelligence na "magsasara ang quarter na ito na may 2.4 milyong TL." Mukhang tumpak ang pangungusap na ito, ngunit may mga pinagbabatayan na pagpapalagay: anong mga posibilidad ng pagsasara ang ginamit? Aling mga deal ang kasama? Nagkaroon ba ng error sa karagdagan ang modelo? Ang paraan upang i-verify ang numerical na output ay ang tahasang tanungin ang modelo para sa mga pagpapalagay at formula nito. Pagkatapos ay suriin nang manu-mano ang kahit isang sukatan: halimbawa, idagdag ang timbang na halaga ng tatlong deal sa iyong sarili at ihambing ito sa resulta ng modelo. Maaaring magkamali ang mga modelo sa aritmetika, lalo na sa mga multi-row na talahanayan.

Bigyang-katwiran ang hula sa itaas sa sumusunod na format:- Pagsasara ng mga pagpapalagay sa posibilidad na iyong ginamit (ayon sa yugto)- Mga deal na iyong isinama at ibinukod + bakit- I-clear ang breakdown ng iyong timbang na kabuuang kalkulasyon (deal deal) Kailangan kong ma-verify hindi ang resultang numero ngunit kung paano ka nakarating dito.

Pansin: Ang forecast figure na ginawa ng AI ay isang kalkulasyon, hindi isang katotohanan, at ganap na nakadepende sa input at mga pagpapalagay. Maaaring gumamit ang modelo ng maling probability weight, maling magdagdag ng mga linya, o mag-double count ng deal. Manu-manong i-validate ang kahit isang sukatan at gawing nakikita ang mga pagpapalagay bago ipakita ang numero sa pamamahala. Ang hindi na-verify na hula ay humahantong sa maling pagpaplano ng mapagkukunan.

Produksyon ng nilalamang benta: magandang hanay ng mga input

Ang kalidad ng AI bilang isang one-pager, deck o case study ay ganap na nakasalalay sa input na ibibigay mo. Kasama sa magandang content brief ang limang bahaging ito: persona (kanino), problema (anong sakit ang ating nilulutas), value proposition (bakit tayo), differentiators (kung paano tayo naiiba sa kompetisyon), at tono ng tatak (kung paano tayo nagsasalita). Kung nawawala ang limang ito, pinupunan ng modelo ang mga puwang ng mga generic na clichés sa marketing at ang output ay katulad ng sa iba.

Hakbang-hakbang na paggawa ng one-pager

1. Kolektahin ang set ng input. Persona, problema, value proposition, differentiators, brand tone.
2. Sabihin ang layunin. One-pager, deck draft, case study? Iba ang format.
3. Ipagawa ang modelo. Ibigay ang nakabalangkas na maikling.
4. I-verify ang mga numero. Kumpirmahin ang bawat sukatan (ROI, tagal, bilang ng mga customer) na binanggit sa content gamit ang totoong data.
5. Pagkasyahin ito sa tono ng tatak. Hilahin ang wika ng modelo sa iyong corporate voice guide.
6. Pag-apruba ng tao. Susuriin ito ng isang tao bago i-publish.

Nakokopya na prompt: one-pager

Gumawa ng one-pager draft. Mga Input:- Persona: {{target_persona}}- Problema na nalutas namin: {{problem}}- Value proposition: {{value_recommendation}}- Differentiators: {{differentiators}}- Brand tone: {{brand_tone}}Structure: (1) kapansin-pansing pamagat, (2) social na pahayag ng solusyon, (43) ang aming solusyon sa problema, (43) (6) single net CTA. Panuntunan: Huwag gumawa ng mga konkretong numero o claim ng customer. Maglagay ng placeholder na "[sukatan para i-verify]" kung saan kinakailangan ang numero. Manatiling tapat sa tono ng iyong brand.

Nakokopya na prompt: case study framework

Bumuo ng case study skeleton mula sa sumusunod na impormasyon ng customer:- Profile ng customer: {{customer}}- Paunang problema: {{problem}}- Ipinatupad ang solusyon: {{solution}}- Resulta: {{results}}Structure: Challenge -> Solution -> Conclusion. Markahan ang bawat numero sa seksyon ng mga resulta ng tag na "[kailangan ng pinagmulan/pag-verify]." Huwag sumulat ng anumang claim na hindi aprubahan ng customer na parang ito ay tiyak.

