پایگاه خبری تحلیلی ایراسین، تیم‌های فروش با چشم‌اندازهای چالشی فزاینده‌ای روبه‌رو هستند. مشتریان بالقوه به تماس‌های سرد پاسخ نمی‌دهند. حتی مشتریان موجود نیز اغلب تمایلی ندارند وقتشان را در مکالمات عمیق و طولانی برای بستن قراردادهای بزرگ‌تر صرف کنند. این موضوع، وضعیت دشواری را ایجاد می‌کند. تنها راهی که تیم فروش می‌تواند ارزش خود را اثبات کند، از طریق درک مشتری است، اما تمایل خریداران به تعامل با تیم‌های فروش و به اشتراک‌گذاری چنین اطلاعاتی، دائم کمتر می‌شود. تحقیقات اخیر مؤسسه مک‌کینزی نشان داده که در طول ۵ سال گذشته، درصد خریداران «بنگاه به بنگاه» (B2B) که خواهان تعاملات فروش حضوری با تامین‌کنندگان جدید هستند، از ۵۰ درصد به ۳۵ درصد کاهش یافته است.
سازمان‌های فروش، در مقابل این کاهش دسترسی به خریداران، اغلب حجم تماس‌های فروش خود را افزایش می‌دهند، به امید اینکه هرچه تلاش‌ها بیشتر شود، نتایج بیشتری به دست آید. این تلاش‌ها اگرچه می‌تواند نتایج کوتاه‌مدتی ایجاد کند، اما با گذشت زمان به احتمال زیاد ارزش سازمان را کاهش می‌دهد. تماس‌های کورکورانه فراوان، ذهنیت جذب مشتری جدید و غافل شدن از حفظ مشتریان موجود را ایجاد می‌کند که باعث می‌شود تیم فروش خودش را بدون تخصص و معامله‌گر بداند. مشتریان نیز این تغییر را حس می‌کنند و به شکل محسوسی آن را دوست ندارند. به گفته مؤسس گارتنر، ۶۴ درصد خریداران B2B حس می‌کنند با حجم بالایی از ارتباطات فروش و بازاریابی احاطه شده‌اند. در این شرایط و وقتی با جریان ورودی پر از تماس‌های عمومی روبه‌رو می‌شوند، بیشتر از اینکه احتمال داشته باشد به یک پیشنهاد فروش علاقه نشان دهند، از این تماس‌ها عصبانی خواهند شد.
اما راه دیگری هم وجود دارد. توصیه می‌شود که مدیران درآمدزایی شرکت، از هوش مصنوعی مولد برای بهبود کیفیت – و نه کمیت - تعاملات فروش خود استفاده کنند. تجربه نشان داده وقتی فروشنده‌ها از هوش مصنوعی برای کشف مشتریان جدید استفاده می‌کنند، می‌توانند مکالمات خود با خریداران را از یک موقعیت قوی‌تر و متناسب با چالش‌های تجاری مشتری شروع کنند. این رویکرد به ابزار خاصی نیاز ندارد و با استفاده از چت‌جی‌پی‌تی، جمینای، کلاد، Perplexity و دیگر ابزارها با کارآیی یکسان، قابل اجراست. دو مثال در ادامه، نشان می‌دهند که چگونه تیم‌های فروش با استفاده از چند دستور ساده به هوش مصنوعی، توانسته‌اند خود را برای مشتریان بالقوه و موجود جذاب‌تر کنند.
جذب مشتری جدید
ارین، یک فروشنده باهوش و باتجربه در یک شرکت تکنولوژی متوسط، راه‌های متعددی را برای جذب یکی از پرپتانسیل‌ترین مشتریان بالقوه خودش که یک شرکت معدنی جهانی بود، امتحان کرده بود. ایمیل‌های او بی‌پاسخ ماندند، تماس‌های تلفنی او مستقیم به صندوق‌های صوتی رفتند و دعوت‌نامه‌های او برای رویدادهای ویژه هیچ نتیجه‌ای نداشتند. او ناامید شده بود و وقتش کم بود. او می‌خواست با مشتری ارتباط برقرار کند و ایده‌آل‌ترین حالت این بود که در سال مالی جاری با این شرکت قراردادی ببندد. اما مشتری‌های قبلی، سرش را شلوغ کرده بودند و بنابراین برای جلب علاقه یک مشتری بالقوه که تاکنون هیچ تعاملی با آن برقرار نکرده بود، زمان محدودی داشت.
