Using AI to Build Prospecting Lists

Using AI to Build Prospecting Lists

Использование AI для построения списков prospecting

Let's dig into some of the best ways to use AI for sharper list building and more nuanced personalization.

Давайте разберём лучшие способы применения AI для более точного построения списков и более тонкой персонализации.

“How in the world did sales spend over $20k on OpenAI credits this month?”

If you're in sales and you're exploring AI solutions (ex. Clay) for helping your team build prospecting lists, don't be surprised when the finance team raises some eyebrows.

"How is this different from the tens of thousands we're already spending per year on our data provider?"

These are fair questions, and you need to be prepared to back up the logic behind these investments.
Plus, if you're not careful, it can be a bit like going to the casino. You spend a lot of money, and you're not sure what you got in return.
‍
The spend can get out of control because it's variable. The category feels unfamiliar. And when the spend spikes, it starts to sound like someone in sales is training their personal robot army.

That $20K bill might actually be a great sign.

Especially if you are using AI to get much sharper about who you prospect to.

«Как, чёрт возьми, отдел продаж потратил больше $20K на кредиты OpenAI в этом месяце?» Если вы в продажах и изучаете AI-решения (например, Clay) для помощи команде в построении списков prospecting, не удивляйтесь, когда финансовый отдел поднимет брови. «Чем это отличается от десятков тысяч, которые мы уже тратим в год на нашего дата-провайдера?» Это справедливые вопросы, и вам нужно быть готовыми обосновать логику этих инвестиций. Плюс, если не быть осторожным, это немного похоже на поход в казино. Вы тратите кучу денег и не уверены, что получили взамен. ‍Расходы могут выйти из-под контроля, потому что они переменные. Категория кажется незнакомой. И когда расходы взлетают, это начинает звучать так, будто кто-то в продажах тренирует свою личную армию роботов. Этот счёт в $20K на самом деле может быть отличным знаком. Особенно если вы используете AI, чтобы гораздо точнее определять, к кому идти на prospecting.

This can unearth new leads, lead to tighter segmentation, provide higher quality leads, and it can give your team shaper reasoning for reaching out by taking custom research tasks off your sellers plates.

Let's start by talking about why traditional data vendors aren't cutting it in comparison.

Это позволяет находить новых лидов, делать более точную сегментацию, обеспечивать более качественных лидов, и даёт вашей команде более чёткую аргументацию для outreach, снимая с sellers задачи по кастомному ресёрчу. Давайте начнём с разговора о том, почему традиционные дата-вендоры в сравнении с этим уже не справляются.

Traditional Data Vendors: "Ready to Wear" vs. Tailored Clothing

Традиционные дата-вендоры: «готовая одежда» vs. одежда на заказ

Ready to Wear is the clothing term for clothes you'd buy off the rack at a typical retailer. The designer creates the fit. They establish the sizes. They might fit you well. But, you might also find it's not always perfect.

«Ready to Wear» — это термин для одежды, которую вы покупаете с вешалки в обычном магазине. Дизайнер задаёт крой. Он определяет размеры. Они могут хорошо вам подойти. Но вы также можете обнаружить, что не всегда идеально.

Traditional Data Vendors operate with a "ready to wear" model. They invest heavily in sourcing and procuring the best contact data. But, they're trying to appeal to the masses. They can't afford to spend time building super custom data fields that would only be relevant to a niche like SOC2 security companies.

You need a list of Sales Reps at companies in Software? They'll pull it.

The only problem? You might miss loads of software companies because the company categorizes itself as an "internet" company or a "life sciences" group despite sharing common characteristics with other software companies that would be relevant based on what you sell.

You might also find that traditional data vendors can't pull the same scope of companies in your space that you care about. A good example would be small local retail stores. A traditional data vendor might not have the same depth of research available compared to what you might find if you searched a Google Maps generated directory.

Традиционные дата-вендоры работают по модели «ready to wear». Они вкладываются в поиск и закупку лучших контактных данных. Но они пытаются угодить массам. Они не могут позволить себе тратить время на создание супер-кастомных полей данных, которые были бы релевантны только нише вроде компаний в области безопасности SOC2. Нужен список Sales Reps в компаниях из сферы Software? Они его подтянут. Единственная проблема? Вы можете пропустить кучу software-компаний, потому что компания относит себя к «internet» или «life sciences», несмотря на общие характеристики с другими software-компаниями, которые были бы релевантны исходя из того, что вы продаёте. Вы также можете обнаружить, что традиционные дата-вендоры не покрывают тот же масштаб компаний в вашем пространстве, который вас интересует. Хороший пример — небольшие локальные ритейл-магазины. У традиционного дата-вендора может не быть такой же глубины ресёрча по сравнению с тем, что вы могли бы найти, поискав в каталоге, сгенерированном Google Maps.

This is where AI is making it possible for every company to have a "tailor".

Именно здесь AI делает возможным наличие «портного» у каждой компании.

AI isn't the data vendor. It's replacing work the reps are already doing.

AI — это не дата-вендор. Он заменяет работу, которую и так делают reps.

AI shouldn't be viewed as a data vendor.

