Autonominiai potencialių klientų kvalifikavimo ir nukreipimo agentai CRM sistemose

Naujos klasės DI agentai gali autonomiškai apdoroti ir kvalifikuoti gaunamus potencialius klientus šiuolaikinėse klientų santykių valdymo (CRM) sistemose. Užuot pardavimų atstovams nagrinėjus kiekvieną užklausą, DI agentas gali priimti gaunamus potencialius klientus, papildyti jų profilius trečiųjų šalių duomenimis, įvertinti jų pirkimo tikimybę, taikyti diskvalifikavimo taisykles ir automatiškai nukreipti kvalifikuotus perspektyvius klientus tinkamam pardavėjui arba ugdymo sekai. Šie agentai integruojami į jūsų CRM ir įrankius, atlikdami įprastas užduotis, tokias kaip profilių peržiūra ir planavimas, kad žmonės pardavėjai galėtų susikoncentruoti į geriausias galimybes. Pavyzdžiui, „Microsoft Dynamics 365 Sales“ siūlo „Sales Qualification Agent“ (Pardavimų kvalifikavimo agentą), kuris tiria naujus potencialius klientus ir netgi bendrauja su jais el. paštu ar pokalbių programomis, perduodamas tik tuos potencialius klientus, kurie rodo stiprų pirkimo ketinimą (learn.microsoft.com) (learn.microsoft.com). Šis metodas sujungia greitą automatizavimą su žmogiškąja priežiūra – DI rūšiuoja ir bendrauja su potencialiais klientais, tačiau pardavėjai vis tiek priima galutinį sprendimą dėl didelio prioriteto perspektyvių klientų.

Pagrindinės DI kvalifikavimo agento galimybės

Autonominis potencialių klientų kvalifikavimo agentas atlieka kelias susijusias užduotis:

• Potencialių klientų priėmimas: Agentas automatiškai perkelia naujus kontaktus iš žiniatinklio formų, pokalbių valdiklių, el. pašto kampanijų ar renginių sąrašų į CRM. Jis gali fiksuoti detales (vardą, pavardę, įmonę, užklausos detales) ir netgi analizuoti nestruktūrizuotus duomenis (laisvos formos pranešimus), kad sukurtų ar atnaujintų potencialaus kliento įrašą. Integracija su „webhook“ ar API leidžia jam realiuoju laiku užfiksuoti kiekvieną gaunamą užklausą.

• Profilio papildymas: Naudodamas duomenų papildymo API (pvz., Clearbit, ZoomInfo, LinkedIn API), agentas užpildo trūkstamus laukus potencialaus kliento profilyje. Pavyzdžiui, jis gali rasti įmonės dydį, pramonės šaką, vadovų pavardes ar socialinius profilius pagal el. pašto domeną. Šis gausus kontekstas (firmografiniai, technografiniai duomenys) padeda DI tiksliau įvertinti potencialų klientą. Pirmaujančios DI pagrindu veikiančios CRM sistemos tai automatizuoja: pavyzdžiui, „Attio“ DI atributų variklis vienu metu papildo ir įvertina potencialius klientus, analizuodamas įmonės dydį, el. pašto veiklą, kalendoriaus kvietimus ir kt. (www.techradar.com).

• Ketinimo vertinimas: Agentas įvertina potencialaus kliento susidomėjimo lygį arba pirkimo ketinimą. Naudodamas taisykles arba mašininio mokymosi modelius, jis analizuoja duomenų taškus, tokius kaip šaltinis (pvz., internetinis seminaras vs. naujienlaiškis), svetainės elgesys, formų atsakymai ar net pranešimo tonas. Nuspėjamieji modeliai (pvz., „Salesforce Einstein“ arba „Zoho Zia“) kiekvienam potencialiam klientui priskiria potencialaus kliento balą, nurodantį, kokia tikimybė, kad jie konvertuosis (www.techradar.com). DI taip pat gali užduoti tyrimo klausimus per pokalbį ar el. paštą ir naudoti natūralios kalbos apdorojimą skubumui įvertinti. B2B sektoriuje ji gali taikyti standartines sistemas (BANT/MEDDIC) realiuoju laiku; B2C sektoriuje ji gali aptikti pagrindinius pirkimo signalus (pvz., kainos užklausas ar bandomųjų važiavimų prašymus).

