Как один стартап увеличил конверсию продаж на 68%

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.

Ситуация 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.

Задача

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:

1. Какой бюджет предусмотрен у клиента на проект?

2. Как выглядит процесс принятия решения?

3. По каким критериям вы выбираете себе партнера?

4. Кто является конечным ЛПР?

5. Какую бизнес-цель необходимо выполнить?

6. Кто основное заинтересованное лицо в решении?

7. 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.

Решение

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. Холодный старт

• 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. Увеличение метрик на дашборде:

• 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. Увеличение точности квалификации и количества вопросов

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. Автоматизация фоллоуапа/протокола встречи

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.

Это дает небольшой компании с командой всего 5 сейлов мощный рычаг конкурентоспособности. За первые 1,5 месяца мы помогли нашему клиенту улучшить следующие цифры:

• Количество Discovery (первичных) встреч увеличилось с 60 до 84 на человека

• Количество SQL увеличилось на 43% до 36 лидов/SDR

За следующие 1,5 месяца мы увидели еще прогресс:

• Конверсия SQL2CW увеличилась с 25% до 42% Что дало нелинейный рост даже при сохранении чека: Х*1,43*1,68 = в 2,4 раза больше сделок с тем же размером команды!

• Наметилась тенденция сокращения цикла сделки. Раньше было 4-6 месяцев, теперь мы уже видим платежи по тем лидам, которые обрабатывались с помощью SalesAI (за три месяца).

Хотите также? Бронируйте Демо встречу: