Anpassat CRM med kunddatabas och beslutsfattare: fallstudien banchem.sk, Slovakien

Kunden kom till oss med uppgiften att bygga ett försäljningssystem skräddarsytt efter deras behov – utan prenumerationsavgift och utan funktioner som ingen skulle använda. Allt eftersom projektet fortskred växte uppgiften: en riktad databas med beslutsfattarnas kontakter behövdes också, anpassad till kundens specifika nisch.

Varje vecka publicerar författarens Telegram kanal nya fall och metoder för affärsautomation med AI. Du kan prenumerera här: t.me/promtvibeadd.

Fallstudie: banchem.sk, en slovakisk tillverkare av kemikalier för simbassänger

Kunden var banchem.sk, ett slovakiskt företag som producerar och levererar rengöringskemikalier och desinfektionsmedel, bland annat för simbassänger, till företag och privatkunder. Försäljningsledningen för projektet leddes av en ung, nyetablerad försäljningsavdelningschef med ansvar för arbetet med spacenter.

Uppgiften var enkel: ett anpassat försäljningssystem istället för en färdig tjänst. Under projektets gång utvecklades det till ett CRM-system med en inbyggd beslutsdatabas för en specifik nisch – hotellspa och spacenter som kräver poolkemikalier.

Varför kunden avvisade ett färdigt CRM-system

Standardiserade, färdiga CRM-system förkastades från början: underhåll är dyrt och månatliga betalningar uppstår oavsett om teamet använder alla tjänstens funktioner.

Vi utvecklade ett CRM-system som integrerar transaktionshantering och en riktad kundbas med beslutsfattarkontakter.

Vi pratade om ett CRM-system här, inte en webbplats, men principen är densamma: en färdig mall som inte passar din nisch är ofta dyrare än ett specialbyggt system. 1001site AI implementerar denna logik för en webbplats eller webbutik – dess AI-agent bygger den baserat på din länk eller beskrivning, vilket eliminerar månader av utveckling och byråkonton.

Frågan som förändrade arkitekturen var: ”Vem säljer vi egentligen till?”

Under varje diskussion om CRM-strukturen ställde försäljningschefen samma fråga: "Vem exakt ska vi sälja till?" Frågan var tydligt riktad inte till utvecklaren, utan till honom själv och teamet. Men det var just denna fråga som orienterade systemet kring en specifik kundprofil snarare än abstrakt transaktionsspårning.

Utvecklaren tog främst hänsyn till företagarnas önskemål – de finansierade projektet. Men försäljningschefen envisades, och slutligen uppstod en ytterligare uppgift: att sammanställa en riktad databas med direkta kontakter till beslutsfattare som en affär kunde göras med, istället för en allmän lista över företag.

Varför den "råa" databasen från ChatGPT och Claude inte fungerade

En engångsfråga till språkmodellen producerar ett utkast till lista utan validering eller urvalskriterier – otillräckligt för en fungerande försäljningsdatabas. Det är precis vad som hände i det här fallet.

En av ägarna föreslog att försäljningschefen skulle samla in en kunddatabas med hjälp av ChatGPT eller Claude. Han fullföljde uppgiften till punkt och pricka: han tog med den färdiga nedladdningen till nästa möte och analyserade omedelbart varför den var värdelös. Att arbeta med rådata slösar bort teamets resurser för verifiering och ger inga resultat utan ytterligare bearbetning.

Försäljningschefens ståndpunkt var enkel: han var villig att arbeta med en databas, men inte en som erhölls genom en enda förfrågan till en chatbot utan några urvalskriterier. Projektet krävde specialiserade betalda datakällor och anpassade poängsättningskriterier – ett separat åtagande som en enda gratis förfrågan inte kunde ersätta.