ارین در یک جلسه آموزشی شرکت کرد و وقتی از او سوال شد «کدام مسائل فوری در دنیای مشتریان بالقوه باعث جلب توجه آنها می‌شود؟» او به سرعت تشخیص داد که تلاش‌های قبلی برای برقراری ارتباط، صرفاً بر معرفی محصول متمرکز بودند و او باید دانش عمیق‌تری از مشتری به دست می‌آورد. وارد کردن این دستور در یکی از ابزارهای هوش مصنوعی به او کمک کرد رویکردش را تغییر دهد: «لطفا گزارش‌های سالانه اخیر شرکت مورد نظر را بررسی کن و دو مورد را به من بگو: ۱) اولویت‌های فعلی شرکت و ۲) عملکرد شرکت در طول زمان و در مقایسه با همتایانش در شاخص‌های کلیدی مالی که برای تیم اجرایی اهمیت دارد.»
ارین با پرسیدن چند سوال بعدی، متوجه شد که هزینه کالاهای فروخته شده (COGS) به عنوان یک شاخص مالی مهم، در آن شرکت در حال افزایش است و این موضوع برای مشتری بالقوه او نگرانی بزرگی است. به طور خاص‌تر، او متوجه شد که COGS شرکت مورد نظر همزمان با افزایش تولید بالا می‌رود. قبل از هوش مصنوعی، این سطح از اطلاعات مشتری فقط از طریق مکالمات عمیق اکتشافی یا تحقیقات اینترنتی وقت‌گیر به دست می‌آمد. اما اکنون، با کمک هوش مصنوعی، ارین به سرعت به یک دیدگاه مهم در سطح هیأت مدیره دست یافته بود.
این موضوع باعث شد او از ارسال مداوم پیام‌های کلی به مشتری مورد نظرش خودداری کند. حالا ارین با اطلاع از اینکه رهبران زنجیره تأمین به شدت به COGS اهمیت می‌دهند و راه‌حل شرکت او می‌تواند در این زمینه بهبود ایجاد کند، شروع به جست‌وجوی یک راه ارتباطی از طریق زنجیره تأمین کرد. او به یک اکانت در لینکدین رسید که معاونت زنجیره تأمین شرکت را بر عهده داشت و پنج ماه پیش کارش را شروع کرده بود. ارین به این نتیجه رسید که این شخص احتمالاً می‌تواند کانالی برای پاسخ گرفتن از مشتری بالقوه باشد.
ارین یک پیام کوتاه در لینکدین به این معاون ارسال کرد که به تأثیر بالقوه راه‌حل شرکتش بر کاهش COGS اشاره می‌کرد. سپس از هوش مصنوعی خواست تا پیام او را کوتاه‌تر و واضح‌تر کند. پس از چند بار تلاش و بازخورد، او یک پیام ۲۰۰ کلمه‌ای دقیق در دست داشت. دکمه ارسال را زد. در مجموع، ارین با هوش مصنوعی کمتر از دو ساعت زمان صرف اجرای برنامه متمرکز بر مشتری خود کرد که به مراتب کمتر از تمامی تلاش‌های ارتباطی قبلی او بود. یک روز بعد، او پاسخی دریافت کرد. معاون شرکت خواستار صحبت شده بود. افزایش COGS یک چالش بزرگ در سازمان او بود و به هر چیزی که بتواند این مساله را حل کند، علاقه‌مند بود. چند ماه بعد، ارین به طرز هیجان‌انگیزی یک قرارداد ۲۵۰ هزار دلاری بست و یکی از معدود افرادی در سازمان خود شد که آن سال یک مشتری جدید را جذب کرده بود.
