Grapes in, Champagne Out: Kuinka tekoäly muuttaa myyntisuppiloa

Rev: Kuinka tekoäly muuttaa myyntisuppiloa

Katso myyntikehitysedustajan ahdinko (SDR). Nuoret urallaan ja usein vähän kokemusta, SDR pyrkii pääsemään eteenpäin myyntiorganisaatiossa. Heidän yksi vastuunsa: rekrytoida mahdollisia henkilöitä täyttämään putki.  

Joten he metsästävät ja metsästävät, mutta he eivät aina löydä parhaita metsästysmaita. He luovat luetteloita potentiaalisista asiakkaista, jotka heidän mielestään ovat mahtavia, ja lähettävät ne myyntisuppiloon. Mutta monet heidän tulevaisuudestaan ​​eivät sovi, vaan päätyvät tukkimaan suppilon. Tämän uuvuttavan loistavien liidien etsimisen surullinen tulos? Noin 60 % ajasta SDR ei edes täytä kiintiötään.

Jos yllä oleva skenaario saa strategisen markkinakehityksen kuulostamaan yhtä anteeksiantamattomalta kuin Serengeti orvolle leijonanpennulle, menin ehkä liian pitkälle analogiani kanssa. Mutta asia on selvä: vaikka SDR:t omistavat myyntisuppilon "ensimmäisen mailin", useimmat heistä kamppailevat, koska heillä on yksi yrityksen vaikeimmista tehtävistä ja harvat työkalut auttamaan.

Miksi? Heidän tarvitsemiaan työkaluja ei ollut olemassa tähän asti.

Mitä myynnin ja markkinoinnin ensimmäisen mailin pelastaminen vaatii? SDR:t tarvitsevat teknologiaa, joka tunnistaa ihanteellisilta asiakkailtaan näyttävät potentiaaliset asiakkaat, arvioi nopeasti näiden mahdollisten sopivuuden ja oppii heidän ostovalmiutensa.

Mullistaa suppilon yläpuolella 

On olemassa runsaasti työkaluja, jotka auttavat myynti- ja markkinointitiimejä hallitsemaan liidejä koko myyntisuppilossa. Customer Relationship Management -alustat (yhteisvalvontajärjestöissä) pystyvät paremmin kuin koskaan seuraamaan suppilon alaosan tarjouksia. Tilipohjainen markkinointi (ABM) työkaluja, kuten HubSpot ja Marketo ovat yksinkertaistaneet kommunikointia potentiaalisten asiakkaiden kanssa suppilon puolivälissä. Suppilon yläpuolella myynnin sitouttamisalustat, kuten SalesLoft ja Outreach, auttavat saamaan uusia liidejä. 

Mutta yli 20 vuotta sen jälkeen, kun Salesforce tuli näyttämölle, suppilon yläpuolella käytettävissä olevat tekniikat – juuri ennen kuin yritys tietää, kenen kanssa sen pitäisi edes harkita keskustelua (ja alue, jossa SDR:t etsivät) – pysyy paikallaan. Kukaan ei ole vielä ajanut ensimmäistä mailia.

"Ensimmäisen mailin ongelman" ratkaiseminen B2B-myynnissä

Onneksi siihen on tulossa muutos. Olemme valtavan yritysohjelmistoinnovaatioiden aallon partaalla. Se aalto on tekoälyä (AI). Tekoäly on neljäs suuri innovaatioaalto tällä areenalla viimeisen 50 vuoden aikana (1960-luvun mainframe-aallon, 1980- ja 90-luvun PC-vallankumouksen ja viimeisimmän horisontaalisen Software as a Service -aallon jälkeen ()SaaS), jonka avulla yritykset voivat ajaa parempaa ja tehokkaampaa liiketoimintaprosessia kaikilla laitteilla – koodaustaitoja ei tarvita).

Yksi tekoälyn monista parhaista ominaisuuksista on sen kyky löytää malleja keräämämme digitaalisen tiedon galaktisista määristä ja varustaa meidät uudella datalla ja oivalluksilla näistä malleista. Hyödymme tekoälystä jo nyt kuluttaja-alalla – olipa kyse sitten COVID-19-rokotteiden kehittämisestä; sisältö, jonka näemme puhelimemme uutisissa ja sosiaalisissa sovelluksissa; tai miten ajoneuvomme auttavat löytämään parhaan reitin, välttämään liikennettä ja Teslan tapauksessa delegoimaan varsinaisia ​​ajotehtäviä autolle. 

B2B-myyjinä ja markkinoijina olemme vasta alkamassa kokea tekoälyn voimaa työelämässämme. Aivan kuten kuljettajan reitin on otettava huomioon liikenne, sää, reitit ja paljon muuta, SDR:mme tarvitsevat kartan, joka tarjoaa lyhimmän reitin seuraavan suuren näkymän löytämiseen. 

