يمكن أن يصلح التعلم الآلي مشكلة تحديد الأولويات في مبيعات التكنولوجيا بين الشركات

يتوقف معدل نجاح فرق مبيعات تقنية B2B في إتمام الصفقات وكسب العملاء على مدى نجاحهم ليس فقط في استهداف العملاء المناسبين ، ولكن أيضًا على مدى السرعة التي يمكنهم بها غربلة الضوضاء لإخراجهم.

هذا البيان ليس خبرا عاجلا ، ولكن كما يعرف العديد من فرق مبيعات B2B ، إن لم يكن معظمها ، فهي فعالة و لقد كان قول الاستهداف الدقيق للاحتمالات أسهل بكثير من فعله. إن تحديد أولويات العملاء المحتملين غير الناضجين الذين لا يزالون في قمة قمع المبيعات أو الذين لم يدركوا بعد احتياجاتهم التكنولوجية الخاصة بهم هو إهدار للموارد فقط. في المقابل ، فإن العملاء المحتملين المؤهلين تأهيلاً عالياً والذين يسعون بنشاط لإجراء عملية شراء سوف يقومون بذلك بوتيرة أكبر بكثير.

لا يزال هذا الاختلاف صارخًا بشكل خاص لبائعي تكنولوجيا B2B. قد تكون منتجاتهم مبتكرة ومؤثرة بشكل كبير كما يعتقدون ، ولكن ربما يكون لها مشاركة ذهنية أقل رسوخًا بين المشترين.

في حين أن بناء الوعي العام أمر مهم ، فإن تحديد واستهداف العملاء الذين لديهم سبب حالي للشراء يحول كفاءة المبيعات (والتسويق) ، والتي تصبح مهمة بشكل متزايد مع توسع بائعي التكنولوجيا B2B. إن مجرد استهداف الشركات ذات الحد الأدنى المناسب للإيرادات أو عدد الموظفين في كثير من الأحيان يعني إنفاق موارد المبيعات والتسويق على الشركات التي ليست في أي مكان بالقرب من الاستعداد لكتابة شيك – وقد لا تكون كذلك أبدًا.

ML والأتمتة: B2B ضروريًا

نظرًا لأنه من المحتمل أن تتعرض فرق المبيعات التقنية في B2B لمزيد من الضغط للقيام بالمزيد بموارد أقل في عام 2023 ، فستحتاج الأتمتة إلى أن تكون جزءًا من الوصفة. وصل التعلم الآلي (ML) إلى نقطة يمكنه من خلالها تمكين الدقة المستندة إلى البيانات للوصول إلى جهة اتصال العميل المناسبة مع الملعب المناسب في اللحظة المناسبة. قد لا يكون لدى الفرق التي تحذر من الثقة في ML حتى الآن الكثير من الخيارات في هذا الشأن – ولكنها ستتحول سريعًا باستخدام الإستراتيجية وسير العمل الصحيحين.

يمكن أن تحدد رؤى ML المتعمقة الصحيحة التي يتم تغذيتها من مصادر البيانات الصحيحة الحسابات مع عوامل عامل التغيير المحددة والحالية التي تشير إلى مدى جوع العميل المحتمل للتحول التكنولوجي.

على سبيل المثال ، قد يستعد العميل المحتمل لتقديم تجربة عميل مجددة وحديثة تتطلب حزمة واجهة أمامية جديدة. أو ، قد تكون إحدى المؤسسات تلعب دورًا في اللحاق بالركب في مبادرات التحول الرقمي وتشير إلى أنها على وشك القيام بترحيل واسع النطاق إلى السحابة.

قد يكون القائد الجديد الذي ينضم إلى الشركة أو يتولى زمام الأمور في قسم رئيسي هو مسار التنقل الحاسم الذي يشير إلى الإصلاح التكنولوجي. من المرجح أن تكون الشركات التي تعرض عوامل التغيير هذه في مرحلة شراء ، مع الزخم والإلحاح والميزانيات المخصصة لتبني الحل المناسب بسرعة إذا تم تقديمها لهم.

إزالة التخمين

يمكن (وينبغي) لفرق مبيعات B2B التقنية الاستفادة بالمثل من رؤى تعلم الآلة للعثور على الأعمال التجارية واستهدافها بمكدسات التكنولوجيا القديمة ؛ هذه توفر فرصًا واضحة لزيادة أو تحويل التمزيق والاستبدال.

