Dauguma pardavimų komandų, naudojančių dirbtinį intelektą „LinkedIn“ ryšiui, pasiekia vidutiniškų rezultatų ir kaltina dirbtinį intelektą. Problema yra ne modelis, o raginimas.
Greita inžinerija yra praktika projektuoti įvestis, kurios patikimai duoda naudingų rezultatų, aukštos kokybės kalbos modelio rezultatus. Vartotojo kontekste tai reiškia žinoti, kaip užduoti „ChatGPT“ geresnį klausimą.
B2B pardavimų kontekste tai reiškia kai ką tikslesnio: sukurti instrukcijas, kurios nustato, kaip jūsų dirbtinis intelektas rengia informavimo pranešimus, komentarus ir tolesnius veiksmus – dideliu mastu, nuosekliai, su šimtais skirtingų potencialių klientų.
Gerai pateiktas aiškus raginimas paverčia dirbtinį intelektą išties veiksmingu pardavimų plėtros įrankiu. Prastai pateiktas, jis sukuria bendrinius, šiek tiek ne tono pranešimus, kurie priverčia potencialius klientus susiraukti ir paspausti „Ištrinti“. Skirtumas tarp šių dviejų rezultatų slypi beveik vien raginime.
Šis straipsnis skirtas pardavimų vadovams, SDR vadovams ir pajamų operatoriams, norintiems sukurti dirbtinio intelekto informavimo sekas, kurios iš tikrųjų veiktų – tiek techniškai, tiek komerciškai.
Ką greitas inžinerijos metodas iš tikrųjų reiškia pardavimų informavimui?
Raginimas – tai visas instrukcijų rinkinys, kurį pateikiate dirbtinio intelekto modeliui prieš jam sugeneruojant išvestį. Paprastoje vartotojo sąveikoje tai gali būti vienas klausimas. Struktūrizuotame pardavimo procese tai kruopščiai sukurta sistema, kuri nurodo dirbtiniam intelektui:
- Kas rašo – kokia asmenybė, profesionalus balsas, tonas
- Kam rašoma – potencialaus kliento vaidmuo, įmonės etapas, žinomi iššūkiai
- Ką jis žino apie potencialų klientą – signalus, naujausius įrašus, vaidmenų pasikeitimus, įsitraukimo modelius
- Ko turi pasiekti žinutė – informuotumo, atsakymo, atsakymo į klausimą
- Ko negalima daryti – per anksti pateikti tekstą, naudoti specifines frazes, viršyti tam tikros trukmės.
Kuo tiksliau šie parametrai apibrėžiami, tuo nuosekliau naudingas yra rezultatas. Neaiškios užduotys sukuria miglotus pranešimus. Konkrečios užduotys sukuria konkrečius, kontekstinius pranešimus, kurie skamba taip, lyg būtų parašyti žmogaus, kuris iš tikrųjų atliko savo tyrimą.
Tai ne techninis įgūdis, skirtas tik inžinieriams. Tai rašymo ir strategijos įgūdis, kurį išsiugdę pardavimų specialistai turi struktūrinį pranašumą prieš komandas, kurios vis dar DI laiko vieno paspaudimo sprendimu.
Efektyvios pardavimo užduoties anatomija
Gerai parengta pardavimo užklausa turi penkis komponentus. Kiekvienas iš jų atlieka atskirą funkciją, o praleidus bet kurį iš jų, sumažėja rezultato kokybė.
1. Vaidmenų priskyrimas
Pasakykite dirbtiniam intelektui, kas tai yra. Ne bendrai – konkrečiai. „Esate vyresnysis klientų aptarnavimo vadovas B2B SaaS įmonėje“ suteikia modeliui platesnį kontekstą, iš kurio galima generuoti informaciją, nei „parašyti „LinkedIn“ žinutę“. Pareigų priskyrimas nustato profesinį registrą, numatomą žinių bazę ir numanomą rašytojo ir skaitytojo santykį.
Pavyzdys: „Esate vyresnysis klientų vadybininkas, kurio specializacija – „LinkedIn“ komunikacija su B2B pardavimų komandomis. Rašote glaustus, tiesioginius pranešimus, kurie užveda pokalbius, o ne siūlote produktus. Jūsų tonas profesionalus, bet šnekamosios kalbos stiliaus – užtikrintas, bet įkyrus.“
2. Potencialaus kliento kontekstas
Tai kur „LinkedIn“ socialiniai signalai tiesiogiai įtraukti į užklausą. Čia pateikiama viskas, ką žinote apie potencialų klientą – jo vaidmuo, naujausi įrašai, išsakyti iššūkiai, turinys, su kuriuo jis sąveikauja. Kuo turtingesnis šis kontekstas, tuo aktualesnė išvada.
