Jak zwiększyliśmy sprzedaż przychodzącą dzięki AI SDR, który kwalifikuje 78% leadów end-to-end

Każdego tygodnia setki osób wypełniają formularz sprzedażowy na naszej stronie, aby dowiedzieć się więcej o naszej platformie i cenach. Jednak większość tych leadów lepiej pasuje do naszych planów samoobsługowych, które są skierowane do większości naszych użytkowników i mają szczegółową dokumentację na naszej stronie.

Nasz zespół sprzedaży chciałby spotkać się z każdym leadem bezpośrednio, ale skupia się na wdrożeniach dla przedsiębiorstw, które wymagają spersonalizowanych rozwiązań. Zamiast tego, ręcznie przeglądają każde zgłoszenie, aby zidentyfikować, które nadają się do rozmowy o przedsiębiorstwie, a które lepiej skierować na ścieżkę samoobsługową. Wiele formularzy zawiera jednak niekompletne informacje, takie jak niejasne opisy zastosowania leadu, co wymaga od naszego zespołu dalszego kontaktu w celu uzyskania kontekstu przed podjęciem decyzji. Ten proces może spowolnić czas reakcji i odciągnąć uwagę od ważniejszych możliwości dla przedsiębiorstw.

Dla leadów kwalifikujących się do przedsiębiorstw, opóźnienie wynikające z przeglądania zgłoszeń oznacza również utratę impetu. Idealnie, lead przedsiębiorstwa powinien móc umówić się na spotkanie zaraz po przesłaniu formularza kontaktowego. W przeciwnym razie, jeśli formularz zostanie przesłany w piątek wieczorem, lead może nie otrzymać odpowiedzi, dopóki nasz zespół sprzedaży nie przejrzy go w poniedziałek, co przesuwa pierwsze spotkanie na później w tym tygodniu.

Aby zlikwidować tę lukę między popytem a możliwościami zespołu, stworzyliśmy przychodzącego AI przedstawiciela rozwoju sprzedaży (SDR) za pomocą naszej Agents Platform. AI SDR dostarcza szybsze, bardziej spersonalizowane doświadczenia dla przychodzących leadów, jednocześnie umożliwiając naszemu zespołowi skupienie się na najbardziej wpływowych możliwościach.

Jak zbudowaliśmy agenta

Zbudowaliśmy przychodzącego SDR wokół trzech filarów: zachowanie, możliwości i dane.

1. Zachowanie

Zdefiniowaliśmy, jak nasz SDR, „Jon”, zachowuje się za pomocą systemowego promptu w naszej Agents Platform. W nim określiliśmy główne cechy osobowości Jona, takie jak „ciepły, konsultacyjny przedstawiciel handlowy, który sprawia, że złożone tematy AI są przystępne”. Określiliśmy również jego główny cel i scenariusze, w których powinien podjąć działanie, takie jak umawianie spotkań czy wysyłanie wiadomości do naszego zespołu. Aby dowiedzieć się więcej o dokładnej strukturze, którą stosowaliśmy, zobacz nasz przewodnik po promptach.

Wyposażyliśmy Jona w rozległą bazę wiedzy, w tym ponad sto często zadawanych pytań i przegląd możliwości naszego produktu z dokumentacji na naszej stronie. Na razie aktualizujemy bazę wiedzy Jona ręcznie, gdy pojawiają się nowe produkty lub funkcje. Wkrótce będzie można dodać docelowy URL i automatycznie aktualizować bazę wiedzy według regularnego harmonogramu.