بیشتر کردن مشتریان موجود
فروشندگانی که در حال حاضر با مشتریان فعلی کار می‌کنند نیز می‌توانند از هوش مصنوعی برای ایجاد حس اضطرار در مشتری و پیروزی در معاملات بزرگ‌تر استفاده کنند. به مورد مایکل، یک مدیر فروش ارشد در صنعت فلزات توجه کنید که دومین سال پیاپی، درآمد حاصل از تعامل با یکی از مشتریان استراتژیک اصلی شرکتش، ثابت مانده بود. در گذشته، مایکل همیشه اهداف فروش خود را فراتر از انتظار می‌برد، اما امسال احساس متفاوتی داشت. با وجودی که این مشتری قدیمی بود و مایکل روابط خوبی با مسؤولان آن داشت، اخیراً به سختی می‌توانست پاسخ ایمیل‌هایش را دریافت کند، چه برسد به اینکه بخواهد یک جلسه حضوری ترتیب دهد. علاوه بر این، رقبای او از جذابیت تبلیغاتی یک تکنولوژی جدید برای مطرح کردن پیشنهادهای جدید در مورد محصول یا خدمات خود استفاده می‌کردند و همین موضوع باعث می‌شد مایکل در داخل شرکت تحت فشار باشد.
مایکل در طول یک برنامه آموزش فروش در سطح شرکت، که در آن به تیم گفته شد چگونه از هوش مصنوعی استفاده کنند، متوجه شد که در مواجهه با تهدیدهای رقابتی، بهترین شانس او برای بازگشت به نقطه قوتش این است که بیشتر درباره چالش‌های کسب و کار کلان مشتری، یاد بگیرد. او با موفقیت از هوش مصنوعی برای خلاصه‌نویسی یادداشت‌ها پس از جلسات و یافتن رستوران‌های مناسب برای صرف شام کاری با مشتریان استفاده کرده بود. حالا که در معرض خطر از دست دادن بزرگ‌ترین مشتری‌اش بود، به هوش مصنوعی روی آورد تا اطلاعاتی را جست‌وجو کند که به او کمک کند یک مشاور بادانش و مورد اعتماد به نظر بیاید. او برای جست‌وجوی مسائل مرتبط، دستور زیر را به هوش مصنوعی داد: «متن جلسات اعلام عایدات شرکت در سه ماه گذشته را بررسی کن. سوالات تحلیلگران که به نظر می‌رسد از یک فصل به فصل دیگر تکرار می‌شوند را شناسایی کن. این سوالات را برجسته کن و نحوه پاسخگویی رهبران ارشد به آنها را مشخص کن.»
مایکل و تیمش، با همین یک دستور دریافتند که رهبران شرکت دائماً در مورد این ریسک که بیش از ۵۰ درصد درآمدشان فقط به چند مشتری وابسته باشد، مورد بازخواست قرار می‌گیرند. مدیران ارشد مسؤول نظارت بر مشتری، اعلام کردند برای تنوع‌بخشی به منابع درآمد خود از طریق ورود به بازارهای جدید، برنامه‌هایی دارند. اما در سه جلسه آخر اعلام درآمد، وقتی تحلیلگران سرمایه‌گذاری در مورد وابستگی شرکت به تعداد کمی از مشتریان سوال کرده بودند، مشخص شد که تیم رهبری پیشرفت کمی داشته است. این امر باعث شد که بسیاری از تحلیلگران سرمایه‌گذاری، شرکت را در وضعیت «تعلیق» سرمایه‌گذاری قرار دهند؛ آن هم در بازاری که رقبا عملکرد خوبی داشتند.
