Как продавать AI-решения в эпоху хайпа: практическая инструкция от руководителя отдела продаж

Кто пишет: Кирилл Лозовой, AI Service Line Manager | MLOps Services. Founder, GTM Bear. Ex-Руководитель отдела продаж AI-Технологий в Exposit. 

Первоначально этот текст был опубликован в Skademy. 

Почему продажа AI-решений сложнее, чем стандартные IT-продажи?

Главное отличие AI-проектов — наличие переменной: данных! У каждого заказчика они уникальны. Возьмем, к примеру, видеопоток. Заказчику надо определять номера машин. Но при этом у них могут быть разные камеры, стоящие под разным углом, погодные условия на видео, освещение. 

Главная особенность CRISP-DM (наиболее распространённая методология по исследованию данных) — этапы обработки данных могут повторяться несколько раз для достижения оптимального результата. А заказчик зачастую расценивает такие действия как некомпетентность команды.

Кейс. У нас была задача — идентифицировать игроков на футбольном поле в детских школах. Мы испробовали три варианта идентификации, пока не пришли к нужному. Тестировали распознавание лиц, но ребята на видео были слишком далеко. Потом тестировали распознавание номеров на майках, но одни и те же игроки посещали тренировки в разных формах.

Только протестировав распознавание по цветовой гистограмме, мы пришли к более-менее неплохим результатам.

Было бы отлично, если бы мы сразу показали заказчику возможные варианты (об этом будет ниже). Но мы брали одну гипотезу, тестировали ее, возвращались с плохим результатом и садились придумывать новую, анализируя данные, проводя исследования и т. д.

Спойлер: в финальном решении мы от всех вышеперечисленных способов отказались 🙂

Кроме разработки, вот еще несколько причин, которые утрудняют продажи:

• Неопределенность результата. В отличие от традиционных IT-проектов, результат работы AI-систем не всегда можно предсказать с высокой точностью. AI-модель может оказаться неэффективной, если данные будут плохого качества или недостаточно релевантными.
  Особенно это заметно у компаний, которые только начинают развивать AI-направление. Ни один разработчик не гарантирует результат — большой блокер в продажах.
• Завышенные ожидания клиентов. Клиенты часто ожидают, что AI-решения будут работать «из коробки» и приносить мгновенные результаты. Поэтому нужно управлять их ожиданиями и обучать внедрять AI. Если сейлз не распознает мечтателя и не вернет его на твердую почву, то вы рискуете обрабатывать сотни запросов без результата.
• Особенности работы с данными. AI-проекты зависят от качества и объема данных, которые необходимо собрать, очистить и подготовить. Эти процессы могут оказаться длительными и дорогостоящими.
  Редкий клиент будет понимать важность этапа подготовки данных для проекта. Именно из-за этого пункта теряются большие и дорогостоящие проекты.

К вам в любом случае будут приходить запросы на разработку AI-решений. Крупные компании подогревают хайп и создают «беспрецедентные» возможности для бизнеса. Это их задача — продать лопаты во время золотой лихорадки и пообещать, что каждый найдет золотую жилу.

Без понимания бизнес-контекста любой инструмент бесполезен. И это наша задача — помочь своим клиентам адаптировать существующие технологии, которые реально, а не на бумаге, принесут пользу.

Как работать с клиентами

Интерес к AI-решениям высок, но конверсии из запросов в реальные сделки остаются низкими. Часто запросы поступают от компаний, которые не до конца понимают, что им нужно, и сталкиваются с трудностями на стадии принятия решений.

Для примера — стандартный разговор с клиентом.

Клиент:
— Привет, я председатель ассоциации снукера. Нужна мобилка, где будем детектировать действия игроков.
Я:
— Отлично, сколько столов? Как расположены камеры? Нужно все показывать в реальном времени?
Клиент:
— В каком смысле? Какая разница? Ну, пусть 1000 столов и любой человек может подключиться к трансляции.
Я:
— При правильном расположении камеры задача отслеживания действий игроков не самая сложная. А вот обработка 1000 потоков видео — это задача как минимум очень затратная. И если простое AI-решение будет стоить х USD, то половину этой суммы вы будете ежемесячно отдавать облачному провайдеру.

И таких бесед большинство. Ожидания очень завышены. Хорошо, что с этим клиентом получилось построить диалог. Растопил лед small-talk о детях — он нередко упоминал о них в своих соцсетях. Качественная подготовка к звонку — это половина успеха.

Как же изучить лида?

Методом проб и ошибок я вывел для себя список необходимой информации перед звонком.

