Jak zwiększyliśmy sprzedaż dzięki AI SDR, który sam kwalifikuje 78% leadów

Co tydzień setki osób wypełniają firmowy formularz sprzedażowy na naszej stronie, by dowiedzieć się więcej o platformie i cenach. Większość tych leadów lepiej pasuje jednak do naszych planów self-serve, z których korzysta większość użytkowników i które mają szczegółową dokumentację na stronie.

Nasz zespół sprzedaży chętnie rozmawiałby bezpośrednio z każdym leadem, ale skupia się na wdrożeniach firmowych wymagających indywidualnych rozwiązań. Dlatego ręcznie sprawdza każde zgłoszenie, aby określić, które kwalifikują się do rozmowy o ofercie dla firm, a które lepiej skierować do self-serve. Wiele formularzy zawiera jednak niepełne informacje, np. ogólnikowy opis zastosowania, więc przed podjęciem decyzji nasz zespół musi dopytać o szczegóły. To może wydłużać czas odpowiedzi i odciągać uwagę od ważniejszych szans sprzedażowych dla firm.

W przypadku leadów zakwalifikowanych do oferty dla firm opóźnienie w sprawdzaniu formularzy oznacza też utratę impetu. Idealnie taki lead powinien móc umówić spotkanie od razu po wysłaniu formularza kontaktowego. W przeciwnym razie, jeśli formularz wpłynie w piątek wieczorem, lead może dostać odpowiedź dopiero po sprawdzeniu go przez nasz zespół w poniedziałek, a pierwsze spotkanie odbędzie się później w tym tygodniu.

Aby zmniejszyć tę lukę między popytem a możliwościami zespołu, stworzyliśmy AI SDR do obsługi leadów przychodzących, korzystając z naszej Agents Platform. AI SDR zapewnia leadom przychodzącym szybszą i bardziej spersonalizowaną obsługę, a naszemu zespołowi pozwala skupić się na najważniejszych szansach.

Jak stworzyliśmy agenta

Nasz SDR do obsługi leadów przychodzących opiera się na trzech filarach: zachowaniu, możliwościach i danych.

1. Zachowanie

Określiliśmy zachowanie naszego SDR-a, „Jona”, za pomocą system promptu w Agents Platform. Zdefiniowaliśmy w nim kluczowe cechy Jona, np. że jest „życzliwym, doradczym przedstawicielem handlowym, który przybliża złożone tematy AI”. Określiliśmy też jego główny cel i sytuacje, w których powinien działać, np. umówić spotkanie lub wysłać wiadomość do naszego zespołu. Więcej o dokładnej strukturze, której użyliśmy, znajdziesz w naszym przewodniku po promptowaniu.

Wyposażyliśmy Jona w obszerną bazę wiedzy: ponad sto najczęściej zadawanych pytań oraz przegląd możliwości naszych produktów z dokumentacji na stronie. Na razie aktualizujemy bazę wiedzy Jona ręcznie po premierze nowych produktów lub funkcji. Wkrótce będzie można dodać docelowy URL, aby baza wiedzy aktualizowała się automatycznie według harmonogramu.

Po premierze współpracowaliśmy z liderami sprzedaży z całego zespołu GTM, analizując transkrypcje rozmów, wykrywając błędy i poprawiając działanie agenta. Oto nasze pierwsze wnioski:

• Znalezienie właściwego LLM-a dla danego zastosowania wymaga eksperymentów: Zaczęliśmy od modelu zoptymalizowanego pod kątem niskich opóźnień, ale przeszliśmy na bardziej zaawansowany, gdy zauważyliśmy problemy pierwszego modelu z niezawodnością i wywoływaniem narzędzi. Zmiana ograniczyła halucynacje, np. błędne wskazywanie przez agenta bieżącego roku, które wcześniej powodowało błędy przy kolejnych wywołaniach narzędzi. Mocniejsze LLM-y przydają się też przy bardziej złożonym rozumowaniu. Nasz agent może teraz np. pomóc leadom oszacować przewidywane wykorzystanie platformy. Gdy lead nie jest pewien, Jon pyta o spodziewaną liczbę rozmów dziennie i średni czas rozmowy, by obliczyć szacowane miesięczne użycie.

• Agent może popełniać błędy w preferowany sposób: Dopóki agent nie podejmuje poprawnie 100% decyzji, dostroiliśmy jego system prompt tak, by preferował fałszywie pozytywne wyniki zamiast fałszywie negatywnych: wolimy spotkać się z leadem i wskazać mu ścieżkę self-serve, niż przegapić potencjalną szansę sprzedażową dla firmy.

• Uwzględnianie wyjątków z czasem rozbudowuje system prompt i zwiększa ryzyko błędów: Po analizie ponad 50 rozmów dodaliśmy kilka instrukcji „jeśli X, zrób Y”. Na przykład: „Jeśli rozmówca mówi w języku innym niż angielski, przed umówieniem spotkania zapytaj, czy woli spotkanie w tym języku czy po angielsku”. LLM-y z dużym kontekstem dobrze radzą sobie z takimi zasadami, ale rozbudowane prompty mogą zwiększać ryzyko błędów. Zauważyliśmy, że wraz z rozrastaniem się promptów pewne zachowania — np. zadawanie kilku pytań naraz — stają się bardziej uporczywe.

