Hvordan AI kan øke produktledet salg

Av Alan Brennan, direktør, Dropbox Technical Solutions – International

Slutt å kaste bort tid på ukvalifiserte kundeemner! I følge en undersøkelse fra 2022 blant markedsførere, rapporterte 61 % av de spurte at generering av kundeemner var den største utfordringen i arbeidet deres. Og når kundeemner blir funnet, brukes 50 % av en representants tid på å samhandle med ukvalifiserte kundeemner, hvor bare 25 % av kundeemner anses som legitime nok til å gå videre til salg! Dårlige kundeemner sløser ikke bare bort tid og ressurser, men de kan gjøre at du stagnerer hvis de ikke løses raskt.

Med de nylige fremskrittene innen AI (samtale-AI, chatbot-assistenter, personalisering), er det nå på tide å undersøke hvordan AI systematisk kan påvirke salgsprosessen din ved å berike kvalifiseringen av kundeemner for å øke konverteringsfrekvensen.

Selv om jeg ikke vil skryte for mye av mine kvalifikasjoner på dette området, er jeg som direktør for tekniske løsninger hos Dropbox, godt nok i gang med å forske og konfigurere til å kaste lys over hvor jeg ser reelle muligheter for salgsteam. Det som følger er min innsats for å utforske rollen til AI i produktledet salg og hvordan bedrifter bør utnytte denne teknologien for å skalere team og drive nye salg.

Men først, noen begreper ...

Hva er produktledet salg?

Produktledet salg (PLS) er en kundeanskaffelsesmodell der bedrifter prioriterer produktopplevelsen og verdien den gir brukeren, fremfor den tradisjonelle salgstilnærmingen som fokuserer på å selge produktfunksjonene eller fordelene.

• Den gamle måten: Salg, deretter produkt
• Den nye måten: Produkt, deretter salg

Med produktledet salg starter brukerne ofte med en gratis- eller prøveversjon av produktet, og oppgraderer deretter til en betalt versjon for å låse opp funksjoner når de gjenkjenner verdien det tilbyr. Mange B2B-selskaper bruker denne strategien i dag (for eksempel: Dropbox, Slack, Hubspot og Zoom). Denne tilnærmingen er effektiv fordi den lar brukere oppleve verdien av produktet før de forplikter seg til et betalt abonnement.

Hva er AI?

Tradisjonell kunstig intelligens (AI) er simulering av menneskelige intelligensprosesser ved hjelp av datasystemer, og er generelt avhengig av forhåndsdefinerte regler og eksplisitt programmering (f. eks. regelbaserte chatbotter). Generativ AI er en mer smart, moderne tilnærming som er designet for å generere nytt innhold eller utføre oppgaver uten å stole på eksplisitt programmering. Det har nylig blitt mer vanlig på bakgrunn av gjennombrudd i store språkmodeller (LLM) som DALL-E eller GPT-XX for å generere menneskelignende svar på tekstbaserte spørringer. 

I bloggsammenheng refererer AI til å utlede kundeadferd, preferanser og behov for å hypersegmentere salgskundeemner og levere en personlig opplevelse med riktig innhold til rett tid for å forbedre sjansene for konvertering.

En AI-først PLS-strategi

Hvor mange ganger har du følt at det har vært vanskelig å forstå kundeemnene dine? Vi har hørt om MQL (Marketing Qualified Leads, markedsføringskvalifiserte kundeemner), SQL (Sales Qualified Leads, salgskvalifiserte kundeemner), til og med DQLs (Demo Qualified Leads, demokvalifiserte kundeemner), men hva med AQL (AI Qualified Leads, AI-kvalifiserte kundeemner) ... én som erstatter alle de ovennevnte?! Se for deg en ko-pilot som modellerer et AI-kvalifisert salgskundeemne basert på en engasjementsscore i henhold til historiske data og sanntidsdata. Engasjementsscoren oppdateres i sanntid basert på direkte klientinteraksjoner. 

For eksempel:

AQL-segmentering

AQL-er blir deretter kategorisert basert på engasjementspoeng og mates rutinemessig inn i selgerens salgslogg for oppfølging. Hvordan du kategoriserer kundeemner er opp til deg. Som referanse liker jeg The Larger Market Formula (Det store markedsformularet), som ble popularisert av Aaron Ross i boken hans "Predictable Revenue." Det segmenterer hele publikumet av kjøpere i ethvert marked i fire nøkkelkategorier:

• Kjøper nå: Den potensielle kunden er på jakt etter en løsning. Høy sannsynlighet for kjøp. GLOVARMT KUNDEEMNE  
• Informasjonsinnsamling: Den potensielle kunden undersøker aktivt og er åpen for kjøp. VARMT KUNDEEMNE  
• Klar over problem: Den potensielle kunden søker ikke aktivt, men er åpent for kjøp. LUNKENT KUNDEEMNE  
• Ikke klar over problem: Den potensielle kunden søker ikke aktivt, ingen uttrykte problemer.  Kaldt kundeemne

De fleste selskaper behandler alle kundeemner som de 3 % som er klare til å kjøpe nå. De har ingen systemer på plass for å fange inn og opprettholde de 97 %. Det er der gapet er. Nøkkelen er å installere et system som tiltrekker, utdanner, opprettholder og tvinger frister kunder til å handle. Å forstå hvor kundeemner befinner seg i kjøpssyklusen og matche temperaturen på kundeemnet med en målrettet intervensjon er avgjørende for å maksimere konverteringer. Jeg kommer tilbake til min gode venn – salgsmetodikken – fra min forrige artikkel for å hjelpe til med å lette dette.

