Знание техник продаж полезно в работе с клиентами разных типов. Решая использовать ту или иную технику, следует учитывать специфику бизнеса и продукта, психотип покупателя. Элементы нескольких техник бывает полезно комбинировать. Каждый раз готовясь совершить продажу, нужно определять, какая техника уместна
Деловая среда Платформа знаний и сервисов для бизнеса
Деловая среда Премиум
Вступайте в закрытый клуб и получите доступ к материалам для развития бизнеса
Кому важно знать техники продаж
Техники продаж обычно осваивают:
- Сотрудники, которые напрямую общаются с клиентами, — продавцы, менеджеры по продажам, специалисты по сопровождению клиентов, специалисты pre-sale отделов, менеджеры проектов.
- Маркетологи. Построение маркетинговой стратегии, создание рекламы, PR-кампании имеет конечной целью именно продажи.
- Руководители отделов и компаний. Благодаря техникам продаж они могут успешно вести переговоры на высоком уровне — с инвесторами, партнерами, представителями госорганов.
- Фрилансеры, индивидуальные предприниматели. Техники продаж помогут эффективно презентовать услуги потенциальным заказчикам.
По большому счету, техники продаж полезно знать всем. Человек, какую бы должность он ни занимал и какого бы статуса он ни был, каждый день совершает продажи: в бизнесе, карьере, повседневной жизни.
ПРИМЕНЕНИЕ ФСА В ТЕХНИКЕ / БИЗНЕСЕ online-лекция № 49
Даже на первый взгляд далекий от продаж специалист рано или поздно сталкивается с необходимостью продать свою точку зрению. Например, бухгалтеру может понадобиться продать руководителю идею, что старая версия программы учета устарела и компания должна выделить бюджет, чтобы купить новую.
В бизнесе есть понятия «внешние клиенты» и «внутренние клиенты». Часто о внутренних забывают, делая акцент на внешних, покупателях. Внутренние клиенты — это сотрудники, партнеры, коллеги, подчиненные и руководители. Каждый день с ними тоже совершаются сделки, переговоры и продажи, которые требуют применения соответствующих техник.
Конференция «Продажи. Полное погружение»
B2B продажи
Классификация техник продаж
Техники продаж можно классифицировать по нескольким основаниям. Назовем их.
Готовность клиента к покупке, уровень его лояльности. Здесь выделяют холодные продажи клиентам, которые еще пока ничего не знают о компании и товаре; теплые, когда взаимодействие строится с осведомленными клиентами; горячие, когда клиент очень лоялен, готов сам звонить и покупать, потому что доверяет компании.
Сложность и длина цикла сделки. Простые продажи — сделка происходит здесь и сейчас. Человек пришел в булочную и купил хлеб. Сложные — это долгий цикл сделки и принятие решения несколькими лицами. Компания-заказчик, та же булочная, принимает решение купить у производителя пекарное оборудование.
Каскадные, конвейерные продажи — во время них каждым этапом взаимодействия с покупателем занимается отдельный специалист.
Тип клиента. B2C — продажи конечному пользователю, B2B — бизнесу или компании, B2G — государственным организациям (тендеры).
Как все успеть собственнику бизнеса? — Техника Помидора
Тип сбыта. Например, есть продажи в розницу, оптовые, через дистрибьюторов, посредников, дилеров.
Тип взаимодействия с клиентами. При офлайн- или личных продажах продавец общается с клиентом, видит его или слышит по телефону. При онлайн-продажах продавец, например владелец интернет-магазина, не видит клиентов: он работает с аудиторией и ее сегментами.
Инициатор. Различают активные и пассивные продажи. В первом случае продавец первый выходит на контакт, скажем, звонит клиенту. Во втором случае звонит клиент, а продавец принимает и обрабатывает заявку.
Организация продаж с учетом сложности продукта. Транзакционные продажи предполагают минимальное участие продавца. Товар простой, клиент его выбрал, принес на кассу, продавец провел оплату.
Экспертные продажи — это консультирование продавца по сложным вопросам, нюансам продукта и его применения. Например, продажа IT-продукта. Личностные продажи — это установленные дружеские отношения между продавцом и покупателем; клиент покупает, потому что хорошо знает продавца и ему некомфортно покупать у чужого человека.
Источник: dasreda.ru
Пять примеров успешного использования ИИ на производстве
В октябре 2019 года компания Microsoft заявила о том, что искусственный интеллект помогает производственным компаниям обгонять по показателям конкурентов: использующие ИИ производители показывают результаты на 12% лучше, чем их соперники. Поэтому мы скорее всего увидим всплеск применения технологий ИИ на производстве, а также рост новых высокооплачиваемых должностей в этой области.