• Diskvalifikavimo patikros: Sistema filtruoja potencialius klientus, kurie akivaizdžiai neatitinka jūsų tikslinės grupės arba pažeidžia taisykles. Pavyzdžiui, ji gali automatiškai diskvalifikuoti potencialų klientą, jei įmonė yra konkurentė, jei neatitinka biudžeto kriterijų arba jei vietiniai įstatymai draudžia kontaktą. Taip pat taikomi privatumo ir atitikties filtrai – pavyzdžiui, tikrinant „Neskelbti skambučių“ sąrašus arba GDPR žymas. „Microsoft“ agente, potencialūs klientai, kurie neatitinka kriterijų arba neturi ketinimo, automatiškai atmetami, užtikrinant, kad pardavimų komanda tvarkytų tik didelio potencialo galimybes (learn.microsoft.com).

• Nukreipimas ir eiliškumas: Kvalifikuoti potencialūs klientai priskiriami tinkamam pardavimų atstovui, komandai arba automatinio tolesnio veiksmų sekos. Nukreipimai gali būti nustatomi pagal geografiją, produktų liniją, sandorio dydį ar atstovo prieinamumą. Pavyzdžiui, karštas gaunamas potencialus klientas iš didelės įmonės gali būti nukreiptas tiesiai į įmonių verslo vadybininką, o mažesni potencialūs klientai patenka į automatinę el. pašto ugdymo eigą. Agentas gali atnaujinti CRM potencialaus kliento savininką ir net pranešti atstovams el. paštu ar „Slack“. Jei potencialus klientas užsako susitikimą (žr. toliau), agentas sinchronizuoja jį su atstovo kalendoriumi. Kai kurios sistemos naudoja „round-robin“ paskirstymą arba darbo krūvio balansavimą, kad tolygiai paskirstytų potencialius klientus, užkertant kelią „butelio kakliams“.

• Kalendoriaus ir susitikimų nustatymas: Kai potencialus klientas išreiškia susidomėjimą, agentas gali pagreitinti planavimą. Jis gali pasiūlyti susitikimo laikus naudodamas tokius įrankius kaip „Calendly“ ar „Microsoft Bookings“ arba net pats išsiųsti kalendoriaus kvietimus. Pavyzdžiui, draudimo agento DI gali parašyti perspektyviam klientui: „Esu laisvas trečiadienį 15 val. arba ketvirtadienį 11 val. – kas jums tinka?“ ir tada automatiškai užsakyti susitikimą. Integracijos su „Google“ / „Outlook“ kalendoriumi užtikrina, kad nebūtų dvigubų užsakymų. Tai sumažina „tuščio eterio“ laiką ir padeda atstovams greičiau pradėti bendrauti su potencialiais klientais.

Šios susijusios galimybės paverčia CRM aktyviu pardavimų proceso valdytoju, o ne tik pasyvia duomenų baze. Užuot palikus potencialius klientus „neaktyvius CRM sistemoje“, DI agentas užtikrina, kad kiekviena užklausa būtų visiškai apdorota su minimaliu vėlavimu. Kaip pažymi „Microsoft“, tai leidžia pardavėjams „greičiau ir efektyviau kvalifikuoti potencialius klientus“, prioritetizuojant jų bendravimą su karščiausiais potencialiais klientais (learn.microsoft.com) (learn.microsoft.com).

