收益：
- 能够利用人工智能分析管道数据并创建预测评论
- 能够快速生成销售内容，例如一页纸、演示文稿和案例研究
- 能够通过数值验证和品牌基调最终确定人工智能输出
随着季度末的临近，销售主管的问题总是相同的：“我们可以结束这个季度吗？”这个问题的答案不是感觉，它隐藏在你的管道中。但原始管道数据是一张杂乱的表格，其中包含一行又一行的交易、阶段、金额和日期；需要时间才能看到里面的故事。人工智能可以读取这张表，并在几分钟内提取阶段分布、堵塞、胜率趋势和预测解释。同样的人工智能还可以快速生成一页纸、一份演示大纲或一份描述所赢得业务的案例研究。然而，这个单元的主要信息是：不要盲目接受人工智能产生的任何数字或句子。模型进行分析，您进行验证。
管道分析：从数据到洞察
管道分析旨在回答“这项工作的健康程度如何”而不是“有多少工作？”要查看的关键指标：
公制
它说什么
警告标志
舞台分布
交易在什么阶段堆积？
最早期阶段 = 预测不佳
交易陷入困境
很久没有进展的机会
同一阶段60+天
胜率
胜场数/总胜数
下降趋势=流程问题
闭合概率
分阶段加权预测
权重过于乐观
平均交易规模
机会大小趋势
收缩=错误的段
可复制提示：管道分析
您是一名销售运营分析师。分析下面的管道数据。数据：每一行都是一个机会；列：交易名称、阶段、金额、阶段进入日期、成交估算。输出：1。阶段分布（每个阶段的机会数量和总额）2．被阻止的机会（处于同一阶段超过 {{day}} 天的机会）3。胜率计算（基于已完成的交易）4。风险摘要：威胁预测的 3 个机会及其原因规则：仅使用数据中的数字。显示您计算的每个指标的公式，以便我可以验证它。预测数据中不存在的值；如果丢失，请写“数据丢失”。数据：{{pipeline_verisi}}
预测解释和数值验证
人工智能可能会告诉您“本季度结束时将达到 240 万里拉”。这句话听起来很精确，但有一些潜在的假设：使用了哪些闭包可能性？包括哪些优惠？模型是否出现加法错误？验证数值输出的方法是明确询问模型的假设和公式。然后手动检查至少一个指标：例如，自己添加三笔交易的加权金额，并将其与模型的结果进行比较。模型可能会在算术中出错，尤其是在多行表中。
按以下格式证明上述预测的合理性：- 您使用的结束概率假设（按阶段）- 您包含和排除的交易 + 原因 - 加权总计算的清晰明细（交易交易） 我需要能够验证的不是结果数字，而是您如何得出的。
注意：人工智能产生的预测数字是计算结果，而不是事实，完全取决于输入和假设。该模型可能使用错误的概率权重、错误地添加行或重复计算交易。在向管理层提供数字之前，手动验证至少一项指标并使假设可见。未经验证的预测会导致资源规划不正确。
销售内容制作：良好的投入
人工智能作为一页纸、幻灯片或案例研究的质量完全取决于您提供的输入。一份好的内容简介包括这五个组成部分：角色（针对谁）、问题（我们要解决什么痛点）、价值主张（为什么是我们）、差异化因素（我们与竞争对手有何不同）和品牌基调（我们如何说话）。如果缺少这五个，该模型就会用通用的营销陈词滥调来填补空白，并且输出与其他人的输出相似。
一步一步制作寻呼机
- 收集输入集。角色、问题、价值主张、差异化因素、品牌基调。
- 说出目的。单页纸、甲板草稿、案例研究？格式不同。
- 制作模型。给出结构化的概要。
- 验证数字。用真实数据确认内容中提到的每个指标（投资回报率、持续时间、客户数量）。
- 将其融入品牌基调。将模型的语言引入您的公司语音指南中。
- 人类的认可。发布前会有人对其进行审核。
可复制的提示：单寻呼机
制作一页草稿。输入：- 角色：{{target_persona}}- 我们解决的问题：{{problem}}- 价值主张：{{value_recommendation}}- 差异化因素：{{differiators}}- 品牌基调：{{brand_tone}}结构：(1) 引人注目的标题，(2) 问题陈述，(3) 我们的解决方案，(4) 3 个好处项目，(5) 社会证明地点，(6) 单一网络 CTA。规则：不要制造混凝土数字或客户索赔。在需要数字的地方放置“[要验证的指标]”占位符。忠于您的品牌基调。
