Кейс з лідогенерації: просуваємо IT-аутсорсинг за кордон
До нас звернулася IT-компанія з цікавим завданням: знайти європейські та американські компанії, яким потрібен IT-аутсорсинг у сфері штучного інтелекту.
Для більш точного пошуку ми визначили їхні пріоритети. Це розробка з акцентом на комп'ютерний зір (але не Інтернет речей) та перевагою в сфері охорони здоров'я. NLP + машинне навчання, але виключно для B2B-компаній.
У цих галузях наш клієнт має значний досвід і лояльну клієнтську базу, готову рекомендувати його послуги.
Як знайти свою голку в сіні даних
Хоча існує величезна кількість ресурсів для пошуку, залежно від мети коло завжди звужується. Ми скористалися національними списками стартапів у сфері штучного інтелекту, даними щодо випускників акселераторів та сайтами з портфоліо інвесторів у цій сфері, локальними американськими job-дошками, орієнтованими на IT-фахівців, щоб зібрати ґрунтовну інформацію.
Технічні можливості для збору даних наявні, ті ж парсери, але ключовим завданням залишається пошук нашого ідеального клієнта серед безлічі доступних даних. Час переходити від грубої роботи до тонкої.
Від веб-сайтів до інсайтів: визначення ідеальних клієнтів за допомогою АІ
Готуємо файл із добутими сайтами компаній. Парсимо контент сторінок. Як варіант, можна також парсити контент Linkedin-профілів компаній.
Використовуємо штучний інтелект: За допомогою ChatGPT генеруємо Python-код для парсингу тексту з сайтів. Отримуємо готове рішення для автоматичного збору інформації.
Трохи попрацюємо над кодом, додамо до нього функції обробки масиву сайтів та запису готових результатів у Excel. Після цього будемо працювати з отриманим текстом за допомогою АІ-асистентів.
Ось які запитання ставимо про кожну компанию:
- "Чим конкретно займається ця компанія? Дай відповідь у 3 реченнях. (як варіант, не більше 500 токенів")
- "Це B2B чи B2C компанія?, чи те й те одночасно"
- "Які ключові слова описують послуги цієї компанії?"
АІ-асистент аналізує текст про компанію та надає ґрунтовні відповіді на запитання. Просимо обґрунтувати відповіді, не довіряти ж йому наосліп. Для тесту ми завжди це робимо, іноді й нам доводиться ретельніше пропрацьовувати промт… А після перевірок економимо токени і вимагаємо стислі відповіді.
Які питання цікавили нас додатково: стек технологій, який використовують компанії, конкретні галузі медицини, які обслуговують компанії. Тут, згідно з описом ICP, враховуємо, що саме підходить (аналіз УЗД, рентгенівських знімків, КРТ), і що точно не підходить, наприклад, аналіз геномів.
Всі свої відповіді АІ-асистент автоматично заносить в Excel.
Тепер можна легко знаходити та аналізувати інформацію про всі компанії в одному місці.
Залишилося поставити собі фінальне запитання: хто з них найімовірніший ідеальний клієнт для нашого клієнта? Переглядаємо інформацію очима. Та коли попередній аналіз уже проведено, це значно полегшує задачу.
Чим користувалися на цьому кроці:
Мова програмування: Python - наш вірний друг.
Парсери: від готових (Webharvy, Screaming Frog) до напівфабрикатних (brightdata, crawlbase), а також самописні на фрейворках Requests і Selenium.
Штучний інтеллект: Edenai.co (для вибору і тестування відповідної LLM), API Open AI, Replicate (для здешевлення процесу). Спробували підбирати моделі на Hugging Face - але невдало, відповідних не знайшли.
Google Sheets або Excel - сюди все складємо.
З'являються на ринку і готові інструменти, які тією чи іншою мірою вирішують подібні завдання, як приклад, clay.com. Тестували, але зупинилися все ж на OpenAi.
ОПРи: де їх шукати та як знайти
Завдання: Знайти OПРів (осіб, які приймають рішення) в обраних компаніях. Ось де ми їх шукаємо:
• LinkedIn Sales Navigator:
Використовуємо Boolean Search з ключовими словами: CEO, Executive, Chief Executive Officer, Strategist, Chairman. Для кожної посади підбираємо синоніми. Доводиться використовувати й національні мови, наприклад, "geschäftsführer" в Німеччині або "capo" в Італії.
• SAАS-сервіси:
Активно використовували сервіси, такі як snov.io. Ці сервіси зручні та швидкі, адже дозволяють шукати за списком компаній та фільтрувати за посадами. Проте інформація не завжди актуальна. Зрештою, LinkedIn також не є панацеєю, адже люди часто лінуються оновлювати інформацію про себе.
• Сервіси типу Theorg:
Ці сервіси розкривають оргструктуру компаній, показуючи "всю її внутрішню кухню". Існують варіанти як для західних ринків, так і для СНД. Використовували опційно, коли не вистачало інформації з LinkedIn.
• Сервіси для пошуку корпоративних e-mail:
Використовували Hunter.io, Apollo, kendoemailapp, findymail та інші. Ці сервіси не обмежуються даними LinkedIn, а шукають інформацію одразу з багатьох джерел. Hunter навіть надає посилання на ці джерела.
• Сервіси реверсивного пошуку:
Іноді можна знайти інформацію про корпоративні e-mail, але не про людей. Якщо відомий лише корпоративний e-mail, використовували epieos.com, emailsherlock.com та інші сервіси реверсивного пошуку.