Po uruchomieniu współpracowaliśmy z liderami sprzedaży w naszym zespole GTM, aby przeglądać transkrypcje rozmów, identyfikować błędy i poprawiać wydajność agenta. Wczesne wnioski obejmowały:

• Znalezienie odpowiedniego LLM dla twojego przypadku użycia wymaga eksperymentów: Zaczęliśmy od modelu zoptymalizowanego pod kątem niskiej latencji, ale przeszliśmy na bardziej zaawansowany po zauważeniu, że początkowy model miał problemy z niezawodnością i wywoływaniem narzędzi. Aktualizacja zmniejszyła halucynacje, takie jak agent błędnie odnoszący się do bieżącego roku, co wcześniej powodowało błędy w wywoływaniu narzędzi. Silniejsze LLM są również pomocne w bardziej zaawansowanych potrzebach rozumowania. Na przykład, nasz agent może teraz pomóc leadom oszacować ich oczekiwane użycie naszej platformy. Gdy lead nie jest pewny, Jon teraz pyta o ich oczekiwane połączenia dziennie i średni czas trwania połączenia, aby obliczyć szacowane miesięczne użycie.

• Agent może zawieść w preferowany sposób: Dopóki agent nie podejmuje 100% decyzji poprawnie, dostosowaliśmy jego systemowy prompt, aby faworyzować fałszywe pozytywy nad fałszywymi negatywami: wolimy spotkać się z leadem i skierować go na ścieżkę samoobsługową, niż przegapić potencjalną możliwość dla przedsiębiorstwa.

• Uwzględnianie przypadków brzegowych rozbudowuje systemowy prompt z czasem i wprowadza ryzyko błędów: Po przejrzeniu ponad 50 rozmów wprowadziliśmy kilka instrukcji „jeśli X, to zrób Y”. Na przykład: „Jeśli rozmówca mówi w języku innym niż angielski, zapytaj, czy woli spotkanie w tym języku czy po angielsku przed umówieniem”. Duże LLM-y skutecznie radzą sobie z tymi zasadami, ale rozbudowane prompty mogą zwiększać ryzyko błędów. Zauważyliśmy, że gdy prompty się rozrastają, pewne zachowania - takie jak zadawanie wielu pytań naraz - stają się bardziej uporczywe.

• Ograniczenia są skuteczne w zapobieganiu omijaniu procesów: Niektórzy użytkownicy wielokrotnie prosili o bezpośrednią rozmowę z naszym zespołem przed podaniem wystarczających informacji. Dodanie wyraźnych ograniczeń jest szczególnie skuteczne w łagodzeniu tych próśb.

• Użytkownicy potrzebują informacji zwrotnej podczas wykonywania narzędzi: Kiedy Jon używał narzędzi, takich jak sprawdzanie dostępności kalendarza, rozmówcy często doświadczali dezorientujących ciszy. Rozwiązaliśmy to, dodając opcjonalną funkcję „wymuszonej wiadomości”, która informuje użytkownika, gdy narzędzie jest używane.

• Interakcje głosowe budują zaangażowanie: Około jeden na pięciu leadów oddzwania, aby kontynuować interakcję z Jonem. W jednym przypadku, po zapoznaniu się z naszym produktem i cenami, rozmówca wrócił, aby po prostu poprosić Jona o przepis na spaghetti.

2. Możliwości i niestandardowe narzędzia

Jon ma dostęp do tych samych narzędzi, których używałby ludzki SDR do samodzielnego zarządzania rozmowami przychodzącymi.

Na początku każdej rozmowy przegląda zgłoszenie formularza kontaktowego, aby zebrać kontekst. Podczas rozmowy może kwalifikować leady i umawiać spotkania w czasie rzeczywistym, sprawdzając dostępność w różnych strefach czasowych. Po umówieniu spotkania wysyła naszemu zespołowi podsumowanie rozmowy.

Jon może również płynnie przełączać się między 32 językami, z optymalizowanymi głosami dla każdego regionu. W typowym tygodniu używa ponad ośmiu języków.

3. Dane

Na końcu każdej rozmowy Jon rejestruje przypadek użycia leadu i decyzję kwalifikacyjną, zapisując te dane bezpośrednio w naszym CRM. Daje to naszemu zespołowi pełną widoczność każdej interakcji sprzedażowej.

Jon również rejestruje dane strukturalne takie jak oceny satysfakcji klienta. Na końcu rozmowy prosi leady o ocenę ich doświadczenia w skali od 1 do 10. Codziennie przeglądamy rozmowy z najwyższymi i najniższymi ocenami, aby zrozumieć, co działało, a co nie.