可复制提示：案例研究框架
根据以下客户信息生成案例研究框架：- 客户资料：{{客户}}- 初始问题：{{问题}}- 实施的解决方案：{{解决方案}}- 结果：{{结果}}结构：挑战 -> 解决方案 -> 结论。使用“[来源/需要验证]”标签标记结果部分中的每个数字。不要写下任何客户不认可的声明，就好像它是确定的一样。
弱简介/强简介
弱项：“为我们的产品编写一个寻呼机。”结果：一篇通用的、充满陈词滥调的文本，不清楚它是写给谁的，可能包含虚构的人物，而且看起来和其他人的一样。
GÜÇLÜ：“角色：一家拥有 500 名员工的制造公司的运营经理。问题：手动轮班计划每周需要花费 6 个小时。价值主张：我们自动化计划并降低错误率。差异化因素：符合当地法规，两周内调试。语气：简单、值得信赖、低调。在需要数字的地方放置一个占位符，然后进行弥补。”结果：一份符合目标、可验证、适合品牌的草稿。
小案例：修正乐观预测
在软件团队中，销售经理通过人工智能分析管道。该模型对该季度做出了乐观的预测。经理根据单元中的规则请求模型中加权总计的交易细分。当他检查记录时，他注意到两件事：模型计算出一项重大交易有 90% 的概率陷入“合同”阶段 60 天，而实际上该交易面临风险；此外，同一客户的两条记录被意外收集了两次。调整后的预测明显低于第一个数字。经理向高级管理层提出了这个现实的数字，并推迟了不必要的招聘决定。这个模型还不错；只是需要验证。
提示：在内容创建中，永远不要要求模型“创建”图形，而是留下占位符。 “[要验证的指标]”标签是等待稍后填充真实数据的安全空间，防止客户收到虚假统计数据。
常见错误
- 毫无疑问地接受预测数字。在没有看到假设和公式的情况下，请勿提交任何估计。
- 相信模型的算术。多行表出现聚合错误；手动检查至少一项指标。
- 请求内容简短。如果没有角色和差异化因素，输出将是陈词滥调。
- 发布捏造的统计数据。将模型生成的投资回报率和客户数据放在一页纸上而不进行验证会损害品牌信任。
- 绕过人类的认可。未经人工审核，任何销售内容都不应上线。
综上所述
- 管道分析询问“这项工作的健康程度如何”，而不是“有多少工作”；阶段分布、堵塞和胜率至关重要。
- 预测是一种计算，而不是事实；向模型询问其假设和公式并手动验证它们。
- 一个好的内容简介包括五个组成部分：角色、问题、价值主张、差异化因素、品牌基调。
- 不要在一页纸、幻灯片和案例研究中编造数字；留下一个占位符并用真实数据填充它。
- 将其融入品牌基调，并确保在上线之前获得人们的批准。
应用任务
从您自己的管道数据（匿名）中抽取 10-15 行样本，然后运行“管道分析”提示。通过请求公式细分，手动验证模型给出的胜率和加权预测；尝试找出至少一个错误或有问题的假设。然后运行“单寻呼机”提示并提供一组强大的输入，以实现真正的客户成功。用真实的、经过验证的数据填充输出中的每个占位符，并根据您自己的品牌基调定制文本。最终版本的质量应该是，当向同事展示时，他们会说“这是我们的声音”。
模块考试
1. 在销售中使用人工智能时，以下哪项决策的最终责任应始终由人类销售人员承担？
- A) 向客户传达的具有约束力的价格和承诺的准确性 ✔
- B) 创建电子邮件草稿的第一个版本
- C) 将会议记录分成项目
- D) 为主题行提出三种替代方案
描述：AI可以生成草稿、研究和总结；然而，人类对具有约束力的决策的准确性和道德负责，例如价格承诺、合同条件和对客户的正式承诺。这些决定未经核实不应提交。
2. BANT 框架中用于限定潜在客户的字母“A”代表什么？
- A）分析