مایکل که به این اطلاعات مجهز شده بود، درخواست برگزاری جلسه با مدیران عالی شرکت خودش و شرکت مشتری را کرد. ۶ ماه قبل از اینکه قرارداد چند ساله شرکت با مشتری به موعد اتمام و تمدیدش برسد، مایکل تعدادی از رهبران ارشد شرکت خود را به دیدار چند تا از مدیران ارشد شرکت مشتری برد. او به جای برگزاری یک جلسه سنتی مرور عملکرد کسب و کار، به مشتری گفت: «ما درک می‌کنیم که هدف استراتژیک شما ورود به بازارهای جدید و گسترش پایگاه مشتریانتان است. ما به برخی دیگر از مشتریان کمک کرده‌ایم با ارائه راه‌حل‌هایی خودشان را در بازارهای جدید تثبیت کنند و دوست داریم با تیم شما هم درباره این هدف و نحوه کمکمان صحبت کنیم.» مدیران شرکت مشتری تا آن لحظه توجه زیادی به جلسه نداشتند. اما وقتی متوجه شدند این جلسه فرق دارد و قرار نیست یک محصول دیگر به آنها پیشنهاد شود، تلفن خود را کنار گذاشتند و گوش دادند.
کل جلسه بر اهداف سازمان مشتری متمرکز بود و رهبران ارشد آزادانه اطلاعاتی را درباره فشارهایی که با آن روبه‌رو بودند، به اشتراک گذاشتند. در نتیجه، مایکل و تیمش یک طرح پیشنهادی جذاب متمرکز بر اهداف مشتری تهیه کردند که به انعقاد یک قرارداد اختصاصی، برای ارائه راه‌حلی سفارشی‌شده در سطح سازمان، منجر شد.
درک مزیت‌ها
در هر دو موقعیتی که توصیف شد، تیم‌های فروش در مراحل ابتدایی گفت‌وگو، قادر نبودند به‌خوبی توضیح دهند که چرا محصولات یا خدمات آنها برای مشتریان مهم و مفید است و چگونه می‌تواند مشکلات یا نیازهای آنها را برطرف کند. اما برای بهبود وضعیت خود چند مرحله را دنبال کردند:
۱- درک چالش‌ها و اهداف اصلی مشتری
۲- شناسایی شاخص‌های کلیدی مرتبط با آن چالش‌ها
۳- یافتن ذی‌نفع مشتری که به این شاخص‌ها اهمیت می‌دهد
۴- ارزیابی چگونگی بهبود این شاخص‌ها توسط محصول پیشنهادی
۵- شروع تعاملات با پیام‌هایی واضح، مختصر و مرتبط که همه چیز را به هم پیوند دهد
استفاده از هوش مصنوعی به تیم‌های فروش امکان داد از این مراحل گذر کنند، در زمان خود صرفه‌جویی کنند و کیفیت خروجی خود را نیز بهبود بخشند. اگرچه هوش مصنوعی می‌تواند در همه این مراحل مفید باشد، اما بیشترین تأثیر آن را در مراحلی که به درک چالش‌ها، شناسایی معیارها و تدوین پیام‌های مختصر مرتبط می‌شود، شاهد بوده‌ایم. ارین و مایکل به وضوح تاکتیک‌های نسبتاً متفاوتی در طول این مسیر به کار بردند، اما نتیجه یکی بود. این رویکرد فروشندگان را به شرکای استراتژیک تبدیل کرد، نه عوامل فروش معامله‌گر.
در ۵۰ سال گذشته، همواره به فروشندگان گفته شده: از بازارگرمی کردن دست بردارید و به جای آن درباره اهداف مشتری صحبت کنید. اما همیشه این توصیه، سخت به اجرا درآمده است، چون تیم‌های فروش اطلاعات کافی درباره مشتری ندارند تا رویکرد خود را متناسب‌سازی کنند. استفاده صحیح از هوش مصنوعی می‌تواند این مشکل را حل کند و هر مدیر فروشی را در کمترین زمان مهم و جلب توجه‌کننده نشان دهد.
منبع: HBR
ارسال نظر