Jak sztuczna inteligencja może zwiększyć sprzedaż opartą na produkcie

Alan Brennan, dyrektor ds. rozwiązań technicznych Dropbox – International

Nie trać czasu na niekwalifikujących się potencjalnych klientów! Według ankiety przeprowadzonej wśród marketerów w 2022 roku 61% respondentów wskazało, że największym wyzwaniem w ich pracy jest generowanie leadów. A kiedy już potencjalni klienci zostaną zidentyfikowani, przedstawiciel handlowy spędzi 50% swojego czasu na próbach pozyskania klientów, którzy się nie kwalifikują. Na domiar złego tylko 25% klientów zostanie uznanych za wystarczająco wiarygodnych, aby można ich było skierować do działu sprzedaży. Niewłaściwa identyfikacja leadów nie tylko prowadzi do marnotrawstwa czasu i zasobów, ale także może negatywnie wpłynąć na wyniki finansowe firmy, jeśli problem ten nie zostanie szybko rozwiązany.

Wraz z ostatnimi postępami w dziedzinie sztucznej inteligencji (konwersacyjna sztuczna inteligencja, chatboty asystenci, personalizacja) nadszedł czas, aby zbadać, w jaki sposób sztuczna inteligencja może systematycznie wpływać na proces sprzedaży przez poprawę kwalifikacji leadów i zwiększenie współczynników konwersji.

Nie będę wyolbrzymiał swoich kwalifikacji w tej dziedzinie, ale jako dyrektor ds. rozwiązań technicznych w Dropbox jestem dostatecznie mocno zaangażowany w badania i testowanie, aby rzucić trochę światła na obszary, w których widzę realne możliwości dla zespołów sprzedażowych. Poniżej spróbuję przeanalizować rolę sztucznej inteligencji w sprzedaży opartej na produkcie i to, jak firmy powinny wykorzystać tę technologię do skalowania zespołów oraz napędzania nowej sprzedaży netto.

Ale najpierw kilka pojęć…

Czym jest sprzedaż oparta na produkcie?

Product-led sales (PLS), czyli sprzedaż oparta na produkcie to model pozyskiwania klientów, w którym nadaje się priorytet doświadczeniu związanemu z produktem i wartości, jaką zapewnia on użytkownikowi, w przeciwieństwie do tradycyjnego podejścia opartego na sprzedaży, w którym nacisk kładzie się na sprzedawanie cech produktu lub płynących z niego korzyści.

• Stary sposób: sprzedaż, potem produkt
• Nowy sposób: produkt, potem sprzedaż

W przypadku sprzedaży opartej na produkcie użytkownicy często zaczynają od bezpłatnej lub próbnej wersji produktu, a następnie przechodzą na płatną wersję, aby odblokować funkcje, gdy zrozumieją, jaką wartość im oferuje. Wiele firm B2B stosuje obecnie tę strategię (na przykład Dropbox, Slack, Hubspot i Zoom). Podejście to jest skuteczne, ponieważ pozwala użytkownikom doświadczyć wartości produktu, zanim zdecydują się na płatną subskrypcję.

Czym jest sztuczna inteligencja?

Tradycyjna sztuczna inteligencja (AI) to symulacja procesów ludzkiej inteligencji przez systemy komputerowe i zazwyczaj opiera się na wstępnie zdefiniowanych regułach i jawnym programowaniu (np. chatboty oparte na regułach). Generatywna sztuczna inteligencja to bardziej zaawansowane, nowoczesne rozwiązanie, które ma na celu generowanie nowych treści lub wykonywanie zadań bez polegania na jawnym programowaniu. Niedawno zyskała ona na popularności dzięki przełomowym rozwiązaniom w zakresie dużych modeli językowych (LLM), takich jak DALL-E lub GPT-XX, które generują odpowiedzi na zapytania tekstowe przypominające ludzkie odpowiedzi. 

W kontekście tego bloga sztuczna inteligencja odnosi się do określania zachowań, preferencji i potrzeb klientów w celu hipersegmentowania leadów sprzedażowych i dostarczania spersonalizowanych doświadczeń z odpowiednimi treściami we właściwym czasie, aby zwiększyć szanse na konwersję.

Strategia PLS bazująca na sztucznej inteligencji

Ile razy zdarzyło Ci się mocno nagłowić, usiłując zrozumieć leada? Słyszeliśmy już o leadach MQL (Marketing Qualified Lead), SQL (Sales Qualified Lead), a nawet DQL (Demo Qualified Lead), ale czy znasz AQL (AI Qualified Lead) – podejście, które zastępuje wszystkie powyższe? Wyobraź sobie drugiego pilota, który modeluje lead sprzedażowy zakwalifikowany przez sztuczną inteligencję na podstawie poziomu zaangażowania, zgodnie z danymi historycznymi i aktualnymi. Poziom zaangażowania jest aktualizowany w czasie rzeczywistym na podstawie bieżących interakcji z klientem. 