Integracijos su CRM ir API

Autonominiai agentai priklauso nuo kelių sistemų sujungimo:

• CRM integracija: Agentas jungiasi prie jūsų CRM platformos („Salesforce“, „HubSpot“, „Dynamics“ ir kt.) per API arba įmontuotus jungiklius. Jis stebi gaunamus įrašus (naujus potencialius klientus, kontaktų formas ir kt.) ir atgal įrašo kvalifikacijos būseną, balus ir savininkų priskyrimus. Pavyzdžiui, „Salesforce Einstein“ ir „Freshworks Freddy“ apsiriboja vertinimu CRM prietaisų skydeliuose (www.techradar.com), tačiau išorinis agentas gali naudoti CRM API užduotims kurti ar laukams atnaujinti. Geri sprendimai registruoja kiekvieną veiksmą CRM sistemoje auditui.

• Papildymo API: Norėdamas papildyti profilius, agentas kreipiasi į išorines duomenų paslaugas. „Clearbit“, „ZoomInfo“, „Lusha“ arba „ZoomInfo Enrich“ gali grąžinti firmografinius ir kontaktinius duomenis. Gali būti patvirtintos demonstracinės paskyros arba darbo el. pašto adresai. Šie API iškvietimai taip pat vyksta „užkulisiuose“ – pavyzdžiui, „ZoomInfo“ turi API, kuri randa įmonės detales pagal el. pašto domeną. Agentas gali sudaryti eilę lėtesniems papildymams arba atlikti juos pagal poreikį prioritetiniams potencialiems klientams. Idealiu atveju, dešimtys laukų (pareigos, įmonės pajamos, technologijų paketas) yra automatiškai užpildomi, kad sprendimų priėmimo modelis gautų pakankamai signalų.

• Kalendoriaus / el. pašto sistemos: Integracija su planavimo įrankiais yra labai svarbi. Agentai dažnai jungiasi prie „Google“ arba „Microsoft Exchange“ kalendorių per API arba naudoja planavimo platformas („Calendly“, „Chili Piper“). Kai potencialus klientas sutinka susitikti, agentas įrašo kalendoriaus įvykį atstovo kalendoriuje. Norėdama platinti pranešimus, DI gali naudoti įmonės SMTP/pašto sistemą šabloniniams arba DI generuojamiems el. laiškams siųsti. Ji taip pat gali registruoti el. laiškų atidarymus ir atsakymus (per CRM ar trečiųjų šalių stebėjimo įrankius), kad nustatytų įsitraukimą.

• Pranešimų ir užduočių įrankiai: Realaus laiko įspėjimams ir koordinavimui agentai gali siųsti pranešimus į „Slack“, „Microsoft Teams“ arba SMS žinutėmis. Pavyzdžiui, agentas gali @paminėti atstovą „Slack“ su naujo potencialaus kliento santrauka, kai gaunamas potencialus klientas yra kvalifikuotas. Užduočių valdymo įrankiai („Asana“, „Trello“) taip pat gali būti atnaujinami. Tai užtikrina, kad joks potencialus klientas nepaslystų dėl CRM dėmesio trūkumo.

• Valdymas ir verslo taisyklės: Agentai vadovaujasi iš anksto nustatytomis verslo taisyklėmis. Jos apima, kokius potencialius klientus priimti (minimalus įmonės dydis, geografija), kaip interpretuoti ketinimus ir patvirtinimo darbo eigą. Pavyzdžiui, įmonė gali reikalauti, kad bet kuris potencialus klientas, turintis didelį sandorio dydį, gautų vadovybės patvirtinimą prieš priskyrimą. Arba agentas gali būti sukonfigūruotas neįprastus atvejus perduoti žmogiškojo prižiūrėtojo kanalui. Visi veiksmai turėtų būti registruojami atitikčiai užtikrinti. Masačusetso generalinio prokuroro duomenimis, DI sistemos vis tiek turi atitikti galiojančias vartotojų apsaugos, sąžiningumo ir nediskriminavimo taisykles (apnews.com) (apnews.com), todėl agentai turėtų būti skaidrūs, kodėl potencialus klientas buvo kvalifikuotas ar diskvalifikuotas, ir vengti neaiškių „juodosios dėžės“ atmetimų.