AI i PLS-skalering

Med alt samlet, hvordan ser dette ut?

1. Kundemodellering: Hjulet starter med modellering av kundedata, som kan samles inn gjennom en rekke historiske og sanntidsdatapunkter som skissert ovenfor. 
2. AI ko-pilot: AI-drevet verktøy vil lage en kunnskapsgraf for å generere AQL-er for segmentering. Finn de høykvalitets kundeemnene som gjemmer seg i det åpne, og luk ut de som ikke vil gå gjennom.
3. AQL-segmentering: Segmentering av kundeemner etter engasjementsscore hjelper salgsteam til å fordele ressurser mer effektivt og utvikle målrettede strategier for hver kundegruppe.
4. Personalisering: Ved å bruke AI-drevet innsikt for å utlede brukerprofiler, kan salgsteam tilpasse sin tilnærming til hver kunde, og gi skreddersydde anbefalinger og løsninger pakket inn i et uimotståelig tilbud som overtaler den potensielle kunden til å kjøpe.
5. Salgsmetodikk: Dette er limet mellom alle sammenkoblede komponenter. Det gir et strukturert rammeverk som hjelper til med å samkjøre skalerte initiativer på tvers av GTM-team, og dermed skape en playbook som maksimerer sjansene for å konvertere kundeemner av høy kvalitet.
6. Måling av suksess: Bestem hvilke handlinger som fører til ønskede resultater. Kontinuerlig tilbakemeldingssløyfe for ytterligere å optimalisere AQL-engasjementsscore.

Fordeler med AI i PLS

Totalt sett har AI potensial til å påvirke et bredt spekter av resultatbaserte beregninger i produktledet salg, inkludert:

• Kostnader ved kundeanskaffelse
  • AI kan hjelpe bedrifter med å senke kostnadene ved kundeanskaffelse på flere måter: 1) chatbotter og virtuelle assistenter gir kundene personlige anbefalinger og svar på spørsmål i sanntid, 2) automatisert leadscoring (AQL) basert på sannsynlighet for å konvertere 3) personlig markedsføring med automatiserte handlingsfremmende utløsere basert på kundeemnescore

• Muligheter for mersalg og kryssalg
  • AI-tilbøyelighetsmodellering kan hjelpe bedrifter med å identifisere mersalgs- og kryssalgsmuligheter ved å analysere kundedata, atferd og produktbruksmønstre.

• Konverteringsfrekvenser:
  • Ved å bruke konseptet AQL-segmentering som beskrevet ovenfor, kan AI-verktøy anbefale produkter eller tjenester i sanntid som mest sannsynlig vil møte hver enkelt kundes behov, og til slutt øke sannsynligheten for et vellykket salg.

• Salgsteamets produktivitet
  • AI kan hjelpe bedrifter med å låse opp en ny bølge av produktivitetsvekst ved å automatisere det travle arbeidet. En AI ko-pilot rydder opp i rotet ved å håndtere dataintensive oppgaver som automatisert kundeemnescoring, segmentering og personalisering. Det gir mulighet for riktig kundeinteraksjon, til rett tid (basert på tusenvis av datapunkter) for å bidra til et vellykket resultat, og dermed gjøre det enklere å skalere produktledet salgsinnsats og konvertere en voksende brukerbase.

Styring av Ai

Enhver samtale rundt AI og dens evner ville være ufullstendig uten å diskutere styring av AI. Vi ser allerede oppfordringer om å sette utviklingen på pause til vi forstår den sanne virkningen av denne teknologien, men Schrödingers katt er allerede ute av esken og er i live! Så mye at gratis åpen kildekode-alternativer stille har dratt nytte av Google og OpenAI. Dette gir både utfordringer og muligheter: utfordringer med hensyn til svindel og regulering av private modeller som kjører internt, men også muligheter for å akselerere innovasjon og løsninger for nisjebrukssaker større aktører anser som ulønnsomme.

Mesteparten av verdiskapingen vil ikke komme fra modellene i selv eller ved å bruke dem direkte med chatbot-assistenter som Bard eller ChatGPT, men fra hvordan disse modellene brukes og integreres i eksisterende eller nye produkter. Jeg kan se for meg en verden der AI-drevne verktøy blir den primære drivkraften for produktledet salg, og transformerer måten selskaper markedsfører og selger produktene sine på. Jeg håper også at demokratiseringen av AI vil gi større åpenhet og ansvarlighet i hvordan AI brukes og dens innvirkning på samfunnet.

Inkludering av AI i PLS

Det er noe legendarisk og historisk som skjer i AI-verdenen i dag, og likevel skjønner de fleste av oss ikke hvor stort det er. AI revolusjonerer nesten alle bransjer og sektorer, og dens evne til å berike B2B-salgsprosessen kan virkelig være transformerende. PLG-selskaper (Product-Led Growth, produktledet utvikling) lager en gullgruve av produktbruksdata, men det meste av det er ufullstendig, lagret bort eller ikke brukt i det hele tatt. En AI ko-pilot automatiserer det tunge arbeidet og oppretter forbindelser mellom enorme datasett som selgere ikke kan opprette. En salgsmetodikk gir operasjonell styrke til den helhetlige salgsprosessen. Å kombinere begge på en systematisk måte maksimerer sjansene for å oppdage, opprettholde og konvertere AQL i stor skala i produktledet salg.

I stedet for å erstatte oss, vil maskiner forsterke oss. De vil dedikere all sin prosessorkraft for å hjelpe oss å få mest mulig ut av vår prosessorkraft og personlige kraft. Den enkle sannheten er ... hvis du ikke bruker AI i salgsprosessen din, kommer du til å ligge etter.