Jak firma doradcza dostała cotygodniową listę firm ze świeżym sygnałem zakupowym

Kto to był i co go bolało

Klient prowadzi firmę doradczą pracującą w modelu interim management - wchodzi do spółki na czas zmiany i dowozi konkretny wynik. Taka usługa sprzedaje się wtedy, kiedy w firmie coś się dzieje: zmienia się zarząd, wchodzi inwestor, rusza ekspansja, pojawia się duża inwestycja albo restrukturyzacja. Kłopot w tym, że o takich zdarzeniach trzeba wiedzieć wcześniej niż konkurencja, a nie wtedy, gdy leci już oficjalna informacja prasowa.

Zespół sprzedaży szukał tych sygnałów ręcznie. Jeden handlowiec czytał prasę branżową, drugi przeglądał LinkedIn, trzeci zaglądał do rejestrów. Każdy robił to po swojemu, w innym rytmie i z innym skutkiem. Nie było powtarzalności, więc nie dało się tego ani rozliczyć, ani przekazać nowej osobie. Do tego schodziło na to kilka godzin tygodniowo na człowieka.

Gotowe bazy komercyjne odpadły z dwóch powodów. Po pierwsze słabo pokrywają polskie firmy prywatne z przychodem powyżej stu milionów złotych, a to był rdzeń profilu klienta. Po drugie kosztują tyle, że przy tej wielkości zespołu nie miało to sensu. Był też warunek twardy: zbieranie danych miało się odbywać bez łamania regulaminów źródeł i zgodnie z RODO. To wykluczyło sporą część narzędzi z rynku, które radzą sobie z tym tematem przez udawanie, że go nie ma.

Co zrobiliśmy

Zaczęliśmy od przełożenia profilu idealnego klienta na reguły, które agent rozumie. Przychód, branża, struktura kapitału i region weszły jako twarde filtry. Obok tego rozpisaliśmy sześć obszarów zdarzeń, które w tej branży oznaczają realny sygnał zakupowy.

Zbieranie danych stoi na Pythonie i ma trzy warstwy. Pierwsza to oficjalne rejestry, czyli sygnały twarde, potwierdzone i datowane. Druga to biznesowe kanały RSS czytane przez feedparser - stamtąd informacja przychodzi szybciej niż z rejestrów, choć jest mniej pewna. Trzecia warstwa to wyszukiwarki newsów, które pracują jako siatka bezpieczeństwa i wyłapują to, czego nie złapały dwie poprzednie. Razem pokrywają większość tego, co o tych firmach da się w ogóle publicznie przeczytać.

Ocena leży po stronie Claude uruchamianego przez Agent SDK. Model dostaje surowe zdarzenie i profil klienta, sprawdza dopasowanie, klasyfikuje typ sygnału, nadaje ocenę od jednego do pięciu i podpowiada, kto w danej firmie jest właściwą osobą do kontaktu. Gotowe wiersze lądują przez Google Sheets API w arkuszu, z którego zespół korzysta na co dzień. Całość chodzi z crona na małym serwerze, bo nie było powodu budować pod to czegokolwiek większego.

Jak to działa dzisiaj

W poniedziałek rano w arkuszu pojawia się nowa partia firm. Każdy wiersz ma nazwę firmy, opis zdarzenia, typ sygnału, ocenę od jednego do pięciu, sugerowaną osobę kontaktową i przypisanego opiekuna po stronie klienta. Zespół dostaje powiadomienie i zaczyna tydzień od gotowej listy, a nie od szukania.

Handlowiec nie decyduje już, gdzie szukać. Decyduje tylko, do kogo zadzwoni najpierw, a to jest właściwe miejsce na ludzki osąd. Wdrożenie zajęło około tygodnia, bo większość pracy poszła w definicję profilu i sygnałów, a nie w kod.

Co z tego wyszło

Świeża lista leadów trafia do zespołu raz w tygodniu, regularnie i zawsze w tym samym formacie. Agent pilnuje sześciu obszarów sygnałów zakupowych i korzysta z trzech warstw źródeł danych, więc jedno źródło, które przestanie odpowiadać, nie zatrzymuje całości. Każdy lead dostaje automatyczną ocenę w skali od jednego do pięciu, dzięki czemu kolejność kontaktu wynika z danych, a nie z tego, kto pierwszy zauważył artykuł.

Największa zmiana jest jednak organizacyjna. Prospecting przestał być prywatnym rytuałem każdego handlowca i stał się procesem firmy - takim, który da się opisać, przekazać i poprawiać.

Co zrobilibyśmy inaczej

Najwięcej czasu zjadło ustalenie profilu idealnego klienta, a my potraktowaliśmy to na starcie jak formalność. Następnym razem robimy z tego twardy warsztat z handlowcami, zanim ktokolwiek napisze pierwszą regułę, bo od tego zależy jakość wszystkiego dalej.

Drugi wniosek dotyczy skali ocen. Wypuściliśmy scoring od razu na produkcję i dopiero potem kalibrowaliśmy go na tym, co zespół uznawał za dobry lead. Lepiej dać handlowcom sto zdarzeń do ręcznej oceny i na tym ustawić model. Trzecia rzecz to kolejność: przegląd regulaminów źródeł i wymogów RODO zrobiliśmy uczciwie, ale późno. Przy tego typu agencie to powinien być pierwszy krok, bo potrafi wykreślić całe źródło i zmienić architekturę zbierania danych.