Veiklos matavimas

Metrikos yra labai svarbios, siekiant užtikrinti, kad agentas teiktų pridėtinę vertę. Pagrindiniai rodikliai apima:

• Greitis iki potencialaus kliento: Tai laikas nuo potencialaus kliento atsiradimo iki pirmo pardavimų kontakto. Greitesni atsakymai žymiai padidina konversiją. Klasikinis tyrimas parodė, kad paskambinus naujai atsiradusiam B2B potencialiam klientui per vieną minutę, konversijos rodikliai išaugo beveik 4 kartus, palyginti su lėtesniais atsakymais (www.marketingcharts.com). Kita analizė parodė, kad susisiekimas per 5 sekundes davė 30% didesnį kvalifikacijos rodiklį nei vidutiniškai, o net 1–2 minučių vėlavimas smarkiai sumažino šį pranašumą (www.marketingcharts.com). Praktiškai, jei jūsų agentas susisiekia su „karštais“ potencialiais klientais per kelias sekundes (naudojant momentinį el. laišką ar pokalbio žinutę), šie potencialūs klientai yra daug labiau linkę įsitraukti ir konvertuotis, nei jei atstovai tai darytų po kelių valandų. Todėl greitis iki potencialaus kliento yra pagrindinis šių sistemų KPI.

• Konversijos į galimybę (užbaigimo) rodiklis: Tai matuoja, kokia dalis potencialių klientų tampa pardavimų galimybėmis ar sandoriais. Tai atskleidžia, ar DI teisingai filtruoja didelio potencialo potencialius klientus. Pavyzdžiui, gerai sukalibruota kvalifikacija gali duoti 5–15% potencialaus kliento konversijos į galimybę rodiklį B2B sektoriuje. (Gaunamų potencialių klientų konversija į galimybę dažnai būna žema, dviženklė (www.cubeo.ai).) Stebint tai matoma, ar DI yra per griežta, ar per atlaidi. Jei konversija per maža, kriterijai gali būti per griežti; jei potencialūs klientai užplūsta pardavimus be rezultatų, kriterijai gali būti per laisvi.

• Nukreipimo tikslumas: Tai yra potencialių klientų, priskirtų tinkamam atstovui/komandai pirmu bandymu, dalis. Didelis tikslumas (pvz., virš 95%) reiškia, kad taisyklės (teritorija, patirtis ir kt.) yra gerai nustatytos. Jei daug potencialių klientų reikia perskirstyti po to, kai atstovas juos atmeta, gali reikėti koreguoti nukreipimo logiką. Kai kurios sistemos matuoja perskirstymų ar ginčų skaičių, kurį atlieka atstovai, kaip nukreipimo tikslumo rodiklį. Reguliarūs auditai arba atstovų atsiliepimai (žr. toliau) taip pat atskleidžia neatitikimus.

• Pardavimų atstovų pasitenkinimas: Nors subjektyvus, tai yra svarbu. Atstovai turėtų jausti, kad DI jiems padeda, o ne siunčia nepageidaujamus laiškus. Pasitenkinimas gali būti matuojamas apklausomis (pvz., potencialių klientų paskirstymo sistemos „Net Promoter Score“) arba elgesio užuominomis. Pavyzdžiui, jei atstovai dažnai atmeta arba ignoruoja DI kvalifikuotus potencialius klientus, tai rodo nepasitikėjimą. Tikslai gali būti „<10% kvalifikuotų potencialių klientų atmetama atstovų“ ar panašiai. Paskirstymo teisingumas (net ir darbas tarp atstovų) taip pat daro įtaką moralei. Akademinių tyrimų duomenimis, darbo krūvio sąžiningumo suvokimas daro įtaką pardavėjų pasitenkinimui (ir veiklos rezultatams) (www.tandfonline.com). Todėl labai svarbu, kad agentas teisingai keistų potencialius klientus arba įterptų taisykles, kad subalansuotų kvotas.

