Cara AI meningkatkan penjualan yang dipimpin produk

Oleh Alan Brennan, Direktur, Solusi Teknis Dropbox – Internasional

Berhentilah membuang waktu untuk prospek yang tidak memenuhi syarat! Menurut survei pemasar tahun 2022, 61% responden melaporkan bahwa perolehan prospek menjadi tantangan utama dalam pekerjaan mereka. Kemudian, setelah menemukan prospek, 50% waktu perwakilan dihabiskan untuk mengejar prospek yang tidak memenuhi syarat, dengan hanya 25% prospek yang dianggap cukup layak untuk diteruskan ke penjualan! Prospek yang buruk tidak hanya membuang-buang waktu dan sumber daya, tetapi juga dapat merusak keuntungan Anda jika tidak segera ditangani.

Dengan kemajuan terbaru dalam AI (AI percakapan, asisten chatbot, personalisasi), sekarang waktunya untuk memeriksa bagaimana AI dapat secara sistematis memengaruhi proses penjualan Anda dengan memperkaya kualifikasi prospek untuk menaikkan tingkat konversi.

Meskipun tidak akan menunjukkan kualifikasi saya di bidang ini secara berlebihan, sebagai Direktur Solusi Teknis di Dropbox, saya sudah cukup lama melakukan riset dan mengutak-atik untuk menyoroti di mana saya melihat peluang nyata bagi tim penjualan. Berikut ini adalah upaya saya untuk mengeksplorasi peran AI dalam PLS (penjualan yang dipimpin produk) dan bagaimana bisnis harus memanfaatkan teknologi ini untuk menskalakan tim dan mendorong penjualan baru bersih.

Namun, pertama-tama, ada beberapa istilah…

Apa itu penjualan yang dipimpin produk?

Penjualan yang Dipimpin Produk (PLS) adalah model akuisisi pelanggan di mana bisnis memprioritaskan pengalaman produk dan nilai yang diberikannya kepada pengguna, dibandingkan pendekatan penjualan tradisional yang berfokus pada penjualan fitur atau manfaat produk.

• Cara lama: Penjualan, lalu produk
• Cara baru: Produk, lalu penjualan

Dengan penjualan yang dipimpin produk, pengguna biasanya memulai dengan versi gratis atau uji coba produk dan kemudian meningkatkan ke versi berbayar untuk membuka fitur karena mereka mengakui nilai yang ditawarkannya. Banyak perusahaan B2B menggunakan strategi ini sekarang (misalnya: Dropbox, Slack, Hubspot, dan Zoom). Pendekatan ini efektif karena memungkinkan pengguna merasakan manfaat produk sebelum melakukan langganan berbayar.

Apa itu AI?

Kecerdasan Buatan (AI) Tradisional adalah simulasi proses kecerdasan manusia oleh sistem komputer dan umumnya bergantung pada aturan yang telah ditentukan sebelumnya dan pemrograman eksplisit (mis. chatbot berbasis aturan). AI generatif adalah pendekatan modern yang lebih menarik yang dirancang untuk menghasilkan konten baru atau melakukan tugas tanpa bergantung pada pemrograman eksplisit. Baru-baru ini, AI generatif umum digunakan di balik terobosan dalam model bahasa besar (LLM) seperti DALL-E atau GPT-XX untuk menghasilkan respons seperti manusia terhadap kueri berbasis teks. 

Dalam konteks blog ini, AI mengacu pada menyimpulkan perilaku, preferensi, dan kebutuhan pelanggan untuk prospek penjualan yang sangat tersegmentasi dan memberikan pengalaman yang dipersonalisasi dengan konten yang tepat pada waktu yang tepat untuk meningkatkan peluang konversi.

Strategi PLS yang mengutamakan AI

Berapa kali Anda merasa sakit kepala hanya untuk mencoba memahami prospek? Kami pernah mendengar tentang MQL (Marketing Qualified Leads), SQL (Sales Qualified Leads), bahkan DQL (Demo Qualified Leads), tetapi bagaimana dengan AQL (AI Qualified Leads)… yang menggantikan semua hal di atas?! Bayangkan kopilot yang memodelkan prospek penjualan berkualifikasi AI yang didasarkan pada skor keterlibatan menurut data historis dan real time. Skor keterlibatan diperbarui secara real time berdasarkan interaksi klien secara langsung. 