Hur beslutsfattande poängsättning byggdes för en nisch

Kundens försäljningschef utvecklade själva poängsättnings- och analyskriterierna. De är skräddarsydda för deras nischprofil, men principen gäller för alla B2B-företag med ett smalt kundsegment:

1. Definiera den ideala kundprofilen med ett specifikt attribut, till exempel ”hotell med spaavdelning” istället för den allmänna kategorin ”hotell”.
2. Leta efter indirekta profilindikatorer genom öppna data: till exempel visar jobbannonser för spaspecialister att hotellet har en spaavdelning.
3. Kolla potentiella kunders webbplatser för direkta tecken på en nisch, såsom närvaron av ett spa-område och beskrivningar av tjänster.
4. Samla beslutsfattares kontakter från specialiserade betalda datakällor – öppna kataloger ensamma räcker inte för detta.
5. Lagra kontakter och interaktionshistorik i ditt CRM tillsammans med erbjudanden så att ditt säljteam inte behöver söka efter dem separat.

Detta resulterade i ett riktat urval med direkta kontakter från beslutsfattare, vilket tillsammans med CRM-systemet blev ett fungerande säljverktyg.

Vad fick verksamheten ut av det i slutändan?

Försäljningsavdelningen slutade slösa sina resurser på slumpmässiga företag och fick ett tydligt svar på sin egen fråga "Vem säljer vi egentligen till?" – en kundprofil med direkt kontaktinformation för beslutsfattare inom CRM-systemet, utan behov av en separat databassökning. Avgiften är en engångsutvecklingsavgift, utan månadsabonnemang för att använda tjänsten.

Vem är detta tillvägagångssätt lämpligt för?

Att utveckla ditt eget CRM med en beslutsfattande databas är inte alltid praktiskt. Det är klokt om ditt företag:

• säljer till en smal B2B-nisch med en tydlig kundprofil (som banchem.sk - till spacenter och hotell med spa);
• redo att formulera kriterier för att poängsätta din publik istället för att förlita sig på en generell lista över företag;
• Jag har redan stött på att färdiga CRM-system tar betalt för funktioner som ingen använder.

För massförsäljning av B2C eller enkel ordermottagning räcker det vanligtvis med en webbplats med ett ansökningsformulär och en meddelandekanal; en dedikerad CRM-lösning är onödig. En liknande logik med "skräddarsydda system istället för en standardtjänst" är tydlig i fallstudien om redovisning för webbutiken lpkelektro.cz.

Fallstudiens författare visade upp systemet inifrån i en videorecension – där han analyserade CRM med en beslutsfattande databas och varför CRM förblir värdelöst utan en sådan databas och automatisering.

Frågor och svar

Varifrån får CRM-systemet sin databas med beslutsfattarnas kontakter, inte bara en lista över företag? Enbart en lista över företag är värdelös – den behöver nischspecifik poängsättning. Kundens försäljningschef definierade kriterierna: hotell med spa är lämpliga, andra inte. Spat söks efter på företagets webbplats och genom spaspecialisternas lediga tjänster som hotellet publicerar. Detta filter används för att sammanställa en riktad databas med direkta kontakter.

Varför inte helt enkelt bygga en sådan databas med ChatGPT eller Claude? En snabb fråga till en färdig modell ger en lista från öppna källor utan verifiering eller urvalskriterier. Ett gångbart alternativ är betalda branschdatabaser plus anpassade poängsättningskriterier: en enda fras i en AI-chatt räcker inte.

Är ett anpassat CRM dyrare än en färdig prenumerationstjänst? Det är en engångskostnad under utvecklingsfasen, men det finns ingen månadsavgift och inga moduler som ingen använder. Återkommande betalningar och onödig funktionalitet var anledningarna till att färdiga lösningar avvisades i det här fallet.

Är den här metoden lämplig för alla småföretag? Nej – den är motiverad i en smal B2B-nisch med en tydlig kundprofil, och när färdiga CRM-system tvingar kunder att betala för onödiga funktioner. För mass-B2C eller enkel beställningshantering räcker det vanligtvis med en webbplats med ett ansökningsformulär och meddelandealternativ.

Källor

• Författarens inlägg på Telegram kanalen "Affärer med AI | Genom nyckelhålet": https://t.me/promtvibeadd/447
• Kundens webbplats: https://banchem.sk/

En liknande logik fungerar för webbplatser: ett system som är skräddarsytt för din nisch istället för att hyra någon annans mall. 1001site AI – en AI-agent – skapar en webbplats eller webbutik baserat på din länk eller beskrivning på några minuter.