• Verslo rezultatai: Galiausiai, galima stebėti platesnius KPI, tokius kaip galimybių laimėjimo rodiklis, sandorio dydis ar pardavimo ciklo trukmė, siekiant nustatyti, ar pagerėja bendras pardavimų piltuvėlio efektyvumas po DI agento įdiegimo. Gerai veikiantis agentas turėtų padidinti potencialių klientų, virstančių susitikimais ir sandoriais, procentą, net jei bendras tvarkomų potencialių klientų skaičius yra mažesnis (nes diskvalifikuotas „šlamštas“ yra filtruojamas).

B2B ir B2C modeliai

B2B kontekstas: Verslo verslui (B2B) aplinkoje potencialūs klientai dažnai atstovauja įmonėms ar sprendimų priėmėjams. Pirkimo procesas yra ilgesnis ir didesnės vertės. DI agentas gali integruotis tiek su rinkodaros automatizavimu (gaunamosioms kampanijoms), tiek su pardavimų jėgos automatizavimu. Jis gali tvarkyti kelis potencialius klientus iš tos pačios sąskaitos, tikrinti firmografinius duomenis (įmonės dydį, pramonę, technologijų paketą) ir suprasti vaidmenų hierarchijas. B2B agentai taip pat dažnai pabrėžia sąskaita pagrįstus signalus: jei potencialus klientas užsiregistruoja iš tikslinės sąskaitos, jis gali gauti iškart aukštą balą. Pavyzdys: programinės įrangos įmonė gali naudoti agentą renginių registracijoms (internetiniams seminarams) nuskaityti, registruotojo „LinkedIn“ profilį papildyti, kvalifikuoti pagal įmonės metines pasikartojančias pajamas (ARR), tada perduoti „karštus“ potencialius klientus įmonės vadybininkui. B2B agentai dažnai integruojasi su „LinkedIn Sales Navigator“ arba „Data.com“, kad gautų gilesnių įmonės įžvalgų.

B2C kontekstas: Vartotojų rinkose potencialūs klientai ateina iš daug didesnės auditorijos ir paprastai už mažesnę kainą už pardavimą. Čia greitis ir apimtis yra dar svarbesni. Pavyzdžiui, automobilių atstovybė, naudojanti DI, gali akimirksniu išsiųsti SMS arba paskambinti kiekvienam internetiniam potencialiam klientui 24 valandas per parą, 7 dienas per savaitę, užduodama keletą kvalifikacinių klausimų (pvz., „Kuriuo modeliu domitės? Kada galite išbandyti?“), ir tada užsakyti susitikimą, jei potencialus klientas yra tikras. Kriterijai gali būti paprastesni (vieta, amžius, pagrindinis finansinis patikrinimas). B2C agentai gali labiau pasikliauti daugiakanaliu pranešimų siuntimu (SMS, pokalbių robotai svetainėse, „WhatsApp“), nes vartotojai tikisi greitų atsakymų. Jie taip pat dažnai integruojasi su vartotojų kredito ar atitikties API foniniams patikrinimams. Pavyzdžiui, QualifLeads.ai (draudimo automatizavimo startuolis) teigia, kad per 30 sekundžių išsiunčia SMS kiekvienam gaunamam draudimo perspektyviam klientui ir suplanuoja susitikimus, kai jie yra kvalifikuoti.

Nepaisant skirtumų, pagrindinė darbo eiga yra panaši. B2C agentas gali būti labiau orientuotas į pokalbius (nes pokalbių apimtis yra didžiulė), o B2B agentas gali sutelkti dėmesį į daugelio suinteresuotųjų šalių darbo eigą (pvz., įspėti įmonės generalinį direktorių ir pardavimų viceprezidentą, kai gaunamas didelis potencialus klientas). Abu turi vykdyti valdymo taisykles – net B2C turi filtruoti potencialius klientus (pvz., išbraukti ar žaidimų registracijas) – ir laikytis privatumo įstatymų (BDAR, CCPA), kurie taikomi bet kokiame kontekste (www.techradar.com).