• Проверьте его социальные сети. Какие комменты оставлял, в каких группах состоит, какие ивенты посещал, какие посты писал и т. д. Эта информация даст краткий список интересов и возможных намерений лида.
• Изучите конкурентов компании. Возможные патенты, недавние объявления о новых разработках, слияниях, партнерствах. Звучит громоздко для отдельного лида, но я это делаю перед стартом лидген-кампании для всего ICP. Так у вас появляется контекст ниши.
• Почитайте отзывы о компании. Иногда отзывы бывших сотрудников могут подсветить инсайты в операционной деятельности компании.
• Ознакомьтесь с регуляторами и законами. Может быть что-то мешает внедрению ваших сервисов? Опять же, делаем на всю лидген-кампанию.
• Изучите структуру компании, чтобы понять скрытых decision makers. Тех, кто потенциально будет оценивать ваше предложение в компании: C-level без знания AI-разработки или их инженер.

Как видите, два из пяти пунктов готовятся заранее, а на остальные три мы потратим не более 30–60 минут перед звонком.

Говоря привычными словами: конверсия повышается, если хорошо готовиться к звонкам. Искать данные о клиентах и вовремя их использовать. Если бы лично мне кто-то во время звонка рассказал про брейк-данс (мое школьное хобби), то это был бы мой лучший собеседник.

Как правильно квалифицировать лидов

RFx-команда может тратить более 100 часов на запрос, который заранее обречен на провал. Чтобы избежать этого, важно на этапе квалификации уметь отличать потенциальных клиентов от тех, кто не готов к реальной работе с AI.

Вопросы, которые помогут в этом, с небольшим разбором откровенной кринжатины. 

• Какую проблему мы решаем и почему именно сейчас?
  Лид должен осознавать проблему, а не придумывать ее. Проблема — это всегда деньги: если вы впоследствии не сможете привязать свое предложение к выгоде, то и продать будет сложнее.
  Как распознать кринж? Если лид начинает говорить про «сейчас AI везде, и расскажите мне, где лучше применить это» — поздравляю, вы стали AI-стратегом для его компании и продать это крайне сложно. Сразу предлагайте дискавери.
  Если не соглашается на дискавери — не тратьте время и отказывайте.
  Так как мы уже подготовились и провели OSINT-исследование индустрии, конкурентов и знаем проблематику, то и вопросы будут более наводящие. В этом и наша разница от интервьюеров, которые просто пытают лидов.
  Благодаря подготовленной информации мы можем вести лида по всем этапам продаж «Долины тревог» — от наводящих вопросов и пугающего прогноза до вдохновляющего решения.
• Как эта проблема решается в настоящее время?
  Если проблему не стараются решать сейчас, то она не настолько острая и клиент может принимать решение слишком долго.
  У нас был запрос на детектирование мытья рук в медицинских клиниках. Там было проще и дешевле нанять дополнительный персонал, чем разрабатывать AI-решение. Но мы это узнали после 80 часов оценок и согласований.
  Откидывайте всех лидов, которые говорят: «Мы планируем внедрять AI в процессы компании». Это мечтатели и бюрократы, которые создают видимость работы перед начальством.
• Какие данные у вас есть и в каком они состоянии?
  Про данные уже сказано много, и чаще их нет. Готовы ли вы заниматься сбором и разметкой? Обычно в штате аутсорс-компаний таких специалистов нет. Большинство нанимают инженеров, которые приносят больше денег. Вам надо выбрать хорошего поставщика услуг разметки и аутсорсить это. Пока ваши инженеры будут делать прототип и доказывать состоятельность выбранного решения на публичных датасетах. Клиентов, которые не хотят понимать важность правильной подготовки данных, лучше избегать. Вы потратите слишком много времени на их обучение.
• На каком этапе находится проект?
  Попросите кратко описать неактуальные этапы и подробно остановитесь на том, где сейчас находится лид. То есть он будет видеть всю картину проекта, но акцент сделан на конкретной фазе.
• Какова метрика успеха?
  Согласуйте и зафиксируйте ожидания. Не начинайте работу без этого. Лид может ожидать 101% точности, но улучшить модель с 50 до 85% проще, чем достичь оставшихся процентов. Найдите баланс между затратами и выгодой, возможно, ценность появится уже при 60% точности. Оцените state-of-the-art в задаче лида. Если клиент не хочет фиксировать метрику, лучше отказаться от проекта, иначе рискуете его не завершить. Помните, у всех разное понимание конечного результата.
• Какова стоимость ошибки?
  Взвешивайте риски и обосновывайте трудозатраты на разработку. Если стоимость ошибки незначительная, то для чего делать решение?
• Время обработки данных — это real time?
  Простой вопрос, но real time всегда затратный. Это скрытые десятки и сотни тысяч долларов на инфраструктуру. К примеру, возьмем видеонаблюдение в магазине: вам надо забрать видеопоток, передать его вашей AI-модели, обработать его, вернуть результат пользователю. И сделать это за доли секунды. Кадров может быть 24 в секунду, а может быть и больше 1000 (высокоскоростные камеры). Тысяча изображений, которые вам надо обработать. Не позволяйте клиенту бездумно оперировать терминами. За каждым термином стоит цена разработки.
• Сколько источников данных у вас есть и какие они?
  То же самое, что и выше, только умноженное на количество камер (или других источников данных).