Firmografian ulkopuolella

Jokainen suuri SDR ja markkinoija tietää, että tulosten ja myynnin luomiseksi kohdistat potentiaalisia asiakkaita, jotka näyttävät parhailta asiakkailtasi. Jos parhaat asiakkaasi ovat teollisuuslaitteiden valmistajia, etsi lisää teollisuuslaitteiden valmistajia. Pyrkiessään saamaan kaiken irti lähtevistä ponnisteluistaan ​​yritystiimit kaivautuvat syvälle yritysgrafiikkaan – esimerkiksi toimialaan, yrityksen kokoon ja työntekijöiden määrään.

Parhaat SDR:t tietävät, että jos he pystyvät tuomaan esiin syvempiä signaaleja yrityksen liiketoiminnasta, he pystyvät paikantamaan mahdollisia asiakkaita, jotka todennäköisemmin pääsevät myyntisuppiloon. Mutta mitä signaaleja, firmografian lisäksi, heidän tulisi etsiä?

SDR:n palapelin puuttuva pala on ns eksografiset tiedot – valtavat määrät dataa, jotka kuvaavat yrityksen myyntitaktiikkaa, strategiaa, rekrytointimalleja ja paljon muuta. Eksegrafiset tiedot ovat saatavilla korppuinä Internetissä. Kun poistat tekoälyn kaikista noista koruista, se tunnistaa mielenkiintoisia kuvioita, jotka voivat auttaa SDR:tä ymmärtämään nopeasti, kuinka hyvin potentiaalinen asiakas vastaa parhaita asiakkaita.

Otetaan esimerkiksi John Deere ja Caterpillar. Molemmat ovat suuria Fortune 100 -kone- ja laiteyrityksiä, jotka työllistävät lähes 100,000 2 henkilöä. Itse asiassa he ovat niin sanottuja "firmografisia kaksosia", koska heidän toimialansa, kokonsa ja henkilöstönsä ovat lähes identtiset! Deere ja Caterpillar toimivat kuitenkin hyvin eri tavalla. Deere on keskimmäisen teknologian omaksuja ja matala pilvipalvelu, joka keskittyy B2C:hen. Caterpillar sitä vastoin myy pääasiassa BXNUMXB:tä, on uuden teknologian varhainen omaksuja ja pilvipalveluiden käyttöaste. Nämä eksografiset erot tarjoavat uuden tavan ymmärtää, kuka voi olla hyvä potentiaalinen ja kuka ei – ja siten paljon nopeampi tapa SDR:ille löytää seuraavaksi parhaat mahdollisuutensa.

Ensimmäisen mailin ongelman ratkaiseminen

Aivan kuten Tesla käyttää tekoälyä kuljettajien alkupään ongelman ratkaisemiseen, tekoäly voi auttaa myynnin kehitystiimiä tunnistamaan loistavat mahdollisuudet, mullistamaan suppilon yläpuolella tapahtuvan ja ratkaisemaan ensimmäisen mailin ongelman, jota myyntikehitys taistelee päivittäin. 

Eloton ihanteellisen asiakasprofiilin sijaan (ICP), kuvittele työkalu, joka kerää eksografisia tietoja ja käyttää tekoälyä yrityksen parhaiden asiakkaiden mallien paljastamiseen. Kuvittele sitten käyttäväsi näitä tietoja matemaattisen mallin luomiseen, joka edustaa parhaita asiakkaitasi – kutsu sitä tekoälyn asiakasprofiiliksi (aiCP) – ja hyödyntää tätä mallia löytääksesi muita potentiaalisia asiakkaita, jotka näyttävät aivan näiltä parhailta asiakkailta. Tehokas aiCP voi ottaa vastaan ​​firmografisia ja teknologisia tietoja sekä myös yksityisiä tietolähteitä. Esimerkiksi LinkedInin tiedot ja tarkoitustiedot voivat vahvistaa aiCP:tä. Elävänä mallina aiCP oppii ajan myötä. 

Joten kun kysymme, Kuka on seuraava paras asiakkaamme?, meidän ei enää tarvitse jättää SDR-oikeuksia omaan varaan. Voimme vihdoin tarjota heille työkalut, joita he tarvitsevat vastatakseen tähän kysymykseen ja ratkaistakseen suppilon yläpuolella olevan ongelman. Puhumme työkaluista, jotka tuovat automaattisesti uusia potentiaalisia asiakkaita ja luokittelevat heidät, jotta SDR:t tietävät, keneen kohdistaa seuraavaksi, ja myynnin kehitystiimit voivat priorisoida ponnistelunsa paremmin. Tekoälyä voidaan viime kädessä käyttää auttamaan SDR-oikeuksiamme saavuttamaan kiintiön – ja potentiaalisilla asiakkailla, jotka itse asiassa sopivat haluamamme potentiaalisen potentiaalin tyyppiin – ja elää potentiaalisesti toisena päivänä.

kierros Myynnin kehitysalusta

Rev's Sales Development Platform (SDP) nopeuttaa mahdollisten henkilöiden löytämistä tekoälyn avulla.

Hanki Rev-demo