Na przykład:

Segmentacja AQL

Leady AQL są następnie kategoryzowane na podstawie poziomu zaangażowania i regularnie wprowadzane do księgi handlowej sprzedawcy w celu podjęcia dalszych działań. Sposób kategoryzacji potencjalnych klientów zależy od danej firmy. Jako punkt odniesienia lubię metodę The Larger Market Formula, spopularyzowaną przez Aarona Rossa w jego książce pt. „Predictable Revenue”. Zakłada ona rozbicie całej grupy kupujących na dowolnym rynku na cztery kluczowe kategorie:

• gotowość do zakupu od zaraz:  potencjalny klient „poluje” na rozwiązanie. Duża skłonność do zakupu. GORĄCY LEAD  
• zbieranie informacji: potencjalny klient aktywnie poszukuje produktu i jest otwarty na zakup. CIEPŁY LEAD  
• świadomość problemu:  potencjalny klient nie szuka aktywnie, ale jest otwarty na zakup. LETNI LEAD  
• brak świadomości problemu:  potencjalny klient nie szuka aktywnie, nie ma jasno zdefiniowanych problemów.  ZIMNY LEAD

Większość firm traktuje każdego potencjalnego klienta jak te 3%, które są gotowe do zakupu od zaraz. Nie mają systemów, które pozwoliłyby im przechwycić i pielęgnować pozostałe 97% leadów. To właśnie tam powstaje biała przestrzeń. Rozwiązaniem jest wdrożenie systemu, który przyciąga, edukuje, pielęgnuje i zachęca potencjalnych klientów do działania. Zrozumienie, na jakim etapie cyklu zakupowego znajduje się dany lead i dopasowanie ukierunkowanego działania do jego temperatury ma kluczowe znaczenie dla maksymalizacji konwersji. Aby to ułatwić, wrócę do znanego nam już konceptu – metodologii sprzedaży, która została omówiona w poprzednim artykule.

AI w kole zamachowym skalowania PLS

Jak to wszystko wygląda w praktyce?

1. Modelowanie klientów: koło zamachowe rozpoczyna się od modelowania danych klientów, które można gromadzić za pomocą różnych punktów danych historycznych oraz danych w czasie rzeczywistym, jak opisano powyżej. 
2. Drugi pilot AI: narzędzia oparte na sztucznej inteligencji utworzą wykres wiedzy w celu wygenerowania leadów AQL do segmentacji. Umożliwia to zidentyfikowanie wysokiej jakości potencjalnych klientów, którzy są ukryci na widoku, i wyeliminowanie tych, których nie uda się pozyskać.
3. Segmentacja AQL: segmentacja potencjalnych klientów według poziomu zaangażowania pomaga zespołom sprzedaży skuteczniej przydzielać zasoby i opracowywać ukierunkowane strategie dla poszczególnych grup klientów.
4. Personalizacja: korzystając ze spostrzeżeń opartych na sztucznej inteligencji umożliwiających ustalenie profilów użytkowników, zespoły sprzedażowe mogą personalizować podejście do poszczególnych klientów, dostarczając dostosowane rekomendacje i rozwiązania opakowane w ofertę nie do odrzucenia, która przekonuje potencjalnego klienta do zakupu.
5. Metodologia sprzedaży: jest to spoiwo łączące wszystkie powiązane elementy. Zapewnia ustrukturyzowane ramy, które pomagają dostosować skalowane inicjatywy w zespołach GTM, zapewniając im instrukcję krok po kroku maksymalizowania szans na konwersję wysokiej jakości leadów.
6. Pomiar sukcesu: określenie, jakie działania prowadzą do pożądanych rezultatów. Ciągła pętla pozyskiwania opinii w celu dalszej optymalizacji poziomu zaangażowania leadów AQL.