Pavyzdys: „Potencialus kandidatas yra pardavimų viceprezidentas B serijos SaaS įmonėje, kurioje dirba apie 80 darbuotojų. Prieš tris dienas jis paskelbė apie sunkumus, su kuriais susiduriama siekiant išlaikyti informavimo kokybę, nes jų SDR komanda plečiasi. Pastarąsias dvi savaites jis skaitė turinį apie dirbtinio intelekto pardavimo įrankius.“
3. Tikslas ir etapas
Kiekvienas sekos pranešimas turi konkrečią užduotį. Ryšio užklausos pastaba turi kitokį tikslą nei pirmasis DM po patvirtinimo, kuris turi kitokį tikslą nei tolesnis pranešimas. Nurodykite, ką šis konkretus pranešimas turi atlikti – ir ko jis dar aiškiai nereikia atlikti.
Pavyzdys: „Parašykite pirmą žinutę, kurią išsiųsite, kai prisijungimo užklausa bus patvirtinta. Tikslas – pradėti pokalbį, o ne pristatyti produktą. Užbaikite vienu konkrečiu klausimu, susijusiu su įraše iškeltu iššūkiu. Neminėkite produkto pavadinimo ir neprašykite susitikimo.“
4. Apribojimai ir apsauginiai turėklai
Tai komponentas, kurį dauguma komandų pamiršta – ir kuris labiausiai užkerta kelią bendro pobūdžio išvedimui. Apribojimai nurodo dirbtiniam intelektui, ko vengti: konkrečių frazių, struktūrinių modelių, ilgio apribojimų ir temų, kurios šiame sekos etape yra draudžiamos.
Pavyzdys: „Žinutės apimtis turi būti ne ilgesnė kaip 80 žodžių. Nepradėkite žodžiais „Radau jūsų profilį“. Nenaudokite frazės „Norėčiau susisiekti“. Nenurodykite „Konnector“ funkcijų ar kainų. Venkite šauktukų. Rašykite antruoju asmeniu.“
5. Formato specifikacija
Nurodykite modeliui, ką tiksliai sukurti – ne tik apie ką rašyti. Vienas pranešimas ar keli variantai? Su temos eilute ar be jos? Ką turėtų atspindėti pirmoji eilutė? Formato nurodymas raginimo lygmeniu sutaupo daug redagavimo laiko vėliau.
Pavyzdys: „Parengkite tris alternatyvias šio pranešimo versijas. Kiekviena turėtų atsidaryti skirtingai. Pažymėkite jas A, B ir C variantais. Temos eilutės nereikia.“
Visapusiškos dirbtinio intelekto informavimo sekos kūrimas: žinutė po žinutės
„LinkedIn“ komunikacijos sekoje paprastai yra nuo keturių iki šešių sąlyčio taškų. Kiekvienam iš jų reikalinga skirtinga užduotis su skirtingu tikslu. Štai kaip apgalvoti kiekvieną etapą.
| Sekos etapas | Tikslas | Greitas dėmesys | Ilgio tikslas |
|---|---|---|---|
| Prisijungimo užklausos pastaba | Užsitarnaukite priėmimą | Konkreti nuoroda į bendrinamą signalą arba įrašą. Be jokio kreipimosi. | Mažiau nei 300 simbolių |
| Pirmasis DM (po priėmimo) | Atidaryti pokalbį | Nurodykite signalą. Vienas klausimas. Produktas nepaminėtas. | 50 į 80 žodžius |
| 1-as tolesnis veiksmas (be atsakymo) | Iš naujo įsitraukite, sukurkite pridėtinę vertę | Pasidalinkite kažkuo aktualiu. Jokių spaudimų. Lengva atsakyti. | 40 į 60 žodžius |
| 2-as tolesnis veiksmas (be atsakymo) | Švelnus uždarymas arba pasukimas | Pripažinkite tylą be kaltės jausmo. Vienas aiškus prašymas. | 30 į 50 žodžius |
| Pakartotinis įsitraukimas (naujas signalas) | Atnaujinti pokalbį naujame kontekste | Nurodykite naują signalą. Naujas kampas. Jokių nuorodų į ankstesnę tylą. | 50 į 70 žodžius |
Kiekviena etapo raginimas paveldi vaidmens priskyrimą ir toną iš jūsų bazinio raginimo – jį parašote vieną kartą. Kas keičia etapą po etapo, tai tikslas, apribojimai ir potencialaus kliento kontekstas, jei nuo paskutinio sąlyčio taško atsirado naujų signalų.