Mahina brief / Malakas na brief

MAHINA: "Sumulat ng one-pager para sa aming produkto." Resulta: Ang isang text na generic, puno ng mga cliché, hindi malinaw kung kanino ito tinutugunan, maaaring naglalaman ng mga gawa-gawang figure, at kamukha ng iba.

GÜÇLÜ:"Persona: Operations manager ng isang manufacturing company na may 500 tao. Problema: manual shift planning ay nagkakahalaga ng 6 na oras sa isang linggo. Value proposition: we automate planning and reduce the error rate. Differentiator: compliant with local legislation, commissioning in 2 weeks. Tone: simple, trustworthy, understated. Maglagay ng placeholder kung saan kailangan ang draft." napapatunayan, angkop para sa tatak.

Mini case: pag-aayos ng optimistic forecast

Sa isang software team, ang sales manager ay may pipeline na sinusuri ng artificial intelligence. Ang modelo ay gumagawa ng isang maliwanag na forecast para sa quarter. Humihiling ang manager ng breakdown ng deal-deal ng kabuuang timbang mula sa modelo, na sumusunod sa panuntunan sa unit. Habang sinusuri niya ang transcript, napansin niya ang dalawang bagay: ang modelo ay nagbilang ng 90 porsiyentong posibilidad ng isang malaking deal na natigil sa yugto ng "kontrata" sa loob ng animnapung araw, kung saan ang deal ay nasa panganib; Bukod pa rito, dalawang talaan para sa parehong customer ang aksidenteng nakolekta nang dalawang beses. Ang adjusted forecast ay makabuluhang mas mababa sa unang figure. Pumupunta ang manager sa senior management na may ganitong makatotohanang figure at ipinagpaliban ang isang hindi kinakailangang desisyon sa pagkuha. Ang modelo ay hindi masama; kailangan lang ma-verify.

Tip: Sa paggawa ng content, huwag kailanman hilingin sa modelo na "lumikha" ng mga figure, ngunit sa halip ay mag-iwan ng placeholder. Ang mga tag na "[metric to verify]" ay mga ligtas na puwang na naghihintay na mapunan ng totoong data sa ibang pagkakataon, na pumipigil sa mga ginawang istatistika na maabot ang customer.

Mga karaniwang pagkakamali

• Pagtanggap ng taya ng hula nang walang tanong. Huwag magsumite ng anumang mga pagtatantya nang hindi nakikita ang mga pagpapalagay at formula.
• Pagtitiwala sa aritmetika ng modelo. Nagaganap ang mga error sa pagsasama-sama sa mga multi-row na talahanayan; Manu-manong suriin ang hindi bababa sa isang sukatan.
• Paghiling ng nilalaman na may mahinang brief. Kung walang persona at differentiator, magiging cliché ang output.
• Pag-publish ng mga gawa-gawang istatistika. Ang paglalagay ng ROI at mga numero ng customer na ginawa ng modelo sa isang pager nang hindi ito bini-verify ay nakakasira ng tiwala sa brand.
• Paglampas sa pag-apruba ng tao. Walang content sa pagbebenta ang dapat maging live nang walang pagsusuri ng tao.

Sa buod

• Ang pagsusuri sa pipeline ay nagtatanong ng "gaano kalusog ang gawaing ito" sa halip na "kung magkano ang trabaho doon"; Ang pamamahagi ng yugto, pagbabara at rate ng panalo ay kritikal.
• Ang pagtataya ay isang kalkulasyon, hindi isang katotohanan; Tanungin ang modelo para sa mga pagpapalagay at formula nito at manu-manong i-verify ang mga ito.
• Kasama sa isang magandang brief ng nilalaman ang limang bahagi: persona, problema, value proposition, differentiators, brand tone.
• Huwag buuin ang mga numero sa one-pager, deck at case study; Mag-iwan ng placeholder at punan ito ng totoong data.
• Ibagay ito sa tono ng brand at tiyaking makakuha ng pag-apruba ng tao bago mag-live.

