Как продавать AI-решения в эпоху хайпа: практическая инструкция от руководителя отдела продаж
Продажа AI-решений — это вызов. Хайп вокруг AI создает много шума, поэтому наша задача, как продажников, отличить реальные возможности от фантазий. Главное — не обманывать себя и клиента, а строить отношения на основе реальных возможностей и достижимых результатов.
Поделюсь стратегиями и подходами, которые помогут преодолеть трудности и гарантированно продать ваши услуги.
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
Анализ цифрового следа лидов показал, кто ищет AI-решения, и помог отсеять компании без AI-разработчиков. Это увеличило конверсию встреч на 40-50%.
Вместо стандартных вопросов, мы вели лида через весь процесс AI-разработки, обучая его. Это сократило количество интро-звонков до одного 45-минутного.
Мы почти убрали стадию дискавери, заранее подготовив решение и эстимацию, так как уже знали проблему лида.
R&D остался неизменным, но мы тестируем новые подходы с OSINT (как мы это делаем, можно прочитать здесь).
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;
Профессии будущего со скидкой 75% от Udacity: разработка роботов, дронов и робомобилей
Искусственный интеллект уже стал повседневностью: голосовой помощник включает музыку, робот-пылесос сканирует пространство и убирает квартиру, алгоритм ранжирования настраивает ленту в TikTok, а беспилотные такси уже свободно курсируют по городам. Получить профессию в сфере ИИ с зарплатой от $100k в год тоже стало проще — собрали 5 интересных курсов от Udacity.
Релоцировались? Теперь вы можете комментировать без верификации аккаунта.