• Платні бізнес-довідники: Ці довідники, як правило, містять потрібну інформацію, їх існує безліч. Проте ми обійшлися без них.
• "Важка артилерія":
Власні скрипти, скрипти з GitHub, а також OSINT-інструменти типу SpiderFoot або Cherlock - для найскладніших випадків. Ці інструменти не використовували, але звертаємося до них, якщо не вдається знайти контакти, а компанія дуже цікава.
На цьому етапі ми зібрали достатньо інформації про потреби компанії та контакти людей для першого звернення.
Інформаційний апгрейд: поглиблене дослідження компаній
Для продовження комунікації зазвичай потрібна додаткова інформація. Ось що ми шукаємо та як:
• Job-дошки: аналізуємо вакансії, щоб зрозуміти, які спеціалісти потрібні компанії.
Цей метод використовували в даному випадку.
• LinkedIn Sales Navigator: шукаємо профілі самої компанії та її співробітників.
• Інші соціальні мережі (опційно): публікації та обговорення в соціальних мережах - це скарбниця інформації про потреби та настрої компанії. Щоб отримати інформацію з соціальних мереж, використовуємо social-searcher, платний sociallinks.io, phantombuster.com (для складних випадків).
• Пошук у ЗМІ (опційно): Для пошуку новин добре підходять агрегатори feedly та inoreader.
Найактуальніші новини за ключовими словами або назвою компанії можна знайти через newsbrief.eu або Google News. Зазвичай у нас є заготовки CSE (користувальницький пошук Google) з прив'язаними ресурсами, за якими ми здійснюємо пошук.
Такі дослідження проводили вже на другому кроці, для тих компаній, хто проявив активність після першого контакту. Також використовували їх, коли SDR'и готувалися до першого дзвінка.
Тексти, що резонують із клієнтами (Людяність, інтрига, персоналізація)
Настав час вибудовувати ланцюжки торкань. Ми збирали інформацію, як шпигуни, для чого? Щоб потім зачаровувати своїх клієнтів індивідуальним підходом. Формула успіху звучить так: "Show me you know me".
Використовуємо API ChatGPT 4.0 щоб генерувати з підготовленої сировини креативні, емоційні, інтригуючі тексти. Іноді штучний інтелект видає такі дійсно сильні звернення, що додати нічого. А іноді тексти потрібно шліфувати, додаючи власну креативність. І попри все ми таки не забуваємо про щирість та людяність у своїх зверненнях.
Що ще важливо? Зрозуміти потреби клієнта і запропонувати йому те, про що він давно мріяв. Інколи сайт приземлення дійсно створює для потенційного клієнта ефект "вау"! Але як мінімум, доводимо сайт до рівня розповіді про рішення мовою вигод потенційного покупця.
LinkedIn + email-маркетинг: що за лаштунками
А ще є низка суто технічної роботи. Валідувати адреси електронної пошти. Попередньо прогрівати пошту, щоб листи не потрапляли в спам. Налаштовувати ланцюжок торкань з A/B тестами, враховуючи, що в подальшому, в залежності від реакцій, доведеться багато чого перекроювати та вдосконалювати on go.
Не забуваємо про LinkedIn! Лайки, коментарі, запрошення - куди без них.
Сервіси - наші помічники. Існує безліч сервісів, які допоможуть налаштувати ланцюжки торкань як для e-mail, так і для LinkedIn, а також для того й другого одночасно. Ми використовували snov.io та expandi.
Email-маркетинг та LinkedIn: цифри, які говорять про успіх
Нарізаємо аудиторію на досить вузькі сегменти і запускаємо процес. Виглядає це приблизно так:
Далі аналізуємо відгуки та KPI й оптимізуємо процеси.
На які цифри орієнтуємося:
Email: Open rate: 60-70%, Reply rate: 2-10%
LinkedIn: Connection rate: 20-35%, Message reply rate: 4-12%
Від сегментації до MQL
В результаті усіх цих дій отримуємо MQL-ліди. Це люди, які зацікавилися пропозицією і пишуть у відповідь: «This sounds promising, but I'd like to see some case studies or testimonials», «I'm available for a call next week to discuss this further», «I'm definitely interested in learning more about your pricing options»...
А також залишають заявки на лендингу або просто телефонують за локальним номером телефону. Зрозуміло, що на сайті вказаний віртуальний номер країни, на ринок якої компанія хоче вийти.
MQL-ліди без вигоряння: ШI, Python та готові сервіси змінюють правила гри
Чи є ця праця виснажливою? Збір інформації, пошук потрібних людей, розсилка листів? Як пишуть в описі вакансій лідогенераторів: потрібна людина, налаштована виконувати день у день одноманітну роботу, не втрачаючи ентузіазму.
А чи потрібно згоряти на роботі, якщо є:
• Готові сервіси
• Штучний інтелект
• Python
Тільки уявіть:
Інтерфейс у вигляді AI-асистентів, які взаємодіють між собою і сторонніми програмами. І як на блюдечці приносять готові MQL-ліди для відділу продажів. Причому AI-асистенти пашуть 24x7, не вимагаючи майже нічого натомість.
Так, поки AI не вміє доводити проекти до кінця без нашої допомоги.
Наш креатив у частині постановки завдань перед AI, Python і сервісами перевершує той, що вкладений у LLM-и.
Але співпраця людини та АІ-істот вже сьогодні може істотно здешевити, пришвидчити і взагалі підняти на новий рівень пошук ідеальних клієнтів для будь якої компанії.