Пресейлз при продаже AI-решений

Вся информация с квалификации плавно переходит в подготовку коммерческого предложения. Теперь вы знаете не только ответы на квалификационные вопросы, но и то, что успели подготовить до звонка.

На схеме ниже показан стандартный RFx-процесс, а черным добавлены этапы, присущие AI-запросам.

Три кита вашего предложения:

• Работа с ожиданиями. Вам уже передали, что именно ожидает клиент. Теперь технические специалисты должны составить реалистичный роадмап по достижению этого. Репутацию AI-индустрии портят команды, которые обещают слишком много ради заказа.
• Данные. Запомните сами и повторяйте клиенту эти четыре буквы: GIGO (garbage in, garbage out). Вам необходимо получить хотя бы маленький батч реальных данных перед стартом оценки. В противном случае придется давать рекомендации по сбору данных. А в худшем случае — рекомендации по хардварной части (хотя это может быть вашим неплохим УТП).
• Инфраструктура. Рисуйте красивые схемы и показывайте их заказчику, объясняя каждый элемент (пример ниже). Он должен осознать, что после разработки AI-решения ему придется ежемесячно платить за процессинг системы. Часто эту информацию упускают и ленятся рассчитать примерные затраты. Избегайте сюрпризов для заказчика.

Не надо никому объяснять, что составлять коммерческое предложение нужно исходя из ICP (идеальный портрет покупателя). Кому-то нужно больше технических деталей, кому-то ROI нужно жирным шрифтом выделять. Но всем необходимо объяснить, как выбранная вами техническая метрика будет соотноситься с ценностью для заказчика.

Как связать технические метрики AI с затратами и прибылями клиента?

Ваша задача — распознать бракованные изделия на конвейере, которые потом применяются для сборки автомобилей. И мы выбираем техническую метрику F-score для анализа точности нашего AI-решения.

Поработав 2 месяца, с восхищенными лицами показываем заказчику, что F-score = 0,78, и не понимаем, почему тот не реагирует. А ему нужно объяснить, что теперь из всего брака мы можем распознать 78% и не пустить это в дальнейшее производство — и благодаря этому сэкономим 300 часов работы персонала впустую и Х тысяч долларов на последующих рекламациях. А когда F-score будет 0,8, то уже получится 320 часов и больше тысяч денег.

Именно такая взаимосвязь отличает AI-решение, которое пойдет в продакшен, от того, которое останется на уровне прототипа.
Но чтобы прийти к таким результатам, иногда требуется протестировать несколько технических гипотез, постоянно возвращаясь в начало.

Работа над AI-проектом — это всегда неопределенность.

Как продать неопределенность?

• Коротко и ёмко объясняйте природу и причины неопределенности.
  Здесь поможет предыдущий опыт с яркими примерами проектов и небольшой технический ликбез. Вам на звонке понадобится хорошо говорящий разработчик.
  Но бывают и более жесткие заказчики, которые жаждут вашего коммитмента. Здесь сценарий простой: не подписывать. Либо клиент походит по рынку и вернется к вам — все адекватные компании ему тоже откажут. Либо свяжется с дилетантами и вернется к вам немного победневший.
• Подчеркивайте возможные выгоды.
  Даже при наличии рисков потенциальные выгоды могут быть значительными. Гораздо легче продать, если напрямую говорить про деньги: да, сейчас вы потратите Х долларов и рискуете их потерять. Но в случае успеха вы в течение года заработаете 3Х и обгоните конкурентов. Классический FOMO.
• Предлагайте четкий план действий.
  Обычно всем подходит раздробленный путь к достижению желаемого результата: небольшие этапы проекта с прогнозируемыми цифрами и усилиями для их достижения.
  Проблема в том, что с таким планом клиент может пойти в любую другую компанию и заказать там, где дешевле. Поэтому не углубляйтесь в технические детали (по меньшей мере до начала платной дискавери/дизайн-фазы).