- B) 授权（采购权限）✔
- C) 账户（账户规模）
- D) 收养
描述：胶带；它由Budget（预算）、Authority（权威）、Need（需要）和Timeline（时间表）等词组成。 “A”指的是有购买决策权力（Authority）的人。
3. 为什么人工智能生成的冷电子邮件很可能最终进入垃圾邮件文件夹并且无法转换？
- A）因为太短
- B) 因为它包含一个问号
- C) 因为它是非个性化的、通用的并且与买家无关✔
- D) 因为它以收件人姓名开头
解释：非个性化、通用且与收件人无关的批量电子邮件会触发垃圾邮件过滤器，并且不会给收件人带来价值感。有效的冷电子邮件包括特定于收件人的触发事件和明确的价值主张。
4. 在为客户准备提案时，您看到 AI 中的“保证行业生产力提高 300%”这句话。哪种行为才是最正确的？
- A）保持原样，因为它令人印象深刻
- B) 进一步增加数字并写成 500%
- C) 以大字体将其移至提案顶部
- D) 用可验证、现实且有来源的声明替换声明 ✔
解释：无法证实、夸大和有保证的主张既不道德，又会产生法律风险。该声明应在具体、特定来源和现实的范围内删除或替换。
5. 设计个性化随访序列时，以下哪一项是最佳实践？
- A) 每次后续行动都提供新的价值、见解或资源 ✔
- B) 在每条消息中重复相同的“只是检查”句子
- C) 每天发送同一封电子邮件两次
- D) 如果没有收到第一个响应，则取消整个系列
说明：一个好的后续线程为每条消息提供新的价值（内容、示例、见解），而不仅仅是说“只是检查”。每个接触点都应该给买家一个理由。
6. 一位顾客提出异议“你们的价格太高了”。哪种人工智能驱动的方法最有效？
- A）立即提供折扣
- B) 了解异议的根源，并根据价值和投资回报率重新构建它 ✔
- C) 与顾客争论并说他错了
- D) 结束主题并转向另一个产品
解释：有效的异议反驳需要首先了解异议（无论是价格还是价值感知），然后根据投资回报率/价值来界定它。提供折扣会立即降低价值。
7. 您向 AI 提供了销售电话记录并创建了 CRM 注释。笔记中最关键的部分是什么？
- A) 谈话持续了多少分钟？
- B) 参与者从哪个城市连接
- C) 与已知所有者和日期清除下一步 ✔
- D) 面试过程中被嘲笑多少次？
描述：CRM 票据的操作价值位于“下一步”字段中，并包含净所有者和日期。如果下一步不明确，机会就会停滞在管道中并失去。
8. 使用人工智能准备对手战斗卡时，最重要的验证原则是什么？
- A）直接信任人工智能，因为它使用最新的模型
- B) 通过夸大竞争对手信息来突出自己的产品
- C) 仅将对手的徽标添加到表中
- D) 通过最新且可靠的来源确认竞争对手的声明 ✔
解释：人工智能可以生成有关竞争对手的过时或幻觉的价格、功能和客户信息。每个竞争对手对 Battlecard 的声明在出售之前都必须通过最新且可靠的来源进行验证。
9. 你让 AI 分析 Pipeline 数据并说“本季度将实现 120% 的目标”。你应该如何处理这个预测？
- A) 直接向管理层汇报
- B) 将数字四舍五入到 150%
- C) 使用真实数据验证假设、最终概率和计算 ✔
- D）完全忽略预测。
描述：人工智能的数值预测取决于输入数据和假设的质量；不应该盲目接受。应检查计算逻辑、闭合概率和假设并与真实数据进行交叉验证。
10. 在制作单页寻呼机时，向 AI 提供的最佳输入集是什么？
- A) 目标人物、具体问题、价值主张、差异化因素和品牌基调 ✔
- B) 只需说“为我们的产品编写一个寻呼机”
- C) 仅公司成立年份
- D) 竞争对手的价格表
描述：为了让人工智能产生高质量的输出，必须给出背景信息，例如目标角色、解决的具体问题、价值主张、差异化因素和品牌基调。诸如“给我们写一个寻呼机”之类的无上下文请求会产生通用输出。