Misalnya:

Segmentasi AQL

AQL kemudian dikategorikan berdasarkan skor keterlibatan dan secara rutin dimasukkan ke dalam buku bisnis penjual untuk ditindaklanjuti. Anda bebas mengategorikan prospek Anda. Sebagai referensi, saya menyukai The Larger Market Formula, yang dipopulerkan oleh Aaron Ross dalam bukunya "Predictable Revenue”. Formula tersebut membagi seluruh audiens pembeli di pasar mana pun menjadi empat kategori utama:

• Membeli Sekarang:  Calon klien 'berburu' solusi. Kecenderungan membeli yang tinggi. PROSPEK PANAS  
• Pengumpulan Informasi: Calon klien melakukan riset secara aktif dan terbuka untuk membeli. PROSPEK HANGAT  
• Mengetahui Masalah:  Calon klien tidak aktif mencari, tetapi terbuka untuk membeli. PROSPEK SEDIKIT HANGAT  
• Masalah Tidak Diketahui:  Calon klien tidak aktif mencari, tidak ada masalah yang diungkapkan.  PROSPEK DINGIN

Sebagian besar perusahaan memperlakukan setiap prospek seperti 3% yang siap membeli sekarang. Mereka tidak memiliki sistem untuk menangkap dan melakukan pembinaan terhadap 97% sisanya. Di situlah ruang kosong berada. Kuncinya adalah memasang sistem yang Menarik, Mengedukasi, Membina, dan Mendorong calon klien untuk bertindak. Memahami posisi prospek Anda dalam siklus pembelian dan mencocokkan suhu prospek Anda dengan intervensi yang ditargetkan sangat penting untuk memaksimalkan konversi. Saya kembali ke teman baik saya – metodologi penjualan – dari artikel saya sebelumnya untuk membantu memfasilitasi ini.

Flywheel AI dalam penskalaan PLS

Jadi, jika semua digabungkan, seperti apa tampilannya?

1. Pemodelan Pelanggan: Flywheel dimulai dengan pemodelan data pelanggan, yang dapat dikumpulkan melalui berbagai poin data historis dan real time seperti yang diuraikan di atas. 
2. Kopilot AI: Alat yang didukung AI akan membuat grafik pengetahuan guna menghasilkan AQL untuk segmentasi. Temukan prospek berkualitas tinggi yang tersembunyi di depan mata dan singkirkan yang tidak berguna.
3. Segmentasi AQL: Segmentasi prospek berdasarkan skor keterlibatan membantu tim penjualan mengalokasikan sumber daya secara lebih efektif dan mengembangkan strategi yang ditargetkan untuk setiap kelompok pelanggan.
4. Personalisasi: Dengan menggunakan wawasan yang didukung AI untuk menyimpulkan profil pengguna, tim penjualan dapat mempersonalisasi pendekatan mereka kepada setiap pelanggan, memberikan rekomendasi dan solusi yang disesuaikan dan dikemas dalam penawaran menarik yang mendorong calon klien untuk membeli.
5. Metodologi penjualan: Ini adalah perekat antara semua komponen yang saling berhubungan. Hal ini memberikan kerangka kerja terstruktur yang membantu menyelaraskan inisiatif berskala di seluruh tim GTM, sehingga menciptakan pedoman yang memaksimalkan peluang untuk mengonversi prospek berkualitas tinggi.
6. Mengukur Keberhasilan: Tentukan tindakan yang mengarah pada hasil yang diinginkan. Putaran umpan balik berkelanjutan untuk lebih mengoptimalkan skor keterlibatan AQL.

Manfaat AI dalam PLS

Secara keseluruhan, AI berpotensi memengaruhi berbagai metrik berbasis hasil dalam penjualan yang dipimpin produk, termasuk:

• Biaya akuisisi pelanggan
  • AI dapat membantu bisnis menurunkan biaya akuisisi pelanggan dengan beberapa cara: 1) chatbot dan asisten virtual memberi pelanggan rekomendasi yang dipersonalisasi dan menjawab pertanyaan secara real-time, 2) penilaian prospek otomatis (AQL) berdasarkan kemungkinan untuk konversi 3) pemasaran yang dipersonalisasi dengan pemicu ajakan bertindak otomatis berdasarkan skor prospek

• Peluang untuk memaksimalkan penjualan dan penjualan tambahan
  • Pemodelan kecenderungan AI dapat membantu bisnis mengidentifikasi peluang untuk memaksimalkan penjualan dan penjualan tambahan dengan menganalisis data pelanggan, perilaku, dan pola pemakaian produk.