Gawain ng aplikasyon

Kumuha ng sample ng 10-15 linya mula sa sarili mong data ng pipeline (na-anonymize) at patakbuhin ang prompt na "pagsusuri ng pipeline." Manu-manong i-verify ang rate ng panalo at weighted forecast na ibinigay ng modelo sa pamamagitan ng paghiling ng breakdown ng formula; Subukang maghanap ng hindi bababa sa isang pagkakamali o kaduda-dudang palagay. Pagkatapos ay patakbuhin ang "one-pager" prompt na may malakas na hanay ng mga input para sa tunay na tagumpay ng customer. Punan ang bawat placeholder sa output ng tunay, na-verify na data at iangkop ang text sa sarili mong tono ng brand. Ang huling bersyon ay dapat na may kalidad na, kapag ipinakita sa isang kasamahan, sasabihin nilang "ito ang aming boses."

Pagsusulit sa Module

1. Kapag gumagamit ng AI sa mga benta, alin sa mga sumusunod na desisyon ang dapat palaging manatili sa taong nagbebenta?

• A) Katumpakan ng mga may-bisang presyo at mga pangakong ipinaalam sa customer ✔
• B) Paglikha ng unang bersyon ng isang draft ng email
• C) Paghihiwalay ng mga tala sa pagpupulong sa mga aytem
• D) Magmungkahi ng tatlong alternatibo para sa linya ng paksa

Paglalarawan: Ang AI ay maaaring gumawa ng mga draft, pananaliksik at mga buod; Gayunpaman, ang mga tao ay may pananagutan para sa katumpakan at etika ng mga may-bisang desisyon tulad ng pangako sa presyo, kondisyon ng kontrata, at pormal na pangako sa customer. Ang mga desisyong ito ay hindi dapat isumite nang walang pag-verify.

2. Ano ang ibig sabihin ng letrang 'A' sa balangkas ng BANT para maging kwalipikado ang isang lead?

• A) Analytics
• B) Awtoridad (purchasing authority) ✔
• C) Account (laki ng account)
• D) Pag-ampon

Paglalarawan: TAPE; Binubuo ito ng mga salitang Badyet (budget), Awtoridad (authority), Pangangailangan (need) at Timeline (timeline). Ang 'A' ay tumutukoy sa taong may awtoridad (Authority) sa desisyon sa pagbili.

3. Bakit ang isang malamig na email na binuo ng AI ay malamang na mapunta sa folder ng spam at hindi magko-convert?

• A) Dahil ito ay masyadong maikli
• B) Dahil naglalaman ito ng tandang pananong
• C) Dahil hindi ito personalized, generic at walang kinalaman sa mamimili ✔
• D) Dahil nagsisimula ito sa pangalan ng tatanggap

Paliwanag: Ang mga maramihang e-mail na hindi naka-personalize, generic at walang kaugnayan sa tatanggap ay parehong nagti-trigger ng mga filter ng spam at hindi gumagawa ng perception ng halaga sa tatanggap. Ang epektibong malamig na email ay may kasamang trigger event na partikular sa tatanggap at isang malinaw na value proposition.

4. Habang naghahanda ng panukala para sa isang kliyente, nakita mo ang pariralang '300% garantisadong pagtaas ng produktibidad sa industriya' mula sa AI. Alin ang pinaka tamang pag-uugali?

• A) Iwanan ito bilang ito ay dahil ito ay kahanga-hanga
• B) Dagdagan pa ang bilang at isulat ang 500%
• C) Ilipat ito sa itaas ng panukala sa malaking font
• D) Pinapalitan ang claim ng isang nabe-verify, makatotohanan at sourced na pahayag ✔

Paliwanag: Ang mga hindi mabe-verify, pinalaki at garantisadong mga claim ay parehong hindi etikal at lumilikha ng mga legal na panganib. Ang pahayag ay dapat na alisin o palitan sa loob ng isang kongkreto, tukoy sa pinagmulan at makatotohanang saklaw.

5. Alin sa mga sumusunod ang pinakamahusay na kagawian kapag nagdidisenyo ng personalized na follow-up sequence?

• A) Pagbibigay ng bagong halaga, insight o mapagkukunan sa bawat follow-up ✔
• B) Inuulit ang parehong 'pagsusuri lang' na pangungusap sa bawat mensahe
• C) Pagpapadala ng parehong email dalawang beses sa isang araw
• D) Kung hindi natanggap ang unang tugon, kanselahin ang buong serye

Paliwanag: Ang isang mahusay na follow-up na thread ay nag-aalok ng bagong halaga (nilalaman, halimbawa, insight) sa bawat mensahe at hindi lang 'nagsusuri lang'. Ang bawat touchpoint ay dapat magbigay sa mamimili ng dahilan.