غالبًا ما تكون الشركات التي تشعر بنقاط الألم في التكنولوجيا القديمة التي يمكنهم استبدالها بشكل نظيف بعرض البائع أكثر نضجًا للمحادثة والتحويل – ويمكن لتعلم الآلة التخلص من هذا التخمين.

بدلاً من ذلك ، إذا كانت البنية التحتية التكنولوجية للعميل المحتمل تسمح لأحد حلول البائعين بالانزلاق مباشرة إلى مكدسهم وتقديم فوائد ملموسة ، فإن البيع يصبح اقتراحًا للانحدار. على سبيل المثال ، الحلول التي يكون فيها اعتماد السحابة ، أو درجة معينة من نضج تكنولوجيا المعلومات ، مطلبًا يجب أن يستهدف العملاء الذين يستوفون هذه المعايير.

يمكن أن يتيح تعدين البيانات الصحيحة باستخدام ML بالمثل للموردين الذين يمكنهم دعم عمليات ترحيل البيانات والسحابة تحديد العملاء والتركيز عليهم قبل تبدأ تلك المشاريع. سيؤدي تحديد أولويات الحسابات الجاهزة والقادرة على إدراك مزايا التكنولوجيا التي تبيعها إلى تقصير مسار تحويل المبيعات وتعزيز الكفاءة بشكل واضح.

أخيرًا ، يمكن أن يكشف الغوص في الرؤى المدعومة من ML عن القيمة المحتملة الحقيقية للعميل المستهدف ، مما يسمح لفرق المبيعات بتحديد أولويات الحسابات من خلال حجم الأسماك التي قد تكون لديهم على الخط. يمكن أن تشير المقاييس مثل حجم الفريق (ليس بالضرورة حجم الشركة) والمشاريع والأهداف الحالية وشخصيات المشتري ذات العقلية التوسعية والمزيد من العوامل إلى إمكانات نمو الحساب.

إن معرفة حجم وتركيب الفريق الداخلي الذي سيستخدم الحل بشكل مباشر يسمح للبائع بقياس فرصة الإيرادات الفورية. على سبيل المثال ، يمكن للبائعين الذين لديهم حلول بيانات توفر التحليلات أو المراقبة أو الأمان أو وظائف أخرى التعرف على إمكانات العميل من خلال حجم بصمة البيانات الخاصة بهم.

معالجة نقاط الألم

لا تُخفى هذه الاستراتيجيات لتحديد العملاء الذين لديهم أكبر فرص تحويل وإيرادات وترتيب أولوياتهم: فهي تمارس من قبل فرق المبيعات عبر العديد من الشركات الناجحة. ومع ذلك ، تزداد صعوبة تنفيذها يدويًا (وتستغرق وقتًا طويلاً بشكل متزايد).

بينما تدعي بعض أدوات “النية” تحقيق هذا النوع من تحديد الأولويات باستخدام أساليب ML الصندوق الأسود ومن خلال النظر في عمليات البحث على الويب وحركة مرور الويب ، فإن هذا لم يكتمل. يجب استكماله بالجهود اليدوية (والبحث في المشاريع ونقاط الضعف التي يمكن أن يحلها التعلم الآلي بشكل فعال).

ونتيجة لذلك ، فإن العديد من المنظمات لديها فرقها تبذل جهدًا يدويًا هائلاً وترتب من خلال الرؤى غير الكافية لمحاولة تحديد أهداف العملاء الصحيحة.

على سبيل المثال ، قد يضيع أخصائي المبيعات الذي يبحث عن صانع القرار المناسب لفريق تطوير برامج المؤسسة المستهدفة وقتًا طويلاً في غربلة عدد لا يحصى من العناوين ، من البحث والتطوير إلى الهندسة ، وتطوير التطبيقات ، وتطوير التطبيقات ، وتسليم التطبيقات والمزيد. ولا يزالون قد لا يجدون أبدًا الأفراد الذين لديهم الإرادة والوسائل اللازمة لاتخاذ قرار الشراء الإيجابي أو التأثير عليه.

وفي الوقت نفسه ، يمكن للبائع المنافس – مع فرق المبيعات التي تم إبلاغها من خلال رؤية البيانات التي تعمل بنظام ML إلى نفس العميل – الاتصال على الفور بالمشتري الأكثر احتمالاً من خلال العرض المثالي ويكون على الطريق نحو التحويل – وبكفاءة.

بالنسبة لبائعي تقنية B2B ، يعني النجاح تجهيز فرقهم لتكون ذلك المنافس.

لينا جوشي هي الرئيس التنفيذي والشريك المؤسس لـ CloseFactor.