CRM po meri z bazo podatkov o strankah in odločevalci: študija primera banchem.sk, Slovaška

Stranka se je obrnila na nas z nalogo, da zgradimo sistem za prodajno računovodstvo, prilagojen njenim potrebam – brez naročnine in brez funkcij, ki jih nihče ne bi uporabljal. Z napredovanjem projekta se je naloga povečevala: potrebna je bila tudi ciljno usmerjena baza podatkov o stikih z odločevalci, prilagojena specifični niši stranke.

Avtorjev Telegram kanal vsak teden objavlja nove primere in pristope k avtomatizaciji poslovanja z umetno inteligenco. Naročite se lahko tukaj: t.me/promtvibeadd.

Študija primera: banchem.sk, slovaški proizvajalec kemikalij za bazene

Naročnik je bilo podjetje banchem.sk, slovaško podjetje, ki proizvaja in dobavlja čistilne kemikalije in razkužila, vključno s sredstvi za bazene, podjetjem in zasebnim strankam. Vodenje prodaje pri projektu je vodil mlad, novopečeni vodja prodajnega oddelka, odgovoren za delo s spa centri.

Naloga je bila preprosta: sistem za obračunavanje prodaje po meri namesto že pripravljene storitve. Tekom projekta se je razvil v CRM z vgrajeno podatkovno bazo za odločanje za specifično nišo – hotelske spa centre in spa centre, ki potrebujejo kemikalije za bazene.

Zakaj je stranka zavrnila že pripravljen CRM

Standardni, že pripravljeni CRM-ji so bili že na začetku zavrženi: vzdrževanje je drago, mesečna plačila pa nastanejo ne glede na to, ali ekipa uporablja vse funkcije storitve.

Razvili smo sistem CRM, ki združuje upravljanje transakcij in ciljno bazo strank s stiki z odločevalci.

Govorili smo o sistemu CRM, ne o spletni strani, vendar je načelo enako: že pripravljena predloga, ki ne ustreza vaši niši, je pogosto dražja od sistema, izdelanega po meri. 1001site AI implementira to logiko za spletno stran ali spletno trgovino – njen agent AI jo zgradi na podlagi vaše povezave ali opisa, s čimer se odpravijo meseci razvoja in agencijskih računov.

Vprašanje, ki je spremenilo arhitekturo, je bilo: "Komu točno prodajamo?"

Med vsako razpravo o strukturi CRM je vodja prodaje postavljal isto vprašanje:»Komu točno bomo prodajali?« Vprašanje očitno ni bilo naslovljeno na razvijalca, temveč nanj samega in ekipo. Vendar je prav to vprašanje sistem usmerilo okoli specifičnega profila stranke in ne okoli abstraktnega sledenja transakcijam.

Razvijalec je upošteval predvsem želje lastnikov podjetij – projekt so financirali. Toda vodja prodaje je vztrajal in na koncu se je pojavila dodatna naloga: namesto splošnega seznama podjetij sestaviti ciljno usmerjeno bazo podatkov o neposrednih stikih odločevalcev, s katerimi bi lahko sklenili posel.

Zakaj "surova" baza podatkov iz ChatGPT in Claude ni delovala

Enkratna poizvedba v jezikovnem modelu ustvari seznam osnutkov brez meril za validacijo ali izbor – kar ni zadostno za delujočo prodajno bazo podatkov. Prav to se je zgodilo v tem primeru.

Eden od lastnikov je vodji prodaje predlagal, da z uporabo ChatGPT ali Claude zbere bazo podatkov o strankah. Nalogo je opravil do potankosti: končan prenos je prinesel na naslednji sestanek in takoj analiziral, zakaj je neuporaben. Delo s surovimi podatki zapravlja vire ekipe za preverjanje in brez dodatne obdelave ne prinese rezultatov.

Položaj vodje prodaje je bil preprost: bil je pripravljen delati z bazo podatkov, vendar ne s takšno, ki bi jo pridobil z eno samo zahtevo klepetalnemu robotu brez kakršnih koli izbirnih meril. Projekt je zahteval specializirane plačljive vire podatkov in prilagojena merila za točkovanje – ločen podvig, ki ga ena sama brezplačna zahteva ni mogla nadomestiti.

