Ātra inženierija pārdošanai [Perfekta mākslīgā intelekta informēšanas secība]

Lasīšanas laiks: 7 protokols

Lielākā daļa pārdošanas komandu, kas izmanto mākslīgo intelektu (AI) LinkedIn saziņas veidošanai, sasniedz viduvējus rezultātus un vaino AI. Problēma nav modelis. Problēma ir uzvednē.

Ātra inženierija ir tādu ievades datu izstrādes prakse, kas droši rada noderīgus rezultātus, augstas kvalitātes izvades no valodas modeļa. Patērētāja kontekstā tas nozīmē zināt, kā uzdot ChatGPT labāku jautājumu.

B2B pārdošanas kontekstā tas nozīmē kaut ko precīzāku: tādu instrukciju izstrādi, kas nosaka, kā jūsu mākslīgais intelekts veido informatīvos ziņojumus, komentārus un turpmākos pasākumus — plašā mērogā, konsekventi, simtiem dažādu potenciālo klientu.

Pareizi izpildīta, spēcīga uzvedne pārvērš mākslīgo intelektu par patiesi efektīvu pārdošanas attīstības rīku. Slikti izpildīta, tā ģenerē vispārīgus, nedaudz neatbilstošus ziņojumus, kas liek potenciālajiem klientiem sarauties un nospiest pogu “Dzēst”. Atšķirība starp šiem diviem rezultātiem gandrīz pilnībā slēpjas uzvednē.

Šis raksts ir paredzēts pārdošanas vadītājiem, SDR vadītājiem un ieņēmumu operatoriem, kuri vēlas izveidot mākslīgā intelekta komunikācijas secības, kas patiešām darbojas — gan tehniski, gan komerciāli.

Ko īsti nozīmē ātra inženierija pārdošanas sasniegumiem?

Uzvedne ir pilns instrukciju kopums, ko sniedzat mākslīgā intelekta modelim, pirms tas ģenerē izvadi. Pamata mijiedarbībā ar patērētāju tas varētu būt viens jautājums. Strukturētā pārdošanas darbplūsmā tā ir rūpīgi izstrādāta sistēma, kas pasaka mākslīgajam intelektam:

• Kā tas raksta — persona, profesionālā balss, tonis
• Kam adresāts raksta — potenciālā klienta loma, uzņēmuma darbības joma, zināmie izaicinājumi
• Ko tā zina par potenciālo klientu — signāli, nesenie ieraksti, lomu maiņa, iesaistes modeļi
• Kas vēstījumam ir jāpanāk — informētība, atbilde, atbilde uz jautājumu
• Ko nedrīkst darīt — pārāk agri prezentēt, lietot specifiskas frāzes, pārsniegt noteiktu garumu

Jo precīzāk šie parametri ir definēti, jo konsekventāk ir noderīgāka ir izvade. Neskaidri norādījumi rada neskaidrus ziņojumus. Konkrēti norādījumi rada specifiskus, kontekstuālus ziņojumus, kas lasāmi tā, it kā tos būtu teicis cilvēks, kurš faktiski ir veicis savu pētījumu.

Šī nav tehniska prasme, kas paredzēta tikai inženieriem. Tā ir rakstīšanas un stratēģijas prasme, un pārdošanas speciālistiem, kas to attīsta, ir strukturālas priekšrocības salīdzinājumā ar komandām, kas joprojām uzskata mākslīgo intelektu par viena klikšķa risinājumu.

Augstas veiktspējas pārdošanas uzvednes anatomija

Labi izstrādātam pārdošanas uzvedumam ir piecas sastāvdaļas. Katra no tām veic noteiktu uzdevumu, un jebkuras no tām izlaišana samazina rezultāta kvalitāti.

1. Lomu piešķiršana

Pastāstiet mākslīgajam intelektam, kas tas ir. Nevis vispārīgi, bet gan konkrēti. “Jūs esat vecākais klientu apkalpošanas vadītājs B2B SaaS uzņēmumā” sniedz modelim bagātīgāku kontekstu, no kura ģenerēt datus, nekā “uzrakstiet LinkedIn ziņojumu”. Lomas piešķiršana nosaka profesionālo reģistru, pieņemto zināšanu bāzi un netiešās attiecības, kas rakstniekam ir ar lasītāju.