Kintamo įpurškimo problema ir kaip ją išspręsti
Vienas iš dažniausių dirbtinio intelekto paremtos informavimo veiklos nesėkmės būdų yra per didelis pasitikėjimas kintamųjų įterpimu. Komandos sukuria raginimą su vietos žymekliais – [PROSPECT_NAME], [COMPANY], [RECENT_POST] – ir daro prielaidą, kad užpildžius šiuos laukus, sukuriamas suasmeninimas. Tai neįvyksta. Tai sukuria dirbtinio intelekto atitikmenį laiškų suliejimui.
Tikrasis suasmeninimas raginimo lygmeniu reiškia signalo konteksto rašymą natūralia kalba, o ne jo įterpimą į skliaustus. Palyginkite šiuos du metodus:
Kintamo įpurškimo metodas: „Potencialus klientas neseniai paskelbė įrašą tema [TEMA]. Nuoroda į tai pranešime.“
Kontekstinis raginimo metodas: „Potencialus klientas prieš keturias dienas paskelbė apie iššūkį išlaikyti SDR pranešimų kokybę, kai komanda padidina pakartojimų skaičių iki daugiau nei dešimties. Jis tai apibūdino kaip „nuoseklumo, o ne motyvacijos problemą“. Jų tonas įraše buvo analitinis ir šiek tiek susierzinęs. Atkreipkite dėmesį į šį apibrėžimą – ypač į skirtumą, kurį jie nubrėžė tarp nuoseklumo ir motyvacijos.“
Antrasis raginimas sukuria pranešimą, kuris skamba taip, lyg jį būtų parašęs asmuo, perskaitęs ir supratęs įrašą. Pirmasis sukuria pranešimą, kuriame nurodomas įrašas, bet su juo nesikišama. Šis skirtumas yra tai, ką gavėjas jaučia jį skaitydamas – ir tai yra visiškai greitas inžinerinis sprendimas.
„Konnector“ platforma šį kontekstinį įterpimą apdoroja automatiškai, ištraukdama tiesioginius duomenis. „LinkedIn“ socialiniai signalai iš potencialaus kliento veiklos ir struktūrizuodami juos pagal užduoties kontekstą, kad dirbtinis intelektas visada veiktų su realia, konkrečia, naujausia informacija, o ne su bendro pobūdžio vietos žymekliais.
Tonų kalibravimas: kintamasis, kurį dauguma komandų įvertina neteisingai
Tonas nėra miglota instrukcija. „Profesionalus skambesys“ sukuria vidutinį garsą. Tiksliai sukalibruotos tono instrukcijos sukuria garsą, kuris nesiskiria nuo geriausiai veikiančių žmogaus parašytų pranešimų.
Efektyvus tonų kalibravimas raginime apima:
- Sakinio ilgio rekomendacijos: „Vartokite trumpus sakinius. Įvairaus ilgio sakinius, kad išvengtumėte ritminio modelio. Venkite sakinių dalių, sujungtų kabliataškiais.“
- Žodyno lygis: „Vartokite paprastą kalbą. Venkite žargono, nebent potencialus klientas jį pavartotų pirmas. Jokių madingų žodžių.“
- Pasitikėjimo registras: „Tiesiogiai ir užtikrintai, o ne nedrąsiai. Venkite vengti tokių frazių kaip „Maniau, kad tau gali būti įdomu“ arba „tiesiog norėjau susisiekti“.“
- Draudžiamos frazės: Konkretus frazių, kurių nenaudoja jūsų prekės ženklas ar personažas, sąrašas. Kuo konkretesnis šis sąrašas, tuo nuoseklesnis rezultatas.
Vienas praktiškas būdas: paimkite tris geriausiai veikiančius ranka parašytus pranešimus ir atlikite analizės užduotį, kuri išskiria toninius modelius. Šios analizės rezultatus naudokite kaip tono specifikaciją savo informavimo užduotyse. Iš esmės jūs atliekate atvirkštinę to, kas veikia, inžineriją ir koduojate tai kaip pakartotinai naudojamą instrukciją.