Kurti ar pirkti

Organizacijos turi rinktis tarp iš anksto sukurto sprendimo pirkimo (arba naudojant integruotas CRM funkcijas) ir individualaus agento kūrimo.

• Pirkti: Daugelis pagrindinių CRM tiekėjų dabar siūlo potencialių klientų kvalifikavimo DI. „Microsoft Dynamics 365 Sales“ turi pardavimų kvalifikavimo agentą (kaip minėta) automatiniam potencialių klientų kvalifikavimui. „Salesforce“ siūlo Einstein potencialių klientų vertinimą automatiniam vertinimui „Sales Cloud“ viduje (www.techradar.com). „HubSpot“ CRM turi DI pagrindu veikiančius el. pašto šablonus ir papildymą („HubSpot Breeze“). Specializuoti tiekėjai, tokie kaip Patagon.ai, Luron AI, Reactiv Labs arba 11x.ai, teikia paruoštus potencialių klientų skambinimo / pokalbių robotų agentus. Pirkimas reiškia greitesnį nustatymą (tiekėjas pasirūpino DI ir integracija) ir įtrauktą palaikymą. Tačiau standartiniai įrankiai gali trūkti lankstumo. Pavyzdžiui, bendras įrankis gali netvarkyti jūsų unikalios produktų linijos arba praleisti svarbų patvirtinimo etapą. Licencijavimo išlaidos gali būti didelės, o pritaikymas gali apsiriboti konfigūracijos panelėmis.

• Kurti: Naudodama tokias platformas kaip GPT-4 (per API) ar individualias mašininio mokymosi (ML) sistemas, įmonė galėtų sukurti savo agentą. Tai suteikia maksimalią kontrolę ir galimybę pritaikyti kiekvieną taisyklę ir duomenų šaltinį. Pavyzdžiui, komanda galėtų sukurti daugiapakopę „agento darbo eigą“, kurioje didelių kalbos modeliai (LLM) analizuoja potencialių klientų el. laiškus, kreipiasi į papildymo API („Clearbit“), tikrina individualų vertinimo modelį ir iškviečia kalendoriaus API susitikimams planuoti. Atvirojo kodo įrankių rinkinys (pvz., „Airbyte“ duomenims, „LangChain“ orkestravimui) daro tai įmanomu. Kompromisas: sukurti agentą veikiančią DI įmonės viduje yra sudėtinga ir reikalauja daug resursų. Tam reikia duomenų mokslo žinių, kruopštaus testavimo ir nuolatinės ML modelių bei API raktų priežiūros. Tai taip pat gali užtrukti mėnesius.

Hibridinis požiūris yra dažnas: naudoti CRM įmontuotą DI vertinimą ir papildymą, bet pritaikyti nukreipimo logiką su mažo kodo įrankiais („Zapier“, „n8n“, „Salesforce Flows“). Arba pradėti nuo įsigytos CRM+DI ir laipsniškai plėsti rašant individualų kodą ar prijungiant naujas API. Klausimas „kurti ar pirkti“ dažnai priklauso nuo duomenų kontrolės ir srities specifikos. Jei jūsų pardavimų procesas turi labai unikalių kriterijų (pvz., gausi techninė kvalifikacija), pritaikymas gali būti vertas. Priešingu atveju, standartinio sprendimo naudojimas pagreitina vertės gavimą.

Apsaugos priemonės: šališkumas, privatumas ir valdymas

Automatizuojant potencialių klientų sprendimus, būtinos etinės ir privatumo apsaugos priemonės. DI modeliai, apmokyti istoriniais duomenimis, gali netyčia išmokti nepageidaujamo šališkumo (pvz., pirmenybę teikti potencialiems klientams, kurie „atrodo panašiai“ į buvusius pirkėjus). Siekiant tai sušvelninti, reikėtų:

• Auditas ir stebėjimas: Reguliariai peržiūrėkite, kokias savybes ar signalus DI naudoja potencialiems klientams kvalifikuoti. Jei ji pradeda neteisingai teikti pirmenybę vienai demografinei grupei ar regionui, pažymėkite tai. Tokie metodai kaip kontrafaktinis testavimas (pvz., pašalinkite saugomus atributus ir pažiūrėkite, ar sprendimai pasikeičia) gali padėti patikrinti sąžiningumą. Iš tiesų, reguliavimo institucijos įspėjo, kad net netyčinis DI šališkumas gali pažeisti nediskriminavimo įstatymus (apnews.com). Šiuolaikiniai tyrimai (pvz., „ParaBANT“ modelis) nagrinėja adaptyvius metodus, skirtus atsispirti šališkumui potencialių klientų vertinimo algoritmuose.

• Žmogus procese (Human-in-the-Loop): Įtraukite žmones į pagrindinius sprendimus. Net ir daugiausia autonominis agentas gali reikalauti vadovo patvirtinimo, kad būtų diskvalifikuotas didelės vertės potencialus klientas. Kaip pažymi vienas ekspertų apibendrinimas, agento darbo eiga yra patikimiausia, kai DI tvarko įprastus veiksmus, o žmonės peržiūri svarbiausius sprendimus (www.techradar.com). Pavyzdžiui, jei DI atmeta potencialų klientą, nes jis „neatitinka kriterijų“, atstovas gali atlikti greitą peržiūros veiksmą CRM sistemoje, kad prireikus pakeistų sprendimą. Tai apsaugo nuo to, kad DI išmoktų netinkamų modelių.

• Paaiškinamumas ir skaidrumas: Registruokite, kaip DI apskaičiavo potencialių klientų balus. Jei potencialus klientas paklaus, „Kodėl su manimi nesusisiekė?“ arba to reikalauja atitikties auditas, turėtumėte galėti atsekti logiką (net jei tai ML modelis, funkcijos turėtų būti tikrinamos). Kai kurie įrankiai leidžia pridėti pastabas prie kiekvieno automatinio veiksmo. Skaidrumas didina pasitikėjimą tarp atstovų ir klientų.

• Duomenų privatumas ir atitiktis: CRM potencialūs klientai turi asmens duomenis, todėl DI agentai privalo laikytis privatumo įstatymų. Tokie reglamentai kaip BDAR (ES) ir CCPA (Kalifornija) jau reikalauja griežto asmens duomenų tvarkymo (www.techradar.com). Tai reiškia:

  • Naudoti tik teisėtai surinktus duomenis (pvz., negauti papildomos informacijos be sutikimo).
  • Sumažinti saugomų duomenų kiekį ir ištrinti įrašus, kai to reikalaujama.
  • Apsaugoti duomenis perdavimo ir saugojimo metu (CRM tiekėjai siūlo šifravimą).
  • Registruoti prieigą prie jautrių duomenų.
  • Jei išorinis pranešimų siuntimas yra automatizuotas, laikytis atsisakymų (pvz., prenumeratos atsisakymų, „Neskelbti skambučių“ sąrašų).

  Kai kurios šiuolaikinės CRM sistemos net žymi tam tikrus laukus kaip „jautrius duomenis“, kad blokuotų DI prieigą. Pavyzdžiui, „HubSpot“ leidžia pažymėti laukus, tokius kaip sveikatos informacija ar finansiniai duomenys, kaip jautrius, kad automatizavimas jų nenaudotų (www.hubspot.jp). Užtikrinti, kad jūsų DI agentas papildytų duomenis tik iš viešųjų arba sutartinių šaltinių, yra labai svarbu.

• Vartotojų apsaugos įstatymai: Be bendrųjų privatumo įstatymų, kai kuriose vietose galioja ir specialios taisyklės. Masačusetse (ir daugelyje JAV valstijų) esami vartotojų apsaugos ir antidiskriminacijos įstatymai jau taikomi DI (apnews.com). Pardavimų DI negali būti tiesiog „išmesta į laukinę gamtą“ – techninės komandos privalo dokumentuoti atitiktį. Pavyzdžiui, jei potencialus klientas kvalifikuojamas bendraujant su pokalbių robotu, robotas turėtų prisistatyti (įsilaužimo įstatymai kai kuriuose regionuose reikalauja, kad robotai prisistatytų). Tokie reglamentai kaip būsimas ES DI aktas gali nustatyti papildomas skaidrumo ir rizikos kontrolės priemones DI agentams.