Piemērs: “Jūs esat vecākais klientu apkalpošanas vadītājs, kas specializējas LinkedIn saziņas veidošanā ar B2B pārdošanas komandām. Jūs rakstāt kodolīgus, tiešus ziņojumus, kas uzsāk sarunas, nevis piedāvā produktus. Jūsu tonis ir profesionāls, bet sarunvalodas stilā — pārliecināts, bet neuzbāzīgs.”

2. Potenciālā klienta konteksts

Tas ir tur LinkedIn sociālie signāli tieši ievadiet uzvednē. Šeit tiek ievietots viss, ko zināt par potenciālo klientu — viņa loma, nesen publicētie ieraksti, paustās problēmas, saturs, ar kuru viņš mijiedarbojas. Jo bagātāks ir šis konteksts, jo atbilstošāka ir iegūtā informācija.

Piemērs: “Potenciālais kandidāts ir pārdošanas viceprezidents B sērijas SaaS uzņēmumā ar aptuveni 80 darbiniekiem. Pirms trim dienām viņi publicēja ierakstu par grūtībām uzturēt informācijas sniegšanas kvalitāti, jo viņu SDR komanda aug. Pēdējās divas nedēļas viņi ir iesaistījušies saturā par mākslīgā intelekta pārdošanas rīkiem.”

3. Mērķis un posms

Katram ziņojumam secībā ir noteikts uzdevums. Savienojuma pieprasījuma piezīmei ir atšķirīgs mērķis nekā pirmajam tiešajam ziņojumam pēc apstiprināšanas, kuram ir atšķirīgs mērķis nekā turpmākajam ziņojumam. Norādiet, kas šim konkrētajam ziņojumam ir jāpaveic — un kas tam vēl nav jādara.

Piemērs: “Uzrakstiet pirmo ziņojumu, ko nosūtīt pēc savienojuma pieprasījuma apstiprināšanas. Mērķis ir uzsākt sarunu, nevis piedāvāt produktu. Noslēdziet sarunu ar vienu konkrētu jautājumu, kas saistīts ar ierakstā izvirzīto izaicinājumu. Nepieminiet produkta nosaukumu un nepieprasiet tikšanos.”

4. Ierobežojumi un aizsargbarjeras

Šis ir komponents, ko lielākā daļa komandu aizmirst, un tas vistiešāk novērš vispārīgu izvadi. Ierobežojumi norāda mākslīgajam intelektam, no kā izvairīties: specifiskas frāzes, strukturāli modeļi, garuma ierobežojumi un tēmas, kas šajā secības posmā ir aizliegtas.

Piemērs: “Ziņojumam jābūt ne garākam par 80 vārdiem. Nesāciet to ar vārdiem “Es atradu jūsu profilu”. Nelietojiet frāzi “Es labprāt sazinātos”. Neatsaucieties uz Konnector funkcijām vai cenām. Izvairieties no izsaukuma zīmēm. Rakstiet otrajā personā.”

5. Formāta specifikācija

Norādiet modelim precīzi, kas jārada, ne tikai par ko rakstīt. Viens ziņojums vai vairākas iespējas? Ar vai bez tēmas rindiņas? Ko vajadzētu panākt sākuma rindiņai? Formāta norādīšana uzvednes līmenī ievērojami ietaupa rediģēšanas laiku vēlāk.

Piemērs: “Izveidojiet trīs alternatīvas šī ziņojuma versijas. Katrai vajadzētu atvērties atšķirīgi. Apzīmējiet tās ar A, B un C variantu. Temata rindiņa nav nepieciešama.”

Pilnīgas mākslīgā intelekta informēšanas secības izveide: ziņojums pa ziņojumam

LinkedIn saziņas secībai parasti ir četri līdz seši saskares punkti. Katram no tiem ir nepieciešama atšķirīga uzvedne ar atšķirīgu mērķi. Lūk, kā pārdomāt katru posmu.