6. Isang customer ang nagpahayag ng pagtutol na 'Masyadong mataas ang iyong presyo'. Alin ang pinakaepektibong diskarte na pinapagana ng AI?

• A) Nag-aalok kaagad ng diskwento
• B) Unawain ang ugat ng pagtutol at i-reframe ito sa mga tuntunin ng halaga at ROI ✔
• C) Nakipagtalo sa customer at sinasabing mali siya
• D) Isara ang paksa at lumipat sa ibang produkto

Paliwanag: Ang mabisang pagtutol sa pagtutol ay nangangailangan muna ng pag-unawa sa pagtutol (maging ito ay presyo o halaga ng pananaw) at pagkatapos ay i-frame ito sa mga tuntunin ng ROI/halaga. Ang pag-aalok ng diskwento ay agad na nagpapababa ng halaga.

7. Ibinigay mo ang transcript ng isang sales call sa AI at gumawa ng CRM note. Ano ang pinaka kritikal na lugar sa tala?

• A) Ilang minuto ang itinagal ng pag-uusap?
• B) Saang lungsod nagmula ang mga kalahok
• C) I-clear ang susunod na hakbang kasama ang kilalang may-ari at petsa ✔
• D) Ilang beses pinagtawanan sa interbyu?

Paglalarawan: Ang halaga ng pagpapatakbo ng tala ng CRM ay nasa field na 'susunod na hakbang' kasama ang net na may-ari at petsa. Kung ang susunod na hakbang ay hindi malinaw, ang pagkakataon ay tumitigil sa pipeline at mawawala.

8. Ano ang pinakamahalagang disiplina sa pagpapatunay kapag naghahanda ng kalaban na battlecard na may AI?

• A) Direktang pagtitiwala sa AI dahil ginagamit nito ang pinaka-up-to-date na modelo
• B) Upang i-highlight ang sariling produkto sa pamamagitan ng pagmamalabis sa impormasyon ng katunggali
• C) Pagdaragdag lamang ng logo ng kalaban sa talahanayan
• D) Pagkumpirma ng mga claim ng katunggali gamit ang napapanahon at maaasahang mga mapagkukunan ✔

Paliwanag: Ang AI ay maaaring gumawa ng hindi napapanahon o hallucinated na presyo, mga feature at impormasyon ng customer tungkol sa mga kakumpitensya. Ang bawat paghahabol ng kakumpitensya sa Battlecard ay dapat ma-verify gamit ang napapanahon at maaasahang pinagmulan bago ibenta.

9. Pinasuri mo sa AI ang data ng Pipeline at sinabing '120% ng target ang makakamit ngayong quarter'. Paano mo dapat pangasiwaan ang hulang ito?

• A) Direktang pag-uulat sa pamamahala
• B) Bilugan ang numero sa 150%
• C) Pagpapatunay ng mga pagpapalagay, pagsasara ng mga probabilidad at mga kalkulasyon gamit ang totoong data ✔
• D) Ganap na binabalewala ang hula.

Paglalarawan: Ang mga numerical na hula ng AI ay nakasalalay sa kalidad ng input data at mga pagpapalagay; hindi dapat tanggapin ng bulag. Ang lohika ng pagkalkula, mga probabilidad ng pagsasara at mga pagpapalagay ay dapat suriin at i-cross-validated sa totoong data.

10. Ano ang pinakamahusay na hanay ng mga input na ibibigay sa AI kapag gumagawa ng isang one-pager?

• A) Target na persona, konkretong problema, value proposition, differentiators at tono ng tatak ✔
• B) Sabihin lang 'magsulat ng one-pager para sa aming produkto'
• C) Tanging ang taon ng pagkakatatag ng kumpanya
• D) Listahan ng presyo ng mga kakumpitensya

Paglalarawan: Para makagawa ng de-kalidad na output ang AI, dapat ibigay ang konteksto gaya ng target na persona, konkretong problemang nalutas, value proposition, differentiators at tono ng brand. Ang walang kontekstong kahilingan tulad ng 'Write us a one-pager' ay gumagawa ng generic na output.