ИИ для роста продаж: наука, а не удача
Два вида хорошего месяца
Есть два очень разных предложения, которые отдел продаж может произнести в конце месяца. Одно - «у нас был хороший месяц». Другое - «у нас был хороший месяц, потому что лиды из реферальной программы закрывались вдвое чаще платных, а менеджеры, которые перезванивали в течение часа, закрывали почти половину своих сделок». Первое предложение описывает результат. Второе его объясняет, и полезно для следующего месяца только второе. Большинство небольших отделов продаж живут исключительно в первом предложении - не из-за небрежности, а потому, что объяснение хорошего месяца требует данных, которые никто целенаправленно не собирал. Спросите руководителя, почему прошлый квартал был сильным, и ответ часто будет пожатием плеч, наряженным в уверенность: рынок был хороший, команда была замотивирована, набрался момент. Такие объяснения звучат правдоподобно и не предсказывают ничего, потому что ни одно из них нельзя проверить по конкретной цифре, которая либо была, либо её не было.
Что на самом деле делает месяц объяснимым
Объяснить результат - значит отслеживать несколько конкретных вещей помимо очевидной цифры выручки: откуда пришёл каждый лид, сколько времени заняло первое обращение, что произошло в разговоре, что продвинуло сделку или убило её, и сколько касаний потребовалось до закрытия. Большинство CRM уже хранят почти всё это, разбросанное по полям, которые никто не смотрит вместе. Ничего экзотического в этих данных нет. Это то, что CRM фиксирует по умолчанию в момент создания сделки и перемещения между этапами - просто это никогда не собиралось в единый вид, который руководитель мог бы реально прочитать за десять минут вместо трёх часов. Проблема обычно не в нехватке данных, а в том, что ни у кого нет времени каждый месяц вручную сопоставлять источник лида, время ответа и конверсию по полутора сотням сделок.
Где здесь реально пригождается ИИ
Это более узкое и менее эффектное применение ИИ, чем большинство себе представляет, и именно оно окупается быстрее всего. Вместо написания новых писем или ведения разговоров с клиентами, практическая польза - в поиске закономерностей в массиве прошлых сделок: какая комбинация источника лида, скорости ответа и работы с возражениями реально коррелирует с закрытием сделки, в масштабе, который ни один руководитель не успевает проверять вручную каждую неделю. Для этого не нужна и большая команда или дорогая платформа. Выгрузка из CRM в таблицу, приведённая в порядок и переданная в универсальный инструмент ИИ с чётко сформулированным вопросом, может выявить те же закономерности, для которых раньше требовался штатный аналитик данных. Получив несколько месяцев истории CRM и заметок по звонкам, такой анализ может выявить, например, что «сделки, где менеджер упомянул конкретного конкурента на первом звонке, закрывались вдвое реже обычного» - деталь, невидимая по одной сделке, но очевидная на сотне.
Конкретный пример
Представим небольшую B2B-команду из четырёх менеджеров, закрывающую около тридцати сделок в месяц. Анализ закономерностей по шести месяцам данных CRM показывает, что сделки, где первый ответ пришёл в течение часа, закрывались почти вдвое чаще тех, где ответ занял больше четырёх часов, и что конкретное возражение - сравнение стоимости с работой своими силами - всплывало почти в каждой сделке, застрявшей после второго звонка. Ни одна из этих находок не требовала нового инструмента продаж, обе лежали в данных, которые у команды уже были. Такая находка меняет то, на что руководитель реально делает акцент на следующей планёрке по продажам, вместо общего напоминания «перезванивайте быстрее», которое и так все знают и которое никто стабильно не соблюдает. Обе цифры уместились в один короткий отчёт на одну страницу, который руководитель может обсудить с командой за пять минут в начале планёрки. Изменилось лишь то, что кто-то наконец посмотрел на всё это вместе, а не по одной сделке за раз.
Второй паттерн: когда дело не в скорости
Не каждая полезная закономерность связана со скоростью ответа. Небольшая компания, перепродающая бухгалтерский софт другим малым компаниям, провела такой же анализ и обнаружила кое-что другое: сделки, где на первом звонке присутствовал человек с реальными полномочиями на покупку, а не просто офис-менеджер, собирающий информацию для кого-то другого, закрывались почти втрое чаще - независимо от того, насколько быстро команда перезванивала потом. Никакое ускорение последующих контактов не спасало сделку, которая началась не с тем человеком на звонке. Проверить это оказалось несложно: достаточно было посмотреть, кто указан контактным лицом в карточке сделки, и сопоставить эту роль с тем, закрылась сделка или нет. Эта находка изменила то, как команда квалифицировала лиды уже на первом контакте: теперь напрямую спрашивали, кто ещё должен быть вовлечён, прежде чем вкладывать больше времени, вместо того чтобы полагаться на одну лишь скорость, способную вытянуть слабый лид до финиша.
Ловушка чрезмерного доверия закономерности
Закономерность, найденная в полутора сотнях сделок одной команды на одном рынке за шесть месяцев, - это подсказка, а не закон. Небольшие выборки дают уверенно выглядящие закономерности, которые не подтверждаются в следующем квартале, и любую отдельную находку стоит воспринимать как гипотезу для проверки, а не как истину в последней инстанции. Команда, отвечающая в течение часа, может закрывать больше сделок не потому, что важна сама скорость, а потому, что быстрые менеджеры просто изначально работают с более тёплыми лидами. Также стоит проверить, сохраняется ли закономерность больше чем в одном срезе бизнеса - скажем, и в первом квартале, и во втором, - прежде чем превращать её в правило для всей команды. Отличить реальный рычаг от совпадения обычно требует повторной проверки или намеренного небольшого теста, а не одной красиво выглядящей корреляции.
Превращение инсайта во что-то повторяемое
Найти закономерность - лёгкая часть. Более сложная и ценная часть - превратить «лиды, которым ответили в течение часа, закрываются лучше» в реальный процесс: правило, которое помечает новые лиды без контакта в течение тридцати минут, короткий скрипт для обработки возражения про «своими силами» в момент его появления, а не после того, как разговор уже сорвался, еженедельную цифру, на которую команда действительно смотрит, а не только на выручку. Для этого не нужен дашборд, на который никто не смотрит. Короткая еженедельная заметка, даже одна строчка в командном чате о том, какая цифра изменилась и почему, формирует привычку лучше, чем отполированный отчёт, который приходит слишком поздно, чтобы что-то изменить. Ничего из этого не требует отдельного бюджета на аналитику: та же самая работа доступна и самому руководителю отдела, если он выделяет на неё час в неделю. Хороший месяц, объяснённый данными, - это не разовый инсайт, а новая привычка, которую команда может повторять намеренно, и именно в этом вся разница между «повезло» и «это процесс».