Стартапы всех стадий, до уровня корпорации постоянно ищут пути улучшения эффективности продаж. Одним из ключевых аспектов является повышение конверсии продаж, что стало основной целью описываемого нами стартапа. Сфокусировавшись на инновационных подходах, компания приняла решение внедрить нейросеть SalesAI для автоматизации ввода данных в CRM. Это стратегическое решение оказалось революционным, так как позволило увеличить эффективность отдела продаж в 2.5 раза без дополнительного расширения штата.
Прежде чем приступить к преобразованиям, был проведен тщательный анализ текущей ситуации в отделе продаж. Результаты показали, что для достижения желаемых показателей необходима полная автоматизация рутинных задач, включая заполнение CRM и анализ данных. Внедрение нейросети SalesAI позволило не только автоматизировать процесс ввода данных, но и значительно повысить точность и скорость работы команды.
Этот кейс демонстрирует, как правильно выбранная стратегия и инновационные технологии могут радикально изменить работу отдела продаж, приводя к значительному росту конверсии. Через серию этапов, включая улучшение метрик и повышение точности квалификации лидов, стартап достиг поразительных результатов. Увеличение конверсии на 68% без увеличения штата – это не только показатель успеха, но и яркий пример эффективности применения искусственного интеллекта в бизнес-процессах.
Было 25%, через 3 месяца стало 42% конверсия SQL2CW. Статья о том, как добиться нелинейного эффекта с помощью эффективного процесса и автоматизации рутинных операций, даже на кровавом рынке, среди акул.
Содержание
Анализ исходной ситуации в отделе продаж
Команда продаж 5 чел: 2хSDR и 3хAE. SDR-ы обеспечивают приток новых квалифицированных лидов (SQL) в количестве 20 шт/мес на каждого. Затем AE принимают лида, проводят доквалификацию и закрывают сделку: подписывают договор и получают первый платеж.
В итоге, из 20 SQL за 4-6 месяцев до оплаты доходило 5 клиентов. Чек – от 5 млн руб.
Для того, чтобы получить 20 SQL, каждому SDRу необходимо было провести более 60 встреч в месяц, после каждой встречи заполнить 20 ячеек в CRM, написать фоллоуап каждому лиду и еще совершить другие активности, которые позволят запланировать встречи на будущее (Revenue Generation Activities).
Менеджера по контролю качества нет, РОП – играющий тренер, слушать звонки ему некогда. Есть цель – взять под контроль конверсию продаж и наращивать ее итеративно, тестируя разные техники.
Работа SDR – это огромный пласт мелких движений, постоянные переключения: ответы на входящие запросы, звонки и тд. SDR находится на переднем крае: он не может сапрятаться от клиентов, он всегда должен быть на связи. Поэтому работа SDR сопряжена со стрессом и ошибками: люди не успевают делать все правильно. Чтобы снизить количество ошибок, необходимо автоматизировать все, что можно автоматизировать.
Определение ключевых задач для увеличения продаж
Основная задача, стоявшая перед нами на первом этапе – автоматизировать ввод данных в CRM. У заказчика было 7 ключевых вопросов, ответы на которые должны фиксироваться в отдельные ячейки в CRM:
- Какой бюджет предусмотрен у клиента на проект?
- Как выглядит процесс принятия решения?
- По каким критериям вы выбираете себе партнера?
- Кто является конечным ЛПР?
- Какую бизнес-цель необходимо выполнить?
- Кто основное заинтересованное лицо в решении?
- Какие конкуренты засветились в сделке?
Если ответы на все 7 вопросов есть и цифра в бюджете подходящая – лид считается квалифицированным и передается по процессу на следующий этап-AE, который его принимает и заводит сделку, которую потом доводит до денег. Если ответов нет, делался еще один подход в попытке выяснить эти детали. Если после второй попытки ответы не получались, лида ставили на “прогрев” маркетинговыми инструментами, пока он сам не дозреет.
Как стать Data Driven Директором по продажам, наш канал в Telegram: VP of sales.
Применение SalesAI для решения: подробный обзор
На начальном этапе нейросеть SalesAI в базе уже определяла наличие ответов на эти вопросы и сами ответы записывались в указанные ячейки в CRM (amoCRM) через API интеграцию. Встречи проходили через Zoom/Meet, поэтому работали через приложение, которое устанавливается на компьютере. Сотрудники на MacOS mp3 файлы встречи в свое облако.
