Brugerdefineret CRM med kundedatabase og beslutningstagere: banchem.sk casestudie, Slovakiet

Kunden kom til os med opgaven at bygge et salgsregnskabssystem skræddersyet til deres behov – uden abonnementsgebyr og uden funktioner, som ingen ville bruge. Efterhånden som projektet skred frem, voksede opgaven: der var også behov for en målrettet database over beslutningstagernes kontakter, skræddersyet til kundens specifikke niche.

Hver uge udgiver forfatterens Telegram kanal nye cases og tilgange til forretningsautomatisering med AI. Du kan abonnere her: t.me/promtvibeadd.

Casestudie: banchem.sk, en slovakisk producent af kemikalier til swimmingpools

Kunden var banchem.sk, en slovakisk virksomhed, der producerer og leverer rengøringskemikalier og desinfektionsmidler, herunder til svømmebassiner, til virksomheder og private kunder. Salgsledelsen på projektet blev ledet af en ung, nyetableret salgsafdelingsleder med ansvar for arbejdet med spacentre.

Opgaven var enkel: et brugerdefineret salgsregnskabssystem i stedet for en færdiglavet service. I løbet af projektet udviklede det sig til et CRM med en indbygget beslutningsdatabase til en specifik niche – hotelspaer og spacentre, der kræver poolkemikalier.

Hvorfor kunden afviste et færdiglavet CRM-system

Standard, færdiglavede CRM-systemer blev kasseret i starten: vedligeholdelse er dyr, og månedlige betalinger påløber uanset om teamet bruger alle tjenestens funktioner.

Vi udviklede et CRM-system, der integrerer transaktionsstyring og en målrettet kundebase med kontaktpersoner til beslutningstagere.

Vi talte om et CRM-system her, ikke en hjemmeside, men princippet er det samme: en færdiglavet skabelon, der ikke passer til din niche, er ofte dyrere end et specialbygget system. 1001site AI implementerer denne logik til en hjemmeside eller onlinebutik – dens AI-agent bygger den baseret på dit link eller din beskrivelse, hvilket eliminerer måneders udvikling og bureaukonti.

Spørgsmålet, der ændrede arkitekturen, var: "Hvem sælger vi præcist til?"

Under hver diskussion af CRM-strukturen stillede salgschefen det samme spørgsmål: "Hvem skal vi præcist sælge til?" Spørgsmålet var tydeligvis ikke rettet til udvikleren, men til ham selv og teamet. Men det var netop dette spørgsmål, der orienterede systemet omkring en specifik kundeprofil snarere end abstrakt transaktionssporing.

Udvikleren tog primært hensyn til virksomhedsejernes ønsker – de finansierede projektet. Men salgschefen insisterede, og i sidste ende opstod en yderligere opgave: at udarbejde en målrettet database med direkte kontakter til beslutningstagere, som en aftale kunne indgås med, i stedet for en generel liste over virksomheder.

Hvorfor den "rå" database fra ChatGPT og Claude ikke virkede

En engangsforespørgsel til sprogmodellen producerer en kladdeliste uden validering eller udvælgelseskriterier – ikke nok til en fungerende salgsdatabase. Det er præcis, hvad der skete i dette tilfælde.

En af ejerne foreslog, at salgschefen skulle indsamle en klientdatabase ved hjælp af ChatGPT eller Claude. Han fulgte opgaven op til punkt og prikke: Han medbragte den færdige download til det næste møde og analyserede straks, hvorfor den var nytteløs. At arbejde med rådata spilder teamets ressourcer til verifikation og giver ingen resultater uden yderligere bearbejdning.

Salgschefens holdning var enkel: Han var villig til at arbejde med en database, men ikke en database, der blev opnået gennem en enkelt anmodning til en chatbot uden udvælgelseskriterier. Projektet krævede specialiserede betalte datakilder og brugerdefinerede scoringskriterier – en separat opgave, som en enkelt gratis anmodning ikke kunne erstatte.