• Tingkat konversi:
  • Menggunakan konsep segmentasi AQL seperti yang dijelaskan di atas, alat AI dapat merekomendasikan produk atau layanan secara real time yang paling mungkin memenuhi kebutuhan setiap pelanggan, yang pada akhirnya meningkatkan kemungkinan keberhasilan penjualan.

• Produktivitas tim penjualan
  • AI dapat membantu bisnis membuka gelombang baru pertumbuhan produktivitas dengan mengotomatiskan pekerjaan sibuk mereka. Kopilot AI memangkas kerumitan dengan menangani tugas intensif data seperti penilaian, segmentasi, dan personalisasi prospek otomatis. Alat ini memungkinkan interaksi pelanggan yang tepat, pada waktu yang tepat (berdasarkan ribuan poin data) untuk membantu mendorong hasil yang sukses, sehingga memudahkan untuk mengukur upaya penjualan yang dipimpin produk dan mengonversi basis pengguna yang berkembang.

Tata kelola AI

Percakapan apa pun seputar AI dan kemampuannya tidak akan lengkap tanpa membahas tata kelola AI. Kami sudah melihat imbauan untuk menghentikan sementara pengembangan sampai kami memahami dampak sebenarnya dari teknologi ini, tetapi faktanya sudah terungkap dan terbukti! Fakta tersebut terbukti sedemikian rupa sehingga alternatif sumber terbuka gratis diam-diam sudah memanfaatkan Google dan OpenAI. Hal ini menghadirkan tantangan dan peluang: tantangan sehubungan dengan penipuan dan regulasi model pribadi yang dijalankan secara internal, tetapi juga peluang dalam mempercepat inovasi dan menjawab kasus penggunaan khusus yang dianggap tidak menguntungkan oleh pemain yang lebih besar.

Sebagian besar penciptaan nilai tidak akan datang dari model itu sendiri atau menggunakannya langsung dengan asisten chatbot seperti Bard atau ChatGPT, tetapi dari bagaimana model ini akan digunakan dan diintegrasikan ke dalam produk yang sudah ada atau yang baru. Saya dapat membayangkan dunia di mana alat yang didukung AI menjadi pendorong utama penjualan yang dipimpin produk, mengubah cara perusahaan memasarkan dan menjual produk mereka. Saya juga berharap demokratisasi AI akan memungkinkan transparansi dan akuntabilitas yang lebih besar dalam cara penggunaan AI dan dampaknya terhadap masyarakat.

Menyambut AI di PLS

Ada hal yang legendaris dan bersejarah yang terjadi di dunia AI saat ini, tetapi kebanyakan dari kita tidak menyadari seberapa besar hal tersebut. AI merevolusi hampir setiap industri serta sektor, dan kemampuannya untuk memperkaya proses penjualan B2B dapat benar-benar transformasional. Perusahaan PLG (product-led growth) menciptakan tambang emas dari data pemakaian produk, tetapi sebagian besar tidak lengkap, dalam bentuk silo, atau tidak digunakan sama sekali. Kopilot AI mengotomatiskan pekerjaan yang melelahkan dan membuat koneksi antara kumpulan data besar yang tidak dapat dibuat oleh tenaga penjualan. Metodologi penjualan membawa ketelitian operasional ke keseluruhan proses penjualan. Menggabungkan keduanya secara sistematis memaksimalkan peluang untuk mendeteksi, memelihara, dan mengubah AQL dalam skala besar dalam penjualan yang dipimpin produk.

Mesin akan melengkapi kita, bukan menggantikan kita. Semua kekuatan pemrosesan mesin akan dikhususkan untuk membantu kita memaksimalkan kekuatan pemrosesan dan pribadi kita. Fakta sederhananya… jika Anda tidak mendukung AI dalam proses penjualan, Anda akan tertinggal.