Что показал анализ возражений в большом массиве звонков образовательной компании

Для следующей разведки мы взяли больше тысячи свежих звонков.

На входе были три категории возражений, которые сформулировал клиент.

Нужно было понять:

как они реально проявляются в продажах образовательных услуг?

Первая AI-разметка показала, что примерно в пятой части разговоров система видит хотя бы одну из заданных категорий.

Во многих из этих звонков она также находила какую-либо попытку менеджера продолжить работу после возникшего барьера.

На первый взгляд уже можно строить отчет по работе с возражениями.

Но именно здесь пришлось остановиться.

Попытка отработки еще не означает качественную работу с возражением

Первая версия оценки была широкой.

Если менеджер после предполагаемого возражения продолжал обсуждение или задавал вопросы, система могла считать это попыткой отработки.

Поэтому из такой цифры нельзя делать вывод:

менеджеры хорошо работают с возражениями.

Пока можно сказать только:

система увидела какое-то дальнейшее действие.

Для оценки качества сначала нужно договориться, какое действие вообще считается правильным.

Но вскоре выяснилась еще более базовая проблема.

Что считать самим возражением

Наиболее заметной в разметке стала категория “неактуально”.

Другие сценарии встречались реже или проявлялись иначе, чем предполагалось.

Это уже делало “неактуально” кандидатом для следующего фокуса.

Но мы начали открывать конкретные звонки.

И увидели пограничные ситуации.

Где-то система относила разговор к “неактуально”, хотя клиент скорее говорил, что конкретная образовательная программа не соответствует его текущей ситуации.

Где-то AI видел ценовое возражение там, где человек скорее обсуждал условия.

Модель находила смысл рядом с нужной категорией.

Но это еще не означает, что руководитель назвал бы событие тем же словом.

Пришлось калибровать и гипотезу клиента, и AI

Изначально конструкция была простой:

клиент формулирует гипотезу -> данные показывают реальность.

На практике получилось иначе.

Представление руководителя может быть неполным.

Но и первичная AI-разметка звонков не является истиной.

Поэтому большой массив данных не дал окончательного ответа.

Он помог сформулировать более узкий вопрос:

Что именно в продажах образовательных услуг мы считаем возражением “неактуально”?

И:

Что менеджер должен сделать после такой реакции?

Это уже намного более конкретный объект для следующего цикла.

Внутри отдела продаж появились различия

Даже при широкой первой оценке было видно, что сотрудники ведут себя неодинаково.

У одних система чаще находила продолжение работы после возражения.

У других реже.

Это еще нельзя превращать в рейтинг менеджеров.

Но появляется полезная гипотеза:

возможно, в существующих звонках уже есть разные способы работы с возражениями, которые стоит сравнить.

То есть не обязательно сразу придумывать идеальный скрипт продаж образовательных услуг.

Сначала можно посмотреть, что менеджеры уже реально делают в похожих ситуациях.

После большого массива звонков мы снова вернулись к калибровке

Не к красивому итоговому отчету.

Нужно было вместе с клиентом проверить конкретные разговоры.

Какие из них действительно содержат нужное возражение?

Какие нет?

Какие формулировки пропускает система?

Что считать правильной реакцией менеджера?

И именно здесь появился достаточно конкретный ответ.

Если клиент говорит, что образовательное предложение ему неактуально, менеджер должен попробовать выяснить:

А что для клиента актуально сейчас?

После этого продолжить разговор относительно выявленной потребности.

Теперь можно было строить следующий критерий.

Но клиент поставил другой вопрос:

зачем ждать окончания разговора, если нужное действие можно подсказать менеджеру прямо в момент диалога?

Дневник пилота
Предыдущая запись: Как мы перешли от рекомендаций после звонка к работе с возражениями при продаже образовательных услуг
Следующая запись: Как изменить поведение менеджеров по продажам образовательных услуг