Žmogaus atliekama peržiūra nėra neprivaloma – tai yra architektūra
Kiekviena šiame straipsnyje aprašyta sistema remiasi viena prielaida: žmogus perskaito ir patvirtina kiekvieną pranešimą prieš jį išsiųsdamas. Tai nėra saugos priemonė, įdiegta ant kitaip autonominės sistemos. Tai yra projektavimo principas, užtikrinantis viso metodo veikimą.
Net ir gerai suprojektuota raginimas sukuria kintamą rezultatą. Kai kurie pranešimai bus artimi, bet ne visai teisingi. Kai kuriuose trūks niuansų, kurie tampa matomi tik tada, kai juos skaitote žinodami potencialų klientą. Kai kurie bus visiškai teisingi ir jų visai nereikės redaguoti. Žmogaus atliekamas peržiūros etapas apima visus tris aspektus – ir laikui bėgant redaguojamų tekstų modeliai atsispindi geresnėse raginimo sistemose.
Būtent ant šio modelio ir sukurtas „Konnector“. Tikslais pagrįsta informavimo veikla dideliu mastu, kai dirbtinis intelektas tvarko signalų aptikimą, konteksto struktūrizavimą ir pirmojo juodraščio generavimą, o žmogaus patvirtinimo eilė užtikrina, kad niekas nebūtų siunčiama, kol nebus perskaityta ir patvirtinta. Dirbtinis intelektas pakelia kiekvieno pranešimo kokybės minimumą. Žmogaus atliekama peržiūra pakelia lubas.
Tai taip pat užtikrina jūsų „LinkedIn“ paskyros saugumą. Visiškai automatizuotas didelio masto bendravimas – net ir iš gerai suprojektuotų raginimų – sukuria veiklos modelius, kuriuos „LinkedIn“ sistemos vis geriau aptinka. Žmogus kiekviename sąlyčio taške yra ne tik gera praktika kokybei užtikrinti. Tai architektūra, kuri užtikrina gerą jūsų paskyros būklę, kol jūsų klientų srautas auga.
Pasiruošę kurti sekas, kurios konvertuoja?
Pardavimų komandų inžinierizavimas yra įgūdis, ir kaip ir bet kuris kitas įgūdis, jis lavinamas praktikuojantis. Komandos, kurios į tai investuoja dabar – kurdamos tikslias, signalais pagrįstas, pagal toną kalibruotas komandų sistemas, – yra tos, kurių dirbtinio intelekto pagalba bus galima pasiekti rezultatų ir tada, kai visų kitų komandos bus atmestos.
„Konnector“ teikia signalų sluoksnį, dirbtinio intelekto braižymo infrastruktūrą ir žmogaus atliekamą patvirtinimo darbo eigą, todėl šis metodas yra praktiškas dideliu mastu. Jei norite sužinoti, kaip jis taikomas jūsų komandos ICP ir informavimo veiklai, užsisakyk demonstracinę versiją. Arba užsiregistruoti ir pradėkite kurti savo pirmąją signalais pagrįstą seką jau šiandien.
Toliau skaitykite
- „LinkedIn“ socialinių signalų supratimas naudojant „Konnector“
- „LinkedIn“ B2B informavimo strategija: kas veikia 2026 m.
- Kaip pagerinti atsakymų rodiklius „LinkedIn“ tinkle
- „LinkedIn“ potencialių klientų paieška: „Konnector“ metodas
- Potencialių klientų paieškos gudrybės, kurios iš tikrųjų veikia „LinkedIn“ tinkle
11 kartų jūsų „LinkedIn“ pagalba
Automatika ir Gen AI
Išnaudokite „LinkedIn Automation“ ir „Gen AI“ galias, kad padidintumėte savo pasiekiamumą kaip niekada anksčiau. Kas savaitę pritraukite tūkstančius potencialių klientų naudodami AI pagrįstus komentarus ir tikslines kampanijas – visa tai vienoje potencialių klientų platformoje.
Dažnai užduodami klausimai
Taip. Gerai suprojektuoti raginimai skatina kintamumą, natūralios kalbos modelius ir kontekstinį atitikimą – visa tai sukuria žmogiškesnį bendravimo elgesį. Kartu su protingais veiklos apribojimais ir rankine peržiūra tai padeda sumažinti elgesio modelius, dažniausiai siejamus su brukalo automatizavimu.