В статье мы расскажем о пяти примерах использования ИИ-технологий на производстве. Также мы поделимся историями успеха современных промышленных компаний, проанализировав, как внедрение ИИ помогло их бизнесу.
Предиктивное обслуживание для предсказания оставшегося срока службы оборудования
Предиктивное обслуживание (predictive maintenance) — это стратегия непрерывного мониторинга состояния оборудования при стандартных условиях эксплуатации и прогнозирования оставшегося срока его службы. Реактивное и превентивное техобслуживание помогает снижать количество сбоев или просто предотвращать их, в то время как предиктивное обслуживание использует модели для предсказания сбоев компонентов конкретной единицы. Это минимизирует время простоя и помогает заранее планировать техобслуживание.
Говоря о промышленности, мы должны упомянуть большую стоимость приостановки производства, особенно на крупных предприятиях. Благодаря предиктивному обслуживанию пропадает необходимость в приостановке производственных процессов, поскольку оно помогает распознавать даже те мелкие изменения в состоянии оборудования, которые не выявляются при типичной проверке. Диагностические инструменты на основе ИИ позволяют производителям выявлять условия, способные вызвать поломку, и вмешаться, прежде чем она произойдёт. При помощи моделей машинного обучения производители могут прогнозировать оставшийся срок службы оборудования и подготовиться к ремонту.
Основные аппаратные и программные компоненты, лежащие в основе предиктивного техобслуживания
Давайте поговорим о нидерландской железнодорожной компании Strukton Rail, занимающейся техническим обслуживанием в сфере эксплуатации железных дорог. Эта компания, обслуживающая 40 процентов железнодорожной системы Нидерландов, поставила перед собой задачу поиска модели для эффективного прогнозирования неисправностей стрелок путей, чтобы обеспечить общий мониторинг и планирование процесса обслуживания без влияния на ежедневные перевозки. Сбои стрелок составляют наибольшую категорию причин сбоев, и решение этой проблемы сильно улучшило бы показатели сети и инфраструктуры. Согласно заявлению Strukton Rail, предиктивное обслуживание как решение этой проблемы приводит к повышению доступности железнодорожных путей и снижению затрат.
Среди прочих, причинами сбоев стрелок становятся электрические проблемы (изношенные щётки, двигатель), нехватка смазки на стрелочных подушках, изгиб остряков из-за погодных условий, плохая наладка движущихся конструкций и так далее.
Модель дерева принятия решений, выбранная для прогнозирования сбоев железнодорожных стрелок. Источник: Anchormen
Как это работает? Система мониторинга предиктивного обслуживания Strukton включает в себя оборудование, состоящее из логгеров данных и бесконтактных датчиков. Примерно половина из трёх тысяч стрелочных переводов, которыми управляет Strukton Rail в Нидерландах, оснащена датчиками, фиксирующими данные об энергопотреблении двигателей этих переводов при переключении стрелок.
Эти данные поступают из различных источников (например, от системы обогрева стрелочного перевода, датчика температуры рельс, железнодорожного переезда и так далее), а затем передаются по Интернету в разработанную компанией систему мониторинга POSS (аббревиатура на голландском языке от «Система превентивного техобслуживания и диагностики сбоев Structon»). Для дальнейшего анализа они дополняются данными GPS и алертами о несоответствии требованиям. В результате операторы железнодорожных путей при необходимости могут своевременно вмешиваться их работу.
Strukton Rail заявила, что предиктивное обслуживание позволило вдвое снизить количество технических сбоев. Компания собирается расширить POSS инструментом прогнозирования, чтобы предсказывать грядущие сбои; она утверждает, что такое применение предиктивного обслуживания на основе ИИ может использоваться не только в Нидерландах, но и в железнодорожных системах других стран.
Робототехническая автоматизация процессов для упрощения работы с документами
В промышленности автоматизация процессов отвечает за использование ПО управления производством или робототехники для автоматизации комплексных процессов. Хотя современное производство часто ассоциируется с физическими роботами, дело ими не ограничивается: во многих производственных процессах также используются различные программные системы управления, например, RPA.
В Robotic Process Automation (RPA) используются технологии на основе ИИ и возможности машинного обучения с целью обработки масштабных монотонных задач, для которых ранее требовался труд людей. Примерами таких задач являются ведение записей, обработка запросов, выполнение вычислений и так далее. Работа RPA заключается в трёх основных этапах: обучение, эксплуатация и согласование. На этапе обучения машина должна получить команды для выполнения требуемых задач. Эксплуатация — это этап, на котором бот выполняет то, для чего был обучен, а согласование требуется только тогда, когда множество ботов используется для выполнения спектра задач.