AI does not just “enrich” data.
AI gives you the ability to build your own understanding of a company.

AI не стоит рассматривать как дата-вендора. AI не просто «обогащает» данные. AI даёт вам возможность построить собственное понимание компании.

You can tell an AI agent:

Вы можете сказать AI-агенту:

- Go to this site.
- Figure out if they sell B2B.
- Confirm that they're SaaS.
- Look at their customer logos. Tell me if they serve multiple industries / enterprise logos.
- Check for SOC2.
- Look at pricing. Do they offer it? Do they offer freemium?
- Look at job openings.
- Tell me how they actually go to market.

- Зайди на этот сайт. - Выясни, продают ли они B2B. - Подтверди, что они SaaS. - Посмотри на логотипы их клиентов. Скажи мне, обслуживают ли они несколько индустрий / enterprise-логотипов. - Проверь наличие SOC2. - Посмотри на ценообразование. Предлагают ли они его? Есть ли у них freemium? - Посмотри на открытые вакансии. - Расскажи мне, как они реально выходят на рынок.

This used to take a human several minutes per account.
Now it takes a few seconds.
And it can be done across thousands of companies at once.

Or for our local retail example, you can have AI crawl google maps to create a richer list of companies.

Раньше это занимало у человека несколько минут на аккаунт. Теперь — несколько секунд. И это можно делать одновременно по тысячам компаний. Или для нашего примера с локальным ритейлом — вы можете дать AI просканировать Google Maps и создать более насыщенный список компаний.

This combination is the real unlock:
AI lets you expand the TAM and sharpen it at the same time.

Эта комбинация — настоящий прорыв: AI позволяет одновременно расширять TAM и делать его точнее.

That simply has not been possible before.

Это просто не было возможно раньше.

The Highest Value Uses of AI for List Building

Самые ценные сценарии использования AI для построения списков

A lot of teams think AI is for “writing emails.” (we're pretty good at it 😏)But, we are constantly advising teams to also look at other AI powered tools to help them feed their Ora agents tighter, clearer lists.

Here are the places AI moves the needle the most.

Многие команды думают, что AI нужен для «написания писем». (мы в этом неплохи 😏) Но мы постоянно советуем командам также смотреть на другие AI-инструменты, чтобы кормить их Ora-агентов более чёткими и понятными списками. Вот области, где AI даёт наибольший эффект.

1. Validating the simple fit rules that reps check every day

1. Валидация простых правил fit, которые reps проверяют каждый день

Every company has a few binary filters that determine whether a lead is even worth looking at. Using tools like Clay, you can run AI agents against websites to validate certain characteristics about a company.

Here's an example: for Ora, we run agents on accounts to verify if they:

- Sell B2B or only B2C: We can't support a B2C usecase. So we shouldn't waste outbound on companies that are exclusively B2C.
- Are a SaaS company: this one requires some nuanced prompting to see if they likely sell with a subscription based model.

У каждой компании есть несколько бинарных фильтров, определяющих, стоит ли вообще смотреть на лида. Используя инструменты вроде Clay, вы можете запускать AI-агентов по сайтам, чтобы валидировать определённые характеристики компании. Вот пример: для Ora мы запускаем агентов по аккаунтам, чтобы проверить: - Продают ли они B2B или только B2C: мы не можем поддержать B2C-кейс. Поэтому не стоит тратить outbound на компании, которые исключительно B2C. - Являются ли они SaaS-компанией: это требует нюансного промптинга, чтобы понять, продают ли они скорее всего по subscription-модели.

These are some basic examples. But, they are both things that used to require a rep manually checking accounts. But with AI we can quickly tag and sort these companies.

Это базовые примеры. Но оба раньше требовали, чтобы rep вручную проверял аккаунты. А с AI мы можем быстро тегировать и сортировать эти компании.

Massive time savings.

Колоссальная экономия времени.

2. Pulling specific details that enable great personalization via segmentation

2. Вытягивание специфических деталей, которые дают возможность отличной персонализации через сегментацию

These can be the start to great personalized prospecting "plays". By using AI agents, you can pull hyper specific details from their website, social posts, product reviews, etc.

Это может быть началом отличных персонализированных prospecting-«плеев». Используя AI-агентов, вы можете вытягивать гипер-специфичные детали с их сайта, постов в соцсетях, отзывов на продукт и т.д.

You can use AI to scrape negative reviews, testimonials on websites, social posts about certain topics, specific terms in their privacy policy etc.

These can be used to run more segmented outbound campaigns that either pull in these attributes as segmentations (ex. reaching out to teams with bad reviews) or as specific elements in your messaging (ex. citing the specific bad review).

Вы можете использовать AI, чтобы парсить негативные отзывы, тестимониалы на сайтах, посты в соцсетях по определённым темам, конкретные термины в их privacy policy и т.д. Их можно использовать для запуска более сегментированных outbound-кампаний, которые либо подтягивают эти атрибуты как сегментации (например, обращение к командам с плохими отзывами), либо как конкретные элементы в вашем сообщении (например, цитирование конкретного плохого отзыва).

