Druer ind, Champagne ud: How AI is Transforming the Sales Funnel

Rev: Hvordan AI transformerer salgstragten

Se situationen for salgsudviklingsrepræsentanten (SDR). Unge i karrieren og ofte mangelfulde på erfaring, stræber SDR efter at komme foran i salgsorganisationen. Deres ene ansvar: rekruttere kundeemner til at udfylde pipelinen.  

Så de jager og jager, men de kan ikke altid finde de bedste jagtområder. De opretter lister over kundeemner, som de synes er gode, og sender dem ind i salgstragten. Men mange af deres kundeemner passer ikke og ender i stedet med at tilstoppe tragten. Det triste resultat af denne opslidende søgen efter gode kundeemner? Omkring 60 % af tiden tjener SDR ikke engang deres kvote.

Hvis ovenstående scenarie får strategisk markedsudvikling til at lyde lige så uforsonlig som Serengeti for en forældreløs løveunge, er jeg måske gået for langt med min analogi. Men pointen står: Selvom SDR'er ejer den "første mil" af salgstragten, kæmper de fleste af dem, fordi de har et af de sværeste job i en virksomhed og få værktøjer til at hjælpe.

Hvorfor? De værktøjer, de har brug for, eksisterede ikke før nu.

Hvad skal der til for at redde den første mile med salg og marketing? SDR'er har brug for teknologi, der kan identificere kundeemner, der ligner deres ideelle kunder, hurtigt vurdere disse kundeemner's egnethed og lære deres parathed til at købe.

Revolutionér over tragten 

Der findes en overflod af værktøjer til at hjælpe salgs- og marketingteams med at administrere kundeemner gennem hele salgstragten. Customer Relationship Management platforme (CRM) er bedre end nogensinde til at spore aftaler i bundtragten. Kontobaseret markedsføring (ABM) værktøjer som f.eks HubSpot og Marketo har forenklet kommunikationen med kundeemner midt i tragten. Højere oppe i tragten hjælper salgsengagementplatforme som SalesLoft og Outreach med at engagere nye kundeemner. 

Men mere end 20 år efter, at Salesforce kom på banen, forbliver de tilgængelige teknologier over tragten – selve området før en virksomhed ved, hvem den bør overveje at tale med (og området, hvor SDR'er jager) – stagnerende. Ingen har nået den første mil endnu.

Løsning af "The First Mile Problem" i B2B Salg

Det er heldigvis ved at ændre sig. Vi er på nippet til en enorm bølge af innovation af forretningssoftware. Den bølge er kunstig intelligens (AI). AI er den fjerde store bølge af innovation på denne arena i de sidste 50 år (efter mainframe-bølgen i 1960'erne; pc-revolutionen i 1980'erne og 90'erne; og den seneste bølge af horisontal Software as a Service (SaaS), der gør det muligt for virksomheder at køre en bedre, mere effektiv forretningsproces på hver enhed – ingen kodningsfærdigheder påkrævet).

En af AI's mange bedste kvaliteter er dens evne til at finde mønstre i de galaktiske mængder af digital information, vi samler, og bevæbne os med nye data og indsigter fra disse mønstre. Vi drager allerede fordel af kunstig intelligens i forbrugerområdet – hvad enten det er i udviklingen af ​​COVID-19-vacciner; det indhold, vi ser fra nyheder og sociale apps på vores telefoner; eller hvordan vores køretøjer hjælper os med at finde den bedste rute, undgå trafik og i tilfælde af Tesla uddelegere egentlige køreopgaver til bilen. 

Som B2B-sælgere og marketingfolk er vi kun lige begyndt at opleve AI-kraften i vores professionelle liv. Ligesom en chaufførs rute skal tage højde for trafik, vejr, ruter og mere, har vores SDR'er brug for et kort, der giver den korteste vej til at finde den næste store kunde. 