Korzyści ze sztucznej inteligencji w PLS

Ogólnie rzecz biorąc, sztuczna inteligencja może wpływać na szeroki zakres wskaźników opracowanych na podstawie wyników w sprzedaży opartej na producie, w tym m.in. na:

• koszty pozyskania klienta;
  • sztuczna inteligencja może pomóc firmom obniżyć koszty pozyskiwania klientów na kilka sposobów: 1) chatboty i wirtualni asystenci zapewniają klientom spersonalizowane rekomendacje i odpowiedzi na pytania w czasie rzeczywistym, 2) zautomatyzowana ocena leadów (AQL) oparta na prawdopodobieństwie konwersji, 3) spersonalizowany marketing z automatycznymi wyzwalaczami wezwań do działania w oparciu o poziom zaangażowania leadów;

• możliwości sprzedaży dodatkowej i krzyżowej;
  • modelowanie skłonności za pomocą AI może pomóc firmom zidentyfikować możliwości sprzedaży dodatkowej i krzyżowej przez analizę danych klientów, ich zachowań i wzorców użytkowania produktów;

• współczynniki konwersji:
  • korzystając z opisanej wyżej koncepcji segmentacji AQL, narzędzia AI mogą w czasie rzeczywistym rekomendować produkty lub usługi, które najprawdopodobniej zaspokoją potrzeby danego klienta, co prowadzi do zwiększenia prawdopodobieństwa udanej sprzedaży;

• wydajność zespołu sprzedaży;
  • Sztuczna inteligencja może pomóc firmom odblokować nową falę wzrostu produktywności przez automatyzację codziennych zadań. Drugi pilot AI zajmuje się zadaniami wymagającymi dużej ilości danych, np. automatyczną oceną potencjalnych klientów, segmentacją i personalizacją. Pozwala to na podjęcie właściwych interakcji z klientem we właściwym czasie (w oparciu o tysiące punktów danych), aby pomóc w osiągnięciu pomyślnego wyniku, ułatwiając w ten sposób skalowanie działań sprzedażowych opartych na produkcie i konwersję rosnącej bazy użytkowników.

Zarządzanie sztuczną inteligencją

Każda rozmowa na temat sztucznej inteligencji i jej możliwości byłaby niepełna bez omówienia kwestii zarządzania sztuczną inteligencją. Widzimy już głosy wzywające do wstrzymania rozwoju, dopóki nie zrozumiemy prawdziwego wpływu tej technologii, ale kot Schrödingera już wyszedł z pudełka i jest naprawdę żywy! Do tego stopnia, że bezpłatne alternatywy open source prześcigają już po cichu Google i OpenAI. Stwarza to zarówno wyzwania, jak i możliwości: wyzwania związane z oszustwami i regulacją prywatnych modeli działających wewnętrznie, ale także możliwości przyspieszenia innowacji i rozwiązania niszowych przypadków użycia, które więksi gracze uznają za nieopłacalne.

Większość generowanej wartości nie będzie pochodzić z samych modeli ani ze sposobu korzystania z nich bezpośrednio za pomocą chatbotów asystentów takich jak Bard lub ChatGPT, ale ze sposobu, w jaki modele te będą wykorzystywane i integrowane z istniejącymi lub nowymi produktami. Mogę sobie wyobrazić świat, w którym narzędzia oparte na sztucznej inteligencji staną się głównym motorem sprzedaży opartej na produkcie, zmieniając sposób, w jaki firmy wprowadzają na rynek i sprzedają swoje produkty. Mam również nadzieję, że demokratyzacja sztucznej inteligencji pozwoli na większą przejrzystość i odpowiedzialność w sposobie wykorzystania AI i jej wpływu na społeczeństwo.

Wykorzystanie sztucznej inteligencji w PLS

W świecie sztucznej inteligencji zachodzą dziś przełomowe, historyczne procesy, których skali większość z nas nie jest jeszcze świadoma. AI rewolucjonizuje prawie każdą branżę i sektor, a jej zdolność do wzmocnienia procesu sprzedaży B2B może być doprawdy przełomowa. Firmy typu PLG (product-led growth, wzrost oparty na produkcie) tworzą mnóstwo danych o użytkowaniu produktów, jednak większość z tych danych jest niekompletna, znajduje się w silosach lub w ogóle nie jest wykorzystywana. Sztuczna inteligencja występująca w roli drugiego pilota automatyzuje uciążliwe zadania i tworzy połączenia między ogromnymi zbiorami danych, czego nie są w stanie osiągnąć pracownicy działów sprzedaży. Metodologia sprzedaży wprowadza rygor operacyjny do całego procesu. Systematyczne łączenie obu tych elementów maksymalizuje szanse na wykrycie, pielęgnowanie i konwersję potencjalnych klientów AQL na dużą skalę w sprzedaży opartej na produkcie.

Zamiast nas zastępować, maszyny będą nas wspierać. Poświęcą całą swoją moc obliczeniową, aby pomóc nam jak najlepiej wykorzystać nasze umiejętności obliczeniowe i osobiste. Istnieje prosta prawda: jeśli firma nie wykorzysta sztucznej inteligencji w procesie sprzedaży, zostanie skazana na pozostanie w tyle.