Tekoäly myyntityössä: mitä prospektointiagentti tarvitsee, jotta se löytää oikeat yritykset

Kirjoitin aiemmin siitä, mitä tekoälyagentit tekevät markkinoinnissa. Markkinoinnissa agentti pärjää yllättävän pitkälle, koska se työskentelee aineistolla, joka on jo olemassa: omat kanavat, oma data, oma ääni. Myyntityössä, ja etenkin prospektoinnissa, tilanne on toinen. Siinä agentin pitäisi tietää jotain sellaisesta maailmasta, jota se ei ole koskaan nähnyt.

Opin tämän kantapään kautta

Olen rakentanut omassa prospektointityössäni listoja Clayn ja kielimallien yhdistelmällä. Parista sadasta yrityksestä ehkä 10–30 % oli tavalla tai toisella pielessä: mukana oli toimintansa lopettaneita yrityksiä, isompien konsernien tytäryhtiöitä, jotka eivät oikeasti istuneet kriteereihin, ja ihan suoria virheitäkin. Maksullistenkin rikastustyökalujen data heitti välillä. Listan joutui käymään käsin läpi, ja silti huonoja rivejä valui CRM:ään asti. Sinne ne myös jäivät.

Tuo osuus ei kuulosta isolta, ennen kuin laskee, mitä se tekee ketjun seuraavissa vaiheissa.

Miksi 20–30 % väärin rikkoo koko järjestelmän

Agenttisissa myyntijärjestelmissä vaiheet nojaavat toisiinsa. Yrityslistani synkattiin automaattisesti LinkedIn-mainonnan kohdennuksiin, joten jokainen listalle eksynyt ICP:n ulkopuolinen jättiyritys poltti mainosbudjettia ihan itsekseen. Sekvensseihin päätyneet väärät osoitteet tulivat takaisin bounsseina, ja bounssit syövät toimitettavuutta. Ja myyjän aikaa kului tileihin, joihin ei olisi pitänyt koskea alun perinkään. Huono rivi ei siis jää paikoilleen, vaan jokainen seuraava vaihe työntää sitä eteenpäin.

Tutkimus antaa tälle numerot, jotka istuvat omiin havaintoihini ikävän hyvin. B2B-yhteystiedot vanhenevat HubSpotin ja MarketingSherpan klassisen luvun mukaan noin 2,1 % kuukaudessa eli reilut 22 % vuodessa, ja Gartnerin arvio liikkuu kolmen prosentin kuukausivauhdissa. Vaikka lista olisi tänään puhdas, se ei siis pysy sellaisena. Kielimalli ilman tietolähdettä on vielä oma lukunsa: ilman ulkoista lähdettä mallit keksivät faktatehtävissä merkittävän osan vastauksistaan, minkä HALoGEN-tutkimus mittasi tehtävätyypeittäin.

Kallein menetys ei silti näy näissä luvuissa. Yritykset, joista dataa on vaikeinta saada, saavat myös vähiten myyntiviestejä. Juuri niiden tavoittaminen olisi arvokkainta, koska kukaan muukaan ei niitä tavoita, ja juuri ne huono data pudottaa listalta ensimmäisenä.

Näin teen sen nyt

Nykyisen järjestelmäni rakensin sen ympärille, että pohjadata on kunnossa ja rikastus tulee sen päälle.

• Prospektipooli pisteytetään skriptillä, ja CRM on ainoa totuus. Rivi on joko siellä tai sitä ei ole olemassa.
• Rikastussignaalit hakevat rakentamani agentit: ketkä ovat käyneet verkkosivuilla (Leadfeederin ja Dreamdatan kaltaisilla työkaluilla nähtynä), ketkä ovat tykänneet tai kommentoineet LinkedIn-sisältöjäni, ja mikä kiinnostavinta, ketkä ovat aktiivisia kilpailijoiden postauksissa.
• Jokaisen viestin lähetän itse. Agentit lukevat, pisteyttävät ja luonnostelevat, mutta ulos ei lähde mitään ilman minua.

Tietolähde kytketään samalla tavalla kuin muutkin työkalut

Kun kirjoitin agentin neljästä osasta (tavoite, konteksti, työkalut ja silmukat tarkistuspisteineen), työkalut-kohta jäi itsellänikin liian kapeaksi: julkaisurajapinnat, analytiikka, saapuvat viestit.

Tietolähteet kuuluvat samaan listaan, ja prospektoinnissa ne ovat listan tärkein kohta. MCP:n myötä lähteen kytkeminen on konfiguraatiota eikä integraatioprojekti: esimerkiksi Clevenion MCP-palvelin tuo suomalaiset yritys- ja päättäjätiedot agentin haettavaksi, jolloin agentti voi hakea toimialan, kokoluokan ja sijainnin mukaan ja saada takaisin rivejä, jotka ovat peräisin rekisteristä eivätkä mallin muistista.

Ero kuulostaa tekniseltä, mutta se on isompi. Ilman lähdettä agentti tuottaa tekstiä, joka näyttää datalta. Lähteen kanssa se hakee dataa ja osaa kertoa, mistä se tuli.

Mistä kannattaa aloittaa

Tämä järjestys on toiminut minulla, ja pienestä aloittaminen on halvin tapa oppia, mihin omaan dataan voi luottaa.

1. Kytke yksi lähde ennen kuin rakennat mitään muuta. Kysy siltä muutama kysymys, joiden vastaukset tiedät valmiiksi. Näet heti, vastaako se oikein.
2. Anna agentille lupa sanoa ei. Jos haku ei tuota tulosta, agentin pitää sanoa se ääneen. Muuten se täyttää aukon itse, ja se on juuri se tilanne, johon nämä kokeilut kaatuvat.
3. Pyydä lukumäärä ennen listaa. “Montako yritystä täyttää nämä kriteerit” on halpa kysymys, ja vastaus paljastaa heti, onko rajaus järkevä. Kolme osumaa ja yhdeksäntuhatta osumaa tarkoittavat molemmat, että kriteerit ovat pielessä.
4. Automatisoi vasta sitten. Kun haku toimii käsin, sen ympärille voi rakentaa silmukan.

Mitä tämä ei ratkaise

Agentti, joka löytää oikeat yritykset, ei vielä myy mitään. Lista on prospektoinnin se osa, joka aidosti automatisoituu, koska se on pohjimmiltaan hakuongelma. Viestin kärki, ajoitus ja itse keskustelu ovat edelleen ihmisen työtä, enkä ole nähnyt näyttöä siitä, että tämä olisi lähiaikoina muuttumassa. Mutta kun listaan ei enää pala päiviä, se aika siirtyy juuri niihin.