Разработка вопросно-ответной системы для поиска этих 7 ответов заняло всего неделю. Без обучения точность определения ответа была 50%. Самый большой разбег был на вопросе 5. Хотя по логике там всего несколько вариантов: больше зарабатывать или меньше тратить, но люди скатывались в ответы в коннотации задач, а не целей. Но нам это тоже необходимо было фиксировать. Для повышения точности извлечения ответов на все вопросы, мы произвели дообучение нейросети на реальных звонках. Еще через неделю точность извлечения ответов в слепых тестах составила 89%.
На следующих этапах нам необходимо было обеспечить систему закрепления эффективных навыков сотрудниками. Раз уж мы анализируем весь диалог, то почему бы нам и не измерить заодно качество работы SDR и AE? Мы стали оценивать качество работы менеджеров по продажам.
Разбили задачу на этапы:
Этап 1. Начальная автоматизация процессов
- Длительность встреч, час.мин
- Количество встреч, шт
- Общее время встреч
- Слушал %
- Говорил %
- Длительность монолога, мин.сек
- Клиент говорил, мин.сек
Анализ результатов первого этапа показал, что:
- SDRы стали проводить встречи более качественно. Раньше у них был жесткий таймлайн: 45/15/15 45 мин на встречу, потом 15 минут рутинные операции после встречи, 15 минут на ответы по другим клиентам и сходить в туалет и опять. Мы избавили их от необходимости 15 минут вносить данные по результатам и писать саммари встречи и они расслабились в правильном смысле. Это отразилось на том, что они стали меньше говорить, больше слушать и получать больше ответов на вопросы.
- Увеличилась вовлеченность в диалог. Отношения стали выстраиваться более качественно.
- Доля полученных ответов выросла на 40%.
- Стали больше слушать: с 40% до 65%
- Доля клиента в эфире выросла в 3Х.
Теперь они не торопились и если за 45 минут не получили все ответы, то продолжали встречу и доводили ее до результата.
Количество SQL выросло на 28%
Этап 2. Оптимизация и мониторинг метрик
- Контроль пройденных тем
- Темп речи (слов/мин)
- Молчание (мин:сек)
- Перебивания (шт)
- Сильные слова, подчеркивающие УТП (шт)
- Плохие слова, снижающие ценность (шт)
Введение дополнительных более тонких метрик позволило через 2 недели увеличить конверсию в SQL до 36%
Этап 3. Повышение эффективности квалификации лидов
В результате Won Sales анализа мы установили, что среди всех успешно закрывшихся сделок были дополнительные общие черты:
80% из них на этапе SQL имели ответы на вопросы:
- Какую проблему клиента мы решаем?
- Какой ущерб несет клиент от этой проблемы?
- Что будет, если не починить эту проблему?
70% из них имели ответы на такие вопросы:
- Какой четкий план сделки по шагам?
- Как долго можно не решать эту проблему?
50% имели ответы на эти вопросы:
- Кто еще влияет на принятие решения о покупке?
- Как обычно выделяется бюджет?
- Как выглядит процесс увеличения бюджета?
и 20% сделок имели ответы на такие вопросы:
- Как долго можно не решать эту проблему?
- Как долго согласовывается сделка в разных категориях бюджета?
Нам была поставлена задача расширить и научить нейросеть дополнительно извлекать ответы и на эти вопросы на первых 3-х встречах с клиентом (Discovery, Demo и NBM)
Перед менеджерами стояла задача как можно быстрее проговорить эти темы с клиентом, чтобы он озвучил ответы на них.
Задача SalesAI – как можно быстрее извлечь из разговора ответы на эти вопросы и записать в ячейки CRM.
Этап 4. Усовершенствование фоллоуапов и протоколов встреч
Если система знает ответы на указанные выше 17 вопросов, то подставив правильные ответы в правильный шаблон, у нас получится шикарный фоллоуап, который собирается автоматически. Это позволит не только сэкономить 15-30 минут после каждой встречи, но и зафиксировать лиду еще раз его боли, и
Тут как раз об этом и описано детально.
Результат
Сейчас нейросеть SalesAI автоматически извлекает из диалогов с клиентами ответы на 17 вопросов, записывает ответы на каждый из них в 17 разных ячеек amoCRM, автоматически создает протокол встречи и контролирует качество работы менеджеров по продажам по 33-м параметрам.