Secības posms	Mērķis	Ātra fokusēšana	Garuma mērķis
Pieslēguma pieprasījuma piezīme	Nopelniet pieņemšanu	Konkrēta atsauce uz koplietotu signālu vai ierakstu. Bez prezentācijas.	Mazāk par 300 rakstzīmēm
Pirmais DM (pēc pieņemšanas)	Atvērt sarunu	Atsauce uz signālu. Viens jautājums. Produkts netiek pieminēts.	50 uz 80 vārdiem
1. pēcpārbaude (nav atbildes)	Atjaunojiet iesaisti, pievienojiet vērtību	Dalieties ar kaut ko atbilstošu. Bez spiediena. Viegli atbildēt.	40 uz 60 vārdiem
2. pēcpārbaude (nav atbildes)	Mīksta aizvēršana vai pagrieziena	Atzīsti klusēšanu bez vainas apziņas. Viens skaidrs lūgums.	30 uz 50 vārdiem
Atkārtota iesaistīšanās (jauns signāls)	Atsākt sarunu jaunā kontekstā	Atsauce uz jauno signālu. Svaigs leņķis. Nav atsauces uz iepriekšējo klusumu.	50 uz 70 vārdiem

Katra posma uzvedne manto lomas piešķiršanu un toni no jūsu pamata uzvednes — jūs to rakstāt vienreiz. Tas, kas mainās katrā posmā, ir mērķis, ierobežojumi un potenciālā klienta konteksts, ja kopš pēdējā saskares punkta ir parādījušies jauni signāli.

Mainīgās iesmidzināšanas problēma — un kā to atrisināt

Viens no visizplatītākajiem kļūmes veidiem mākslīgā intelekta atbalstītā informācijas izplatīšanā ir pārmērīga paļaušanās uz mainīgo ievadīšanu. Komandas izveido uzvedni ar vietturiem — [PROSPECT_NAME], [COMPANY], [RECENT_POST] — un pieņem, ka šo lauku aizpildīšana nodrošina personalizāciju. Tas nenotiek. Tas rada mākslīgā intelekta ekvivalentu pasta sapludināšanai.

Patiesa personalizācija uzvednes līmenī nozīmē signāla konteksta rakstīšanu dabiskā valodā, nevis ievietošanu iekavās. Salīdziniet šīs divas pieejas:

Mainīgas iesmidzināšanas pieeja: “Potenciālais klients nesen publicēja ierakstu par [TĒMU]. Atsaucieties uz to ziņojumā.”

Kontekstuāla uzvednes pieeja: “Potenciālais klients pirms četrām dienām publicēja ierakstu par izaicinājumu saglabāt SDR ziņojumu kvalitāti, komandai palielinot atkārtojumu skaitu līdz vairāk nekā desmit. Viņš to raksturoja kā “konsekvences problēmu, nevis motivācijas problēmu”. Viņu tonis ierakstā bija analītisks un nedaudz neapmierināts. Atsaucieties uz šo formulējumu — īpaši uz atšķirību, ko viņi novilka starp konsekvenci un motivāciju.”

Otrais uzvednes signāls ģenerē ziņojumu, kas skan tā, it kā to būtu rakstījis kāds, kurš ir izlasījis un sapratis ierakstu. Pirmais uzvednes signāls ģenerē ziņojumu, kas atsaucas uz ierakstu, bet neveic ar to mijiedarbību. Šī atšķirība ir tā, ko saņēmējs jūt, to lasot, un tas ir pilnībā tūlītējs inženiertehnisks lēmums.

Konnector platforma apstrādā šo kontekstuālo ievadīšanu automātiski, piesaistot tiešraides datus. LinkedIn sociālie signāli no potenciālā klienta aktivitātes un strukturējot to uzvednes kontekstā, lai mākslīgais intelekts vienmēr strādātu ar reālu, konkrētu un aktuālu informāciju, nevis vispārīgiem vietturiem.

Toņu kalibrēšana: mainīgais, ko lielākā daļa komandu kļūdās

Tonis nav neskaidra instrukcija. “Profesionāla skaņa” rada viduvēju rezultātu. Precīzi kalibrētas toņa instrukcijas rada rezultātu, kas neatšķiras no jūsu vislabāk funkcionējošajiem cilvēka rakstītajiem ziņojumiem.

Efektīva toņu kalibrēšana uzvednē ietver:

• Teikumu garuma norādījumi: “Izmantojiet īsus teikumus. Mainiet teikumu garumu, lai izvairītos no ritmiska rakstura. Izvairieties no teikuma daļām, kas savienotas ar semikolu.”
• Vārdnīcas līmenis: “Lietojiet vienkāršu valodu. Izvairieties no žargona, ja vien potenciālais klients to nelieto pirmais. Nelietojiet modes vārdus.”
• Uzticības reģistrs: “Tieša un pārliecināta, nevis piesardzīga. Izvairieties no izvairīgām frāzēm, piemēram, “Es domāju, ka jūs varētu interesēt” vai “vienkārši gribēju sazināties”.”
• Aizliegtās frāzes: Konkrēts frāžu saraksts, ko jūsu zīmols vai tēls neizmanto. Jo konkrētāks ir šis saraksts, jo konsekventāka ir izvade.