Французская международная компания в сфере цифровой автоматизации и управления энергетикой Schneider Electric решила использовать RPA для устранения задач, не создающих дополнительной ценности (например, для автоматизации подготовки документов и тому подобного). В результате компании удалось добиться экономии времени сотрудников и направить их усилия на повышение удовлетворённости клиентов.
Проблема заключалась в том, что операторам, отвечавшим за монтаж электрических щитов на территории клиентов, приходилось иметь дело с монотонной и объёмной обработкой документации, например, нанесением маркировки электроцепей или производственных спецификаций электрощитов. Для выполнения этой долгой и утомительной задачи был внедрён ИИ-бот, позволивший освободить время операторов для более ценной и сложной производственной работы. Робот, разработанный всего за два с половиной дня, успешно справился с задачей открытия и печати документации, освободив операторов.
Контроль качества и проверка состояния изготавливаемой продукции при помощи компьютерного зрения
Контроль качества (QA) в производстве — это процессы, применяемые для обеспечения постоянных уровней качества. QA в производстве имеет большой потенциал применения систем компьютерного зрения на основе ИИ для автоматизации проверки состояния на протяжении всего процесса производства. Человеческое зрение имеет очевидные недостатки (усталость и необъективность), поэтому благодаря контролю компьютерным зрением QA становится более надёжным и точным.
Компания Foxconn, производящая электронные продукты для таких гигантов, как Apple, Nintendo, Nokia, Sony и других, успешно внедрила на своих фабриках Google Cloud Visual Inspection AI для контроля качества. Эта программа машинного обучения, запущенная Google в 2021 году, помогает производителям выявлять дефекты продукции, а значит, и снижать затраты на QA.
Visual Inspection AI автоматизирует процесс QA и выявляет дефекты ещё до того, как изделия покинут сборочную линию. Источник: Google
Рассмотрим пример производства смартфонов. На качество готового устройства непосредственно влияет выявление дефектов печатной платы на этапе первоначальной подготовки процесса производства. Печатные платы могут иметь множество дефектов сборки, от отсутствия винтов до образования перемычек при спайке. Google Cloud Visual Inspection AI снизил количество пропущенных дефектов до 10%. Кроме того, он уменьшил время проверки каждого компонента до 0,3 секунды.
Бельгийский производитель стеклопластиковых изделий и разработчик технологий в области термопластиков и упрочнения термоотверждающихся полимеров 3B-Fiberglass, столкнувшись с проблемой разрушения стеклопластика на одном из этапов производства, решил использовать видеоконтроль на основании ИИ. Система заранее уведомляет оператора о потенциальном разрыве, чтобы можно было быстро устранить проблему, прежде чем она повлияет на дальнейший процесс производства.
3B выработала два направления для решения этой проблемы. Во-первых, компания хотела выявить причины разрывов. Во-вторых, она поставила перед собой задачу прогнозировать возникновение разрывов и предотвращать этот процесс.
Как в этом случае использовался ИИ?
Схема стеклопластикового производства
Процесс стеклопластикового производства состоит из горячего и холодного этапов. На протяжении первого набор особых присадок расплавляется и нагревается в печи до температуры, достаточной для создания стекла. Затем наступает холодный этап, когда уже расплавленное стекло подаётся на специальные пластины из металлического сплава, называемые бушингами.
Для превращения в волокно стекло должно пройти через отверстия в бушингах (со средним диаметром примерно 10-25 микрометров). Разрыв волокна происходит, когда стекло проходит через эти отверстия и к нему прикладывается тянущая сила. Компания установила камеру, которая непрерывно отслеживала процесс отвода волокна от бушинга. Затем сеть машинного обучения проанализировала полученные данные и спрогнозировала момент разрыва. Были собраны и проанализированы данные за три года из каналов внутри печи и рядом с панелями.
Разрыв единственного волокна на бушинге неизбежно приводит к остановке всего потока
Как и планировалось изначально, благодаря анализу при помощи компьютерного зрения на основе ИИ 3B-Fiberglass научилась прогнозировать разрыв волокна примерно за 75 секунд до происшествия. Однако конкретная причина разрыва осталась неизвестной. Наиболее вероятно, это связано с разнородной природой анализируемых данных, поскольку данные 3B часто генерируются для мониторинга всего процесса в целом, что усложняет анализ первопричин конкретного разрыва.
Прогнозирование спроса для повышения эффективности цепочки поставок
Прогнозирование спроса в производстве — это процесс, нацеленный на предсказание будущего спроса определённого продукта. Точное прогнозирование спроса помогает производителям снизить риск и повысить общую эффективность цепочки поставок. Однако этот термин не стоит путать с планированием спроса, поскольку это более широкая концепций, включающая в себя прогнозирование спроса, но не состоящая исключительно из него.