Отразив все вышеперечисленное, вы гарантированно произведете впечатление высокопрофессиональной команды. И значительно повысите шансы на успешное завершение сделки. Только надо избегать нескольких моментов в вашем предложении.

Что пугает заказчика в предложении?

Долгая разметка данных может вызвать тревогу у заказчика, поэтому важно предоставлять промежуточные результаты. Обычно делают так:

• Создают прототип на общедоступных данных, чтобы показать, что проект реализуем и выгоден.
• Начинают разметку небольшого объема данных и обучают модель, демонстрируя прогресс: от 0% точности до, например, 53% на 1000 изображениях, с прогнозом на дальнейший рост после доработки.

Ещё клиент может опасаться, что платит за обучение вашей команды, а не за реальное решение его проблемы. Часто перебор технических гипотез выглядит как неуверенность.

Поэтому мы должны правильно оформить процесс и обосновать его. Для этого нам потребуется список гипотез с описанием работ и аутпутов, плюсов и минусов решений. А самое главное — со временем тестирования.

Как продать Discovery-фазу?

Фаза Discovery часто вызывает сомнения у клиентов. Вообще мне больше нравится название Design-фаза — звучит как-то увереннее. Но сейчас важно не это.

Для успешной продажи Discovery (Design) фазы можно использовать:

• FOMO (страх упущенной выгоды)
  Здесь лучше поисследовать рынок и привести примеры успешного внедрения у конкурентов. Пройтись по хайпу: кто без AI — тот позади. И опять же, вам поможет OSINT: узнайте, что интересует вашего клиента, какие компании он отслеживает, каких инфлюенсеров. Приводите примеры именно на этих людях/компаниях. Я заметил, что не все любят примеры с успехом прямых конкурентов. Встречались даже лиды, которые сразу теряли интерес. А упоминание лидеров рынка для некоторых звучит как сказка — нам до них еще ой как далеко.
  Поэтому здесь надо попадать в цель. Хотя бы исследуя тот же цифровой след (ссылку на инструмент я оставлял выше).
• Кейсы с цифрами
  Приведите примеры, где Discovery-фаза помогла достичь значительных результатов, и примеры провалов без нее. Это для опытных. Обман распознается сразу. Только из опыта компании.
  Либо ищите партнеров среди более опытных компаний и проводите Discovery с ними — получите опыт, а потом уже и сами сможете. Мы делали подобное, когда хотели заходить в нишу «AI в горнодобывающей промышленности». Нашли команду, у которой были опыт и экспертиза, но не было сильных продаж. Договорились, что сможем демонстрировать их портфолио. Брали с собой на звонки их эксперта, чтобы нас не пугали слова «флотация» и «гранулометрия». Потом отдавали заказ им же на разработку с нашим проектным менеджером, накапливая экспертизу внутри. Все было прозрачно: для подрядчика это новые заказы и консалтинг, для нас — развитие экспертизы.
• Участие экспертов
  Вовлечение «звездных» специалистов в Discovery-фазу добавляет ей ценности. Это для богатых. В моей прошлой компании был PhD в биоинформатике с великолепным английским, немецким. У него были публичные выступления, научные работы, свой курс образовательный. И конечно же, скиллы прекрасного AI-инженера. Нам было легко обосновать ценность Discovery.
• Варианты оплаты.
  Предложите оплату по достижении конкретных результатов. Это для отчаянных, когда больше нечем крыть. Много про это слышал, но ни разу не использовал. И вам не советую.

Итог

1. Анализ цифрового следа лидов показал, кто ищет AI-решения, и помог отсеять компании без AI-разработчиков. Это увеличило конверсию встреч на 40-50%.
2. Вместо стандартных вопросов, мы вели лида через весь процесс AI-разработки, обучая его. Это сократило количество интро-звонков до одного 45-минутного.
3. Мы почти убрали стадию дискавери, заранее подготовив решение и эстимацию, так как уже знали проблему лида.
4. R&D остался неизменным, но мы тестируем новые подходы с OSINT (как мы это делаем, можно прочитать здесь).
5. При составлении предложения учли структуру компании и ЛПР, что повысило win-rate до 15-20%.

Мнение автора может не совпадать с позицией редакции. 

Что ещё почитать про продажи: 

• Сытые времена кончились? Что ждёт продажи аутсорса — анализ; 
• Не ждите чуда. Business Architect рассказывает, как выглядят продажи IT-продуктов в 2024 году; 
• Не того ищете: какой Head of sales спасет ваш бизнес?

Читатели в 🇵🇱, пожалуйста, поддержите dev.by своими налогами!

Это просто и ничего не стоит