Using AI to Build Prospecting Lists

Использование AI для построения списков prospecting

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

«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.

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.

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

«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.

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.

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

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

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

Вы можете сказать AI-агенту:

- 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.

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.

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

Это просто не было возможно раньше.

Самые ценные сценарии использования AI для построения списков

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. Валидация простых правил fit, которые reps проверяют каждый день

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.

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

Колоссальная экономия времени.

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

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.

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 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.

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

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

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

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.

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.

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

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

4. Расширяйте свой TAM

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.

Итог

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

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

Вы тратите не больше. Вы тратите умнее.

Об авторе