Te zachowania, możliwości i przepływy danych zapewniają, że Jon działa zarówno z płynnością konwersacyjną, jak i efektywnością operacyjną, obsługując te same workflowy co ludzki SDR.

Dotychczasowe wyniki

Od momentu uruchomienia, AI SDR został wdrożony w 38 krajach z dostępnością 24/7. Obecnie obsługuje ponad 50 rozmów tygodniowo, co odpowiada dwóm pełnoetatowym SDR.

78% jego decyzji kwalifikacyjnych nie wymaga interwencji człowieka. W pozostałych 22% agent głównie dokonuje kwalifikacji „fałszywie pozytywnych”, gdzie kwalifikuje leady, które powinny zostać zdyskwalifikowane. Wolimy ten wynik od alternatywy, jaką jest dyskwalifikacja leadów, które powinny zostać zakwalifikowane.

Te fałszywe pozytywy zazwyczaj występują, gdy leady szacują, ale nie mogą potwierdzić oczekiwanego wolumenu lub terminu uruchomienia. Fałszywe negatywy są rzadkie i zwykle zdarzają się, gdy lead kończy rozmowę, zanim agent ma wystarczające informacje do podjęcia decyzji. W przyszłości agent zwróci „N/A” dla niekompletnych przypadków takich jak te, zamiast dyskwalifikować lead.

"Zaobserwowaliśmy fundamentalną zmianę w tym, jak sprzedaż przychodząca może działać na dużą skalę. Dzięki naszemu AI SDR, każdy zainteresowany naszą platformą może teraz rozpocząć spersonalizowaną rozmowę w swoim języku, o każdej porze. Najlepszym sposobem na zrozumienie naszej platformy jest doświadczenie jej na własnej skórze, a kwalifikowane leady teraz umawiają spotkania w minutach zamiast dni." – Jonathan Chemouny, EMEA Sales Lead, ElevenLabs

Ze średnim wynikiem CSAT 8,7, wczesne rozmowy pokazują, jak szybko zmieniają się postrzegania tego, co mogą osiągnąć agenci konwersacyjni. Oto kilka fragmentów:

• „Dziękuję za pomoc dzisiaj. To pierwszy raz, kiedy odkryłem agenta AI, który był tak pomocny jak ty. Życzę miłego dnia!”

• „Wow! Wow! Szczerze, jesteś dobry […] to jest czyste, dobrze wyjaśnione. To jest Conversational AI. Szczerze, to świetne!” 

• „[Ta rozmowa] była dla mnie przydatna. Daje mi pierwszy wgląd w produkty, które oferujecie… były kilka drobnych błędów, ale poza tym jakość dźwięku, cóż, jakość głosu, jest całkiem imponująca.”

Patrząc w przyszłość

W ciągu najbliższych kilku miesięcy rozszerzymy możliwości agenta dzięki naszej nowej funkcji workflow. Workflowy są zaprojektowane do obsługi bardziej złożonych, dynamicznych rozmów i wspierania bardziej niezawodnego podejmowania decyzji. To również odblokuje nowe przypadki użycia agenta, takie jak sprzedaż wychodząca i ponowne angażowanie nieodpowiadających leadów.

Dziś nasz zespół przegląda każdą decyzję podjętą przez AI SDR. Wkrótce system będzie umawiał spotkania bezpośrednio w kalendarzach naszych menedżerów kont z logiką planowania, która automatycznie kieruje każde spotkanie do właściwego właściciela.

Nasz AI SDR już przekształcił nasz proces sprzedaży przychodzącej, spełniając oczekiwania potencjalnych klientów i dając naszemu zespołowi więcej czasu na skupienie się tam, gdzie to ważne. Postrzegamy to jako kolejny krok w kierunku przyszłości, w której głos jest głównym interfejsem dla technologii.

Chcesz zbudować własnych agentów konwersacyjnych? Zacznij tutaj.