Kadangi dauguma raginimų optimizuoja efektyvumą, o ne žmogaus elgesį. Robotų informavimo priemonės paprastai kyla iš:
Bendriniai komplimentai
Pernelyg didelis vertės pasiūlymų aiškinimas
Pernelyg didelis entuziazmas
Dirbtinis „personalizavimas“
Pasikartojančios sakinių struktūros
Geresnė pokalbių inžinerinė sistema orientuota į natūralų pokalbio ritmą, o ne į raktinių žodžių įterpimą.
Dirbtinis intelektas ir automatizavimas sprendžia skirtingas problemas. Automatizavimas padeda vykdyti ir sekti informaciją. Dirbtinis intelektas padeda užtikrinti pranešimų aktualumą ir kontekstualizavimą. Stipriausi darbo eigos kruopščiai derina abu šiuos aspektus – automatizavimas naudojamas veiklos mastu, kartu griežtai kontroliuojant pranešimų generavimo, peržiūros ir įsitraukimo kokybę.
Naudingi rodikliai apima:
Ryšio priėmimo rodiklis
Teigiamų atsakymų rodiklis
Susitikimo užsakymo kaina
Atsakymo nuotaikos kokybė
Laikas iki atsako
Tolesnis konversijų rodiklis
Stebint tik pokalbių apimtį arba atsakymų skaičių, dažnai paslepiama, ar pokalbiai iš tikrųjų juda link srauto kūrimo.
Žinoma. Stiprus greitas inžinerinis procesas apima ir pramonės poreikius atitinkantį formulavimą. Žinutė SaaS įkūrėjui turėtų struktūriškai skirtis nuo tos, kuri siunčiama:
Įdarbintojas
Sveikatos priežiūros vadovas
Gamybos direktorius
Ne pelno siekiančios organizacijos lyderis
Skirtingi pirkėjai reaguoja į skirtingus kalbos modelius, tiesmukiškumo lygius ir vertės formavimą.
Laikas dažnai yra toks pat svarbus kaip ir žinutės kokybė. Su neseniai paskelbtu socialiniu signalu, pavyzdžiui, įrašu, finansavimo pranešimu, įdarbinimo iniciatyva ar diskusija pramonės šakoje, susijusi komunikacija atrodo aktualesnė, nes ji susijusi su tuo, kas jau aktyvu ir patraukia potencialaus kliento dėmesį. Dirbtinio intelekto raginimai tampa žymiai veiksmingesni, kai jie kuriami remiantis dabartiniu momentu, o ne statiniais profilio duomenimis.
Taip. Dirbtinis intelektas geriausiai veikia, kai padeda kurti žmogiškuosius santykius, o ne jį visiškai pakeičia. Dirbtinio intelekto padedamų pranešimų siuntimas kartu su nuoširdžiu įsitraukimu – komentavimu, reagavimu, profilių peržiūra ar apgalvotais tolesniais pranešimais – sukuria patikimesnius sąveikos modelius ir stipresnį pasitikėjimą.
Raginimų sistemos turėtų nuolat tobulėti. Šiandien gerai veikiantys pranešimai po pakartotinio naudojimo gali pasenti. Komandos turėtų reguliariai tobulinti raginimus, atsižvelgdamos į:
Atsakymų rodikliai
Teigiamo atsakymo kokybė
Rinkos poslinkiai
Naujas pozicionavimas
Pirkėjo kalbos pakeitimai
Geriausios pardavimų komandos raginimus traktuoja kaip gyvas sistemas, o ne fiksuotus šablonus.
Efektyviausias tonas paprastai yra:
Ramus
Stebėjimas
Specifinis
Smalsus
Žemas spaudimas
Klausimai, kuriuose prašoma dirbtinio intelekto skambėti „profesionaliai ir įtikinamai“, dažnai sukuria standžius arba pernelyg su pardavimais susijusius rezultatus. Klausimai, kuriuose pirmenybė teikiama smalsumui ir aktualumui, paprastai sukelia stipresnius pokalbius.
Taip. Geresni raginimai turi įtakos ne tik tam, ar kas nors atsako, bet ir kaip jis atsako. Prasmingą kontekstą turinčios žinutės paprastai sukelia išsamesnius atsakymus, šiltesnius pokalbius ir greitesnį perėjimą prie tikrų pardavimo pokalbių, nes potencialus klientas jaučiasi suprastas, o ne nukreiptas į tikslinę auditoriją.