Sellers could go get these things account by account. They could run other plays when this research isn't available. Or you can take this context switching away from the seller and give them much more targeted campaigns to operate within.

Sellers могли бы собирать эти данные по каждому аккаунту вручную. Они могли бы запускать другие плеи, когда такого ресёрча нет. Или вы можете снять это переключение контекста с seller и дать ему гораздо более таргетированные кампании, в которых работать.

Some more examples we've used internally and seen others use:

Ещё несколько примеров, которые мы использовали внутри и видели у других:

есть ли у их продукта self-serve опция; указывают ли их кейс-стади на enterprise- или SMB-фокус; ссылаются ли их terms of service на что-то важное; использует ли их сайт определённый CTA

A traditional data vendors will never label these things. But, AI can supplement these vendors to help you pull nuanced data reliably and repeatedly.

Традиционные дата-вендоры никогда не разметят такие вещи. Но AI может дополнить этих вендоров, помогая надёжно и многократно вытягивать нюансные данные.

3. Tiering accounts based on how your best customers behave

3. Распределение аккаунтов по тирам на основе того, как ведут себя ваши лучшие клиенты

Sellers typically are asked to "tier" or prioritize their territory. They look at basic attributes like size, revenue, and industry and combine their bias to create completely non-standardized tiers of their accounts.

Using a "formula" you can have AI apply better rules to tier your accounts. Your best fit customers likely have a shared set of attributes, nuanced and standard. You can combine standard fields with the attributes from sections 1 and 2 above. Your best fit customers likely have a shared set of attributes, nuanced and standard. Use them to help shape this formula. Instead of a generic “Tier 1, 2, 3,” you end up with a tiering model that reflects reality.

От sellers обычно требуют «тиринга» или приоритизации их территории. Они смотрят на базовые атрибуты вроде размера, выручки и индустрии и комбинируют со своим bias, создавая совершенно нестандартизированные тиры аккаунтов. Используя «формулу», вы можете дать AI применить более качественные правила для тиринга ваших аккаунтов. У ваших best fit клиентов скорее всего есть общий набор атрибутов, нюансных и стандартных. Вы можете объединить стандартные поля с атрибутами из секций 1 и 2 выше. У ваших best fit клиентов скорее всего есть общий набор атрибутов, нюансных и стандартных. Используйте их, чтобы сформировать эту формулу. Вместо обобщённых «Tier 1, 2, 3» вы получаете модель тиринга, отражающую реальность.

This is exactly what we had to do when we launched Ora.
Ora’s best fit customers look nothing like the best fit customers for Lavender’s Email Coach. Different personas. Different team structures. Different urgency. Different deal sizes. And very different patterns in sales calls and expansion opportunities.

Именно это нам пришлось сделать, когда мы запускали Ora. Лучшие клиенты Ora совсем не похожи на лучших клиентов Lavender Email Coach. Другие персоны. Другие структуры команд. Другая срочность. Другие размеры сделок. И совсем другие паттерны в sales-звонках и возможностях расширения.

There was no vendor that could reflect that shift.
AI could. And it did. Very quickly.

Не было вендора, который мог бы отразить этот сдвиг. AI смог. И сделал. Очень быстро.

That is where the “surprising” OpenAI bill came from that inspired the blog. Not from experimentation. From clarity.

Вот откуда взялся тот «неожиданный» счёт от OpenAI, который вдохновил этот блог. Не от экспериментов. От ясности.

4. Expand your TAM

4. Расширяйте свой TAM

Data vendors might fail to have a full view of your market. A great example is if you sell to mom 'n pop retailers. Using a scrape of Google Map search results. AI can help you get a more comprehensive view of accounts that you can target.

The same can be true even if you target an industry like "SaaS" companies. They may not be covered by "SaaS" and using some of the tricks in section 1 can unlock new accounts to prospect.

Дата-вендоры могут не иметь полного обзора вашего рынка. Отличный пример — если вы продаёте мелким частным ритейлерам. Используя скрейп результатов поиска Google Maps, AI поможет вам получить более полный обзор аккаунтов, на которые можно таргетироваться. То же самое верно, даже если вы таргетируетесь на индустрию вроде SaaS-компаний. Они могут быть не покрыты категорией «SaaS», и используя некоторые приёмы из секции 1, можно открыть новые аккаунты для prospecting.

The Bottom Line

Итог

Finance might gasp because $20K AI bill feels unexpected. The old way spreads that same spend across long term contracts and inefficient manual work. You're still paying for it. You just did not see it in one place.

Финансы могут охнуть, потому что счёт в $20K за AI кажется неожиданным. Старый подход размазывает те же расходы по долгосрочным контрактам и неэффективной ручной работе. Вы всё равно за это платите. Просто не видели это в одном месте.

AI gives sales teams the ability to build a dynamic, accurate view of their market.
The result is:

AI даёт sales-командам возможность построить динамичный, точный взгляд на свой рынок. Результат:

лучшие списки; лучший таргетинг; лучшие разговоры; лучшие клиенты; лучший пайплайн

You are not spending more.
You are spending smarter.

Вы тратите не больше. Вы тратите умнее.

About the Author

Об авторе