• Guardraile skutecznie zapobiegają obchodzeniu procesu: Niektórzy użytkownicy wielokrotnie prosili o bezpośrednią rozmowę z naszym zespołem, zanim przekazali wystarczające informacje. Dodanie jasnych guardraili szczególnie dobrze ogranicza takie prośby.

• Użytkownicy potrzebują informacji zwrotnej podczas działania narzędzi: Gdy Jon korzystał z narzędzi, np. sprawdzał dostępność w kalendarzu, rozmówcy często doświadczali dezorientującej ciszy. Rozwiązaliśmy to, dodając opcjonalną funkcję „force message”, która informuje użytkownika o używaniu narzędzia.

• Interakcje głosowe zwiększają zaangażowanie: Mniej więcej co piąty lead dzwoni ponownie, by kontynuować rozmowę z Jonem. W jednym przypadku rozmówca, po zapoznaniu się z naszym produktem i cenami, wrócił tylko po to, by poprosić Jona o przepis na spaghetti.

2. Możliwości i własne narzędzia

Jon ma dostęp do tych samych narzędzi, których człowiek na stanowisku SDR używałby do samodzielnej obsługi rozmów przychodzących.

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

Jon płynnie przełącza się też między 32 językami, korzystając z głosów zoptymalizowanych dla każdego regionu. W typowym tygodniu używa ponad ośmiu języków.

3. Dane 

Pod koniec każdej rozmowy Jon zapisuje zastosowanie leada i decyzję kwalifikacyjną bezpośrednio w naszym CRM. Dzięki temu zespół ma pełny wgląd w każdą interakcję sprzedażową.

Jon rejestruje też ustrukturyzowane dane , takie jak wyniki zadowolenia klientów. Pod koniec rozmowy prosi leady o ocenę doświadczenia w skali od 1 do 10. Codziennie analizujemy rozmowy z najwyższymi i najniższymi ocenami, by zrozumieć, co działało, a co nie. 

Te zachowania, możliwości i przepływy danych sprawiają, że Jon działa płynnie w rozmowie i sprawnie operacyjnie, obsługując te same workflow co człowiek na stanowisku SDR.

Wyniki do tej pory

Od premiery AI SDR działa w 38 krajach, przez całą dobę. Obsługuje teraz ponad 50 rozmów tygodniowo — tyle, co dwóch pełnoetatowych SDR-ów.

78% jego decyzji kwalifikacyjnych nie wymaga interwencji człowieka. W pozostałych 22% przypadków agent najczęściej kwalifikuje fałszywie pozytywnie, czyli kwalifikuje leady, które powinny zostać odrzucone. Wolimy to od odrzucania leadów, które powinny zostać zakwalifikowane.

Takie fałszywie pozytywne wyniki zwykle pojawiają się, gdy leady szacują, ale nie mogą potwierdzić spodziewanego wolumenu lub terminu startu. Fałszywie negatywne wyniki są rzadkie i zwykle zdarzają się, gdy lead kończy rozmowę, zanim agent zbierze dość informacji do podjęcia decyzji. W przyszłości agent będzie zwracał "N/A" w takich niepełnych przypadkach, zamiast odrzucać leada.

„Widzimy fundamentalną zmianę w tym, jak sprzedaż przychodząca może działać na dużą skalę. Dzięki naszemu AI SDR każda osoba zainteresowana platformą może rozpocząć spersonalizowaną rozmowę w swoim języku, o dowolnej porze. Najlepszym sposobem na poznanie naszej platformy jest doświadczenie jej na własnej skórze, a zakwalifikowane leady umawiają dziś spotkania w kilka minut, a nie dni”. – Jonathan Chemouny, EMEA Sales Lead, ElevenLabs

Przy średnim wyniku CSAT na poziomie 8,7 pierwsze rozmowy pokazują, jak szybko zmienia się postrzeganie możliwości agentów konwersacyjnych. Oto kilka fragmentów:

• „Dziękuję za pomoc. Po raz pierwszy spotkałem agenta AI tak użytecznego jak ty. Życzę ci miłego dnia!”

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

• „[Ta rozmowa] była dla mnie przydatna. Dała mi pierwszy wgląd w oferowane przez was produkty… było kilka drobnych błędów, ale poza tym jakość audio, a właściwie jakość głosu, jest całkiem imponująca”.

Co dalej

W ciągu najbliższych miesięcy rozszerzymy możliwości agenta dzięki nowej funkcji workflow. Workflow służą do obsługi bardziej złożonych, dynamicznych rozmów i wspierają bardziej niezawodne podejmowanie decyzji. Otworzy to też nowe zastosowania agentów, np. sprzedaż wychodzącą i ponowne angażowanie leadów, które nie odpowiadają.

Dziś nasz zespół sprawdza każdą decyzję AI SDR. Wkrótce system będzie umawiał spotkania bezpośrednio w kalendarzach naszych account executive'ów, a logika planowania automatycznie przypisze każde spotkanie właściwej osobie.

Nasz AI SDR już zmienił proces sprzedaży przychodzącej: spełnia oczekiwania potencjalnych klientów i daje zespołowi więcej czasu na to, co najważniejsze. To kolejny krok ku przyszłości, w której głos będzie głównym interfejsem technologii.

Chcesz stworzyć własnych agentów konwersacyjnych? Zacznij tutaj.