Viena praktiska pieeja: paņemiet trīs vislabāk funkcionējošos manuāli rakstītos ziņojumus un veiciet analīzes uzdevumu, kas izgūst toņu modeļus. Izmantojiet šīs analīzes rezultātus kā toņa specifikāciju savos informatīvajos uzvednēs. Jūs būtībā veicat reverso inženieriju tam, kas darbojas, un kodējat to kā atkārtoti izmantojamu instrukciju.

Cilvēka veikta pārskatīšana nav neobligāta — tā ir arhitektūra

Katrs šajā rakstā minētais ietvars pieņem vienu lietu: cilvēks izlasa un apstiprina katru ziņojumu pirms tā nosūtīšanas. Šis nav drošības pasākums, kas uzlikts virsū citādi autonomai sistēmai. Tas ir projektēšanas princips, kas nodrošina visas pieejas darbību.

Pat labi izstrādāta uzvedne rada mainīgu rezultātu. Daži ziņojumi būs tuvu patiesībai, bet ne gluži pareizi. Dažos trūks nianses, kas kļūst redzamas tikai tad, kad tos lasāt, zinot potenciālo klientu. Daži būs pilnīgi pareizi un tiem nebūs nepieciešama rediģēšana. Cilvēka veiktā pārskatīšana aptver visus trīs aspektus, un laika gaitā rediģēto ziņojumu modeļi tiek atspoguļoti labākos uzvednēs.

Šis ir modelis, ap kuru ir veidots Konnector. Uz nolūku balstīta informācijas izplatīšana mērogā, ar mākslīgo intelektu (AI), kas apstrādā signālu noteikšanu, konteksta strukturēšanu un pirmā melnraksta ģenerēšanu, un cilvēka apstiprināšanas rindu, kas nodrošina, ka nekas netiek nosūtīts, kamēr tas nav izlasīts un apstiprināts. Mākslīgais intelekts paaugstina kvalitātes minimumu katrā ziņojumā. Cilvēka veiktā pārskatīšana paceļ maksimumu.

Tas ir arī tas, kas nodrošina jūsu LinkedIn konta drošību. Pilnībā automatizēta saziņa lielā apjomā — pat no labi izstrādātiem aicinājumiem — rada aktivitāšu modeļus, kurus LinkedIn sistēmas arvien labāk spēj noteikt. Cilvēks katrā saskares punktā ir ne tikai laba prakse kvalitātes nodrošināšanai. Tā ir arhitektūra, kas uztur jūsu kontu labā stāvoklī, kamēr jūsu klientu plūsma aug.

Vai esat gatavs veidot secības, kas veic konvertēšanu?

Pārdošanas uzdevumu izpildes inženierija ir prasme, un tāpat kā jebkura cita prasme, tā tiek pilnveidota ar praksi. Komandas, kas tajā iegulda tagad — veidojot precīzas, uz signāliem balstītas, toņiem kalibrētas uzdevumu izpildes sistēmas —, ir tās, kuru mākslīgā intelekta ietekme joprojām būs efektīva, kad visu pārējo sniegums būs izslēgts.

Konnector nodrošina signāla slāni, mākslīgā intelekta rasēšanas infrastruktūru un cilvēka apstiprināšanas darbplūsmu, kas padara šo pieeju praktisku plašā mērogā. Ja vēlaties redzēt, kā tā attiecas uz jūsu komandas ICP un informācijas izplatīšanas darbībām, rezervēt demonstrāciju. Vai piereģistrēties un sāciet veidot savu pirmo uz signāliem balstīto secību jau šodien.

Papildu informācija

• LinkedIn sociālo signālu izpratne ar Konnector
• LinkedIn informācijas izplatīšanas stratēģija B2B uzņēmumiem: kas darbojas 2026. gadā
• Kā uzlabot savu LinkedIn atbilžu rādītājus
• LinkedIn potenciālo klientu ģenerēšana: Konnector pieeja
• Pirktspējīgu klientu piesaistes triki, kas patiešām darbojas vietnē LinkedIn