Kako je bilo točkovanje odločanja zgrajeno za nišo

Vodja prodaje stranke je sam razvil merila za ocenjevanje in analizo. Prilagojena so njihovemu nišnemu profilu, vendar načelo velja za vsako podjetje B2B z ozkim segmentom strank:

1. Idealni profil stranke opredelite s posebnim atributom, na primer»hotel s spa centrom« namesto s splošno kategorijo»hotel«.
2. Posredne kazalnike profila poiščite prek odprtih podatkov: na primer, objave delovnih mest za specialiste zdravilišč kažejo, da ima hotel oddelek za zdravilišča.
3. Preverite spletna mesta potencialnih strank za neposredne znake niše, kot so prisotnost spa centra in opisi storitev.
4. Zbirajte stike odločevalcev iz specializiranih plačljivih virov podatkov – samo odprti imeniki za to niso dovolj.
5. Shranite stike in zgodovino interakcij v svojem CRM-ju skupaj s posli, da jih vaša prodajna ekipa ne bo morala iskati ločeno.

To je privedlo do ciljno usmerjenega vzorca z neposrednimi stiki z odločevalci, ki je v povezavi s CRM postal delujoče prodajno orodje.

Kaj je podjetje na koncu dobilo?

Prodajni oddelek je nehal zapravljati vire za naključna podjetja in prejel jasen odgovor na lastno vprašanje:»Komu točno prodajamo?« – profil stranke z neposrednimi kontaktnimi podatki za odločevalce znotraj CRM-ja, brez potrebe po ločenem iskanju po bazi podatkov. Pristojbina je enkratna razvojna pristojbina, brez mesečne naročnine za uporabo storitve.

Za koga je ta pristop primeren?

Razvoj lastnega CRM-ja z bazo podatkov za odločanje ni vedno praktičen. Smiseln je, če vaše podjetje:

• prodaja ozki niši B2B z jasnim profilom stranke (kot je banchem.sk - spa centrom in hotelom s toplicami);
• pripravljeni oblikovati merila za ocenjevanje občinstva namesto da se zanašate na splošen seznam podjetij;
• Že srečal sem se z dejstvom, da že pripravljeni CRM-ji zaračunavajo denar za funkcije, ki jih nihče ne uporablja.

Za množično prodajo B2C ali preprosto sprejemanje naročil je običajno zadostna spletna stran s prijavnico in kanalom za sporočanje; namenska rešitev CRM ni potrebna. Podobna logika "sistem po meri namesto standardne storitve" je očitna v študiji primera računovodstva za spletno trgovino lpkelektro.cz.

Avtor študije primera je v video pregledu predstavil sistem od znotraj – analiziral je CRM z bazo podatkov za odločanje in zakaj je CRM brez takšne baze podatkov in avtomatizacije neuporaben.

Vprašanja in odgovori

Od kod CRM dobi svojo bazo podatkov o stikih odločevalcev, ne le seznama podjetij? Seznam podjetij sam po sebi je neuporaben – potrebno je točkovanje, specifično za posamezno nišo. Vodja prodaje stranke je določil merila: hoteli s spa centrom so primerni, drugi pa ne. Spa se išče na spletni strani podjetja in prek prostih delovnih mest za specialiste spa centrov, ki jih hotel objavlja. Ta filter se uporablja za sestavljanje ciljno usmerjene baze podatkov o neposrednih stikih.

Zakaj ne bi preprosto zgradili takšne baze podatkov z uporabo ChatGPT ali Claude? Hitra poizvedba po že pripravljenem modelu prinese seznam iz odprtih virov brez preverjanja ali izbirnih meril. Izvedljiva možnost so plačljive industrijske baze podatkov in prilagojeni kriteriji točkovanja: ena sama fraza v klepetu z umetno inteligenco ni dovolj.

Je CRM po meri dražji od že pripravljene naročniške storitve? Gre za enkratni strošek v fazi razvoja, vendar ni mesečne naročnine in ni modulov, ki jih nihče ne uporablja. Ponavljajoča se plačila in nepotrebne funkcionalnosti so bili v tem primeru razlogi za zavrnitev že pripravljenih rešitev.

Je ta pristop primeren za vsako malo podjetje? Ne – upravičen je v ozki niši B2B z jasnim profilom stranke in ko že pripravljeni CRM-ji silijo stranke, da plačujejo za nepotrebne funkcije. Za množično B2C ali preprosto sprejemanje naročil je običajno dovolj spletna stran s prijavnim obrazcem in možnostmi sporočanja.

Viri

• Avtorjeva objava na Telegram kanalu»Poslovanje z umetno inteligenco | Skozi ključavnico«: https://t.me/promtvibeadd/447
• Spletna stran stranke: https://banchem.sk/

Podobna logika deluje tudi za spletna mesta: sistem, prilagojen vaši niši, namesto najema predloge nekoga drugega. 1001site AI – agent umetne inteligence – v nekaj minutah zgradi spletno mesto ali spletno trgovino na podlagi vaše povezave ali opisa.