Алгоритмы машинного обучения можно использовать для успешного прогнозирования спроса у потребителей, а также любых связанных с этим изменений. Выявляя повторяющиеся паттерны и сложные взаимосвязи, системы машинного обучения обрабатывают исторические данные продаж и цепочек поставок, анализируют тысячи факторов, влияющих на поведение покупателей. В отличие от традиционного прогнозирования, ML-прогнозирование способно работать с большими объёмами данных. Следовательно, оно может быть решением как для кратковременного, так и долговременного планирования новых продуктов. Несмотря на то, что стопроцентной точности достичь невозможно, производители получают выгоду от прогнозирования спроса на основе ИИ, совершенствуя планирование применения рабочей силы и финансовых затрат.
В 2011 году французский международный производитель продуктов питания Danone внедрил ML-систему для создания более точной платформы прогнозирования спроса. В качестве партнёра производитель выбрал международного поставщика программных систем оптимизации цепочек поставок ToolsGroup. Процесс прогнозирования затронул широкий спектр свежих продуктов, объединённых такими факторами, как краткий срок хранения и динамический спрос. Фиксируя историю продаж и спроса на эти продукты, поставщик выявил периоды недостаточного предложения и проанализировал, как устранить эти проблемы в планировании спроса.
В результате ML-прогнозирования спроса Danone смогла снизить погрешность прогнозов на 20% и упущенный сбыт на 30%. Кроме того, планировщики спроса компании получили лишнее время на выполнение задач, более полезных для бизнеса.
Автоматизация складов для оптимизации взаимодействия транспорта
Для производителей автоматизация складов становится подходящим решением для минимизации ручного труда и снижения эксплуатационных затрат. Автоматизированное хранение данных позволяет компаниям быстрее обрабатывать заказы и точнее планировать график.
В 2018 году автомобилестроительная компания Toyota представила на выставке CeMAT концепцию AI Team Logistics. Концепция предлагает модернизировать способ взаимодействия в реальном времени горизонтальных перевозчиков с высокоуровневыми машинами под управлением ИИ. Основная идея заключается в оптимизации перемещения всех грузовиков на складе и в обеспечении их взаимосвязи.
Каждую секунду программная система на основе ИИ вычисляет оптимальное использование ресурсов и маршруты перевозчиков. Такое прямое взаимодействие между транспортом заменяет традиционную централизованную концепцию склада командной работой машин. Поддерживая полностью автоматизированный непрерывный поток, компания стремится оптимизировать выполняемые на складах процессы.
Концепция AI Team Logistics преобразует избыточное управление складом в продуктивную командную работу. Источник: Toyota
Проблемы и сложности применения ИИ
При внедрении технологий на основе ИИ производитель может столкнуться со следующими трудностями:
Высокая стоимость внедрения ИИ. Первоначальное внедрение ИИ может быть дорогостоящим, особенно для небольших компаний и стартапов, принимая во внимание затраты на получение данных и разработку. Однако многое зависит от задачи, которую стремится решить производитель при помощи искусственного интеллекта. Если внутренней команде разработчиков необходимо создавать ИИ с нуля, стоимость будет выше, чем при консультировании с узким специалистом.
Нехватка опытных специалистов. Даже несмотря на то, что ИИ предполагает всплеск развития робототехнических систем автоматизации, технологии машинного обучения постоянно эволюционируют. Если в вашей команде достаточно опытных дата-саентистов, вам повезло. В противном случае вам понадобится искать профессионалов в сфере ИИ с соответствующим опытом.
Качество данных. В производстве данные часто оказываются устаревшими, содержащими перекосы или ненадёжными, однако успех внедрения ИИ напрямую зависит от качества данных. Например, если мы говорим о заводах, данные на них часто создаются на несвязанных друг с другом системах, эксклюзивно запатентованных как собственность изготовителя. Из-за этого широкомасштабная аналитика на основе ИИ не всегда применима.
ИИ и будущее производства: чего нам ждать?
Почему стоит покупать технологически современное оборудование?
Существует много различных факторов, которые способствуют успеху компании: ее объекты, сотрудники, маркетинговые хитрости, и, что важно, — ее оборудование. Эти вещи, объединенные вместе, способны или вывести компанию в лидеры отрасли, или сломить ее деятельность насовсем.
Крупные компании для того чтобы нанять лучших сотрудников, купить современную офисную технику или провести масштабные рекламные кампании, — имеют возможность оперировать большими бюджетами, в то время как многие небольшие компании просто не могут себе этого позволить и конкурировать с более крупными игроками в своей отрасли.
Без современного оборудования предприятию любого уровня и любой отрасли промышленности сложно обойтись. Грамотный руководитель позаботится о внедрении достойных технологий в собственное производство. Зачастую у руководителей возникают сомнения – оправдана ли будет такая покупка?