Apibendrinant, apsaugos priemonės apima tiek technines priemones (stebėjimą, privatumo principu pagrįstą dizainą (www.techradar.com)), tiek organizacines politikas (DI peržiūros tarybas, pardavimų etikos mokymus). Teisingai įdiegta, DI kvalifikacija gali būti greitesnė ir teisingesnė nei rankiniai procesai; tačiau ji turi būti integruota į bendrą pasitikėjimo sistemą.

Išvada ir ateities kryptys

Autonominiai potencialių klientų kvalifikavimo ir nukreipimo agentai gali paversti pardavimų CRM iš pasyvios duomenų bazės į proaktyvų paklausos generavimo variklį. Priimdami kiekvieną gaunamą užklausą, papildydami profilius, vertindami ketinimus, diskvalifikuodami netinkamus perspektyvius klientus ir nukreipdami tik geriausius potencialius klientus, šie DI agentai padeda įmonėms greičiau reaguoti ir pagerinti pardavimų piltuvėlio kokybę. Matėme, kaip rodikliai tai patvirtina: pavyzdžiui, greičio iki potencialaus kliento pagerėjimas sekundėmis gali beveik keturis kartus padidinti konversijos rodiklius (www.marketingcharts.com). Pagrindiniai sėkmės rodikliai apima atsakymo laiką, kvalifikuotų galimybių konversijos rodiklius, nukreipimo tikslumą ir galiausiai pardavimų rezultatus.

Tiek B2B, tiek B2C sektoriuose modeliai skiriasi – didelio kontakto, į kliento sąskaitą orientuoti procesai įmonių pardavimuose, palyginti su didelio kiekio, greito atsako poreikiais vartotojų versle – tačiau abu gauna naudos iš tos pačios pagrindinės agento architektūros. Dabartiniai rinkos sprendimai („Salesforce Einstein“, „Dynamics 365 Sales Agent“, „Freshworks Freddy“ ir nišiniai žaidėjai, tokie kaip „Patagon“, „11x.ai“, „Luron“) patenkina daugelį poreikių. Tačiau lieka spragų. Pavyzdžiui, nedaugelis pasiūlymų sklandžiai derina daugiakanalę komunikaciją (el. paštu/pokalbiais/balsu) su patikimu paaiškinamumu ir atviru pritaikymu. Verslininkai galėtų sukurti agentinę platformą, kuri lengvai integruojasi su bet kuria CRM, palaiko žmogiško perdavimo taisykles ir atitikties patikras iš karto, ir teikia skaidrias prietaisų skydelius, paaiškinančius, kodėl kiekvienas potencialus klientas buvo įvertintas ar atmestas. Atsakingų DI principų įdiegimas nuo pirmos dienos – įskaitant griežtą šališkumo testavimą ir duomenų privatumo apsaugos priemones (www.techradar.com) (apnews.com) – išskirtų tokį sprendimą.

Artimiausioje ateityje tikimės daugiau „no-code DI agentų“ kūrėjų, kurie leis pardavimų komandoms apibrėžti kvalifikavimo darbo eigą naudojant natūralią kalbą (kaip didelių DI modelių agentai). Iki tol organizacijos turėtų įvertinti, ar pirkti esamą DI varomą CRM modulį, ar sukurti pritaikytą agentą su šiuolaikinėmis API. Bet kuriuo atveju, tikslas yra aiškus: užfiksuoti kiekvieną potencialų klientą, neeikvojant atstovo laiko. Turint tinkamas technologijas ir valdymą, autonominis pardavimų agentas gali būti pirmasis reaguojantis, kuris užklausas paverčia galimybėmis – nuosekliai ir atsižvelgiant į reikalavimus.