Ud over Firmografi

Enhver stor SDR og marketingmedarbejder ved, at for at generere konvertering og salg målretter du kundeemner, der ligner dine bedste kunder. Hvis dine bedste kunder er industrielt udstyrsproducenter, skal du finde flere industrielt udstyrsproducenter. I søgen efter at få mest muligt ud af deres udgående indsats, graver virksomhedsteams dybt ned i firmografi - ting som industri, virksomhedsstørrelse og antallet af ansatte.

De bedste SDR'er ved, at hvis de kan se de dybere signaler om, hvordan en virksomhed driver forretning, vil de være i stand til at lokalisere kundeemner, der er mere tilbøjelige til at komme ind i salgstragten. Men hvilke signaler, ud over firmografi, skal de kigge efter?

Den manglende brik i puslespillet for SDR er det, der hedder eksegrafiske data – enorme mængder af data, der beskriver en virksomheds salgstaktik, strategi, ansættelsesmønstre og meget mere. Eksegrafiske data er tilgængelige i brødkrummer på tværs af internettet. Når du slår AI løs på alle disse brødkrummer, identificerer det interessante mønstre, der kan hjælpe en SDR med hurtigt at forstå, hvor godt et kundeemne matcher dine bedste kunder.

Tag for eksempel John Deere og Caterpillar. Begge er store Fortune 100 maskin- og udstyrsvirksomheder, der beskæftiger næsten 100,000 personer. Faktisk er de, hvad vi vil kalde "firmografiske tvillinger", fordi deres branche, størrelse og antal ansatte er næsten identiske! Alligevel fungerer Deere og Caterpillar meget forskelligt. Deere er en mid-sen teknologi-adopter og lav cloud-adopter med et B2C-fokus. Caterpillar derimod sælger hovedsageligt B2B, er en tidlig adopter af ny teknologi og har høj cloud-adoption. Disse eksegrafiske forskelle tilbyde en ny måde at forstå, hvem der kan være en god kunde, og hvem der ikke - og derfor en meget hurtigere måde for SDR'er at finde deres næstbedste kundeemner.

Løsning af First-Mile-problemet

Ligesom Tesla bruger kunstig intelligens til at løse opstrømsproblemet for chauffører, kan kunstig intelligens hjælpe salgsudviklingsteams med at identificere gode kundeemner, revolutionere det, der sker over tragten, og løse det første-mile-problem, som salgsudvikling kæmper hver dag. 

I stedet for en livløs ideel kundeprofil (ICP), forestil dig et værktøj, der indtager eksegrafiske data og bruger AI til at afdække mønstre blandt en virksomheds bedste kunder. Forestil dig så at bruge disse data til at skabe en matematisk model, der repræsenterer dine bedste kunder – kald det en kunstig intelligens-kundeprofil (aiCP)—og udnytte den model til at finde andre kundeemner, der ligner disse bedste kunder. En kraftfuld aiCP kan indtage firmografisk og teknologisk information og også private datakilder. For eksempel kan data fra LinkedIn og hensigtsdata understøtte en aiCP. Som en levende model, aiCP lærer over tid. 

Så når vi spørger, Hvem bliver vores næstbedste kunde?, behøver vi ikke længere at overlade SDR til sig selv. Vi kan endelig tilbyde dem de værktøjer, de har brug for til at besvare dette spørgsmål og løse problemet over tragten. Vi taler om værktøjer, der automatisk leverer nye kundeemner og rangerer dem, så SDR'er ved, hvem de skal målrette næste gang, og salgsudviklingsteams bedre kan prioritere deres indsats. I sidste ende kan kunstig intelligens bruges til at hjælpe vores SDR'er med at få kvoter – og med prospekter, der faktisk passer til den type prospekt, vi ønsker at finde – og leve for at prospektere en anden dag.

Rev Salgsudviklingsplatform

Rev's salgsudviklingsplatform (SDP) accelererer prospektopdagelse ved hjælp af AI.

Få en Rev Demo