Hvordan beslutningsscoring blev bygget til en niche

Kundens salgschef udviklede selv scorings- og analysekriterierne. De er skræddersyet til deres nicheprofil, men princippet gælder for enhver B2B-virksomhed med et smalt kundesegment:

1. Definer den ideelle kundeprofil med en specifik attribut, for eksempel "hotel med spa-område" i stedet for den generelle kategori "hotel".
2. Led efter indirekte profilindikatorer gennem åbne data: for eksempel viser jobopslag for spa-specialister, at hotellet har en spa-afdeling.
3. Tjek potentielle kunders hjemmesider for direkte tegn på en niche, såsom tilstedeværelsen af et spa-område og beskrivelser af tjenester.
4. Indsaml beslutningstageres kontakter fra specialiserede betalte datakilder – åbne kataloger alene er ikke nok til dette.
5. Gem kontakter og interaktionshistorik i dit CRM sammen med tilbud, så dit salgsteam ikke behøver at søge efter dem separat.

Dette resulterede i en målrettet stikprøve med direkte kontakter fra beslutningstagere, som i forbindelse med CRM-systemet blev et fungerende salgsværktøj.

Hvad fik virksomheden i sidste ende?

Salgsafdelingen holdt op med at spilde sine ressourcer på tilfældige virksomheder og fik et klart svar på sit eget spørgsmål: "Hvem sælger vi præcist til?" – en kundeprofil med direkte kontaktoplysninger til beslutningstagere i CRM-systemet, uden behov for en separat databasesøgning. Gebyret er et engangsudviklingsgebyr uden et månedligt abonnement for at bruge tjenesten.

Hvem er denne tilgang egnet til?

Det er ikke altid praktisk muligt at udvikle dit eget CRM med en beslutningsdatabase. Det giver mening, hvis din virksomhed:

• sælger til en smal B2B-niche med en klar kundeprofil (som banchem.sk - til spacentre og hoteller med spaer);
• klar til at formulere kriterier for at score din målgruppe i stedet for at stole på en generel liste over virksomheder;
• Jeg har allerede oplevet, at færdige CRM-systemer opkræver penge for funktioner, som ingen bruger.

Til massesalg via B2C eller simpel ordremodtagelse er en hjemmeside med en ansøgningsformular og en beskedkanal normalt tilstrækkelig; en dedikeret CRM-løsning er unødvendig. En lignende logik om "et skræddersyet system i stedet for en standardservice" er tydelig i regnskabscasestudiet for onlinebutikken lpkelektro.cz.

Casestudiets forfatter præsenterede systemet indefra i en videogennemgang – hvor han analyserede CRM med en beslutningsdatabase, og hvorfor CRM forbliver ubrugeligt uden en sådan database og automatisering.

Spørgsmål og svar

Hvor får CRM'et sin database over beslutningstagernes kontakter fra, ikke bare en liste over virksomheder? En liste over virksomheder alene er ubrugelig – den har brug for nichespecifik scoring. Kundens salgschef definerede kriterierne: hoteller med spa er egnede, andre er ikke. Spaen søges efter på virksomhedens hjemmeside og via spa-specialisternes ledige stillinger, som hotellet slår op. Dette filter bruges til at sammensætte en målrettet database over direkte kontakter.

Hvorfor ikke bare bygge sådan en database ved hjælp af ChatGPT eller Claude? En hurtig forespørgsel til en færdiglavet model giver en liste fra åbne kilder uden verifikations- eller udvælgelseskriterier. En mulig løsning er betalte branchedatabaser plus brugerdefinerede scoringskriterier: en enkelt sætning i en AI-chat er ikke nok.

Er et brugerdefineret CRM dyrere end en færdiglavet abonnementstjeneste? Det er en engangsudgift i udviklingsfasen, men der er intet månedligt gebyr og ingen moduler, som ingen bruger. Tilbagevendende betalinger og unødvendig funktionalitet var årsagerne til at afvise færdiglavede løsninger i dette tilfælde.

Er denne tilgang egnet til alle små virksomheder? Nej – den er berettiget i en smal B2B-niche med en klar kundeprofil, og når færdige CRM-systemer tvinger kunderne til at betale for unødvendige funktioner. Til masse-B2C eller simpel ordremodtagelse er en hjemmeside med en ansøgningsformular og beskedmuligheder normalt tilstrækkelig.

Kilder

• Forfatterens opslag på Telegram kanalen "Business with AI | Through the Keyhole": https://t.me/promtvibeadd/447
• Klientens hjemmeside: https://banchem.sk/

En lignende logik fungerer for hjemmesider: et system skræddersyet til din niche i stedet for at leje en andens skabelon. 1001site AI – en AI-agent – bygger en hjemmeside eller onlinebutik baseret på dit link eller din beskrivelse på få minutter.