技术销售团队成功完成交易和赢得客户的速度取决于他们不仅能多好地瞄准合适的客户，还取决于他们能够多快地筛选噪音以将他们剔除。该声明不是突发新闻，但许多（如果不是大多数）B2B 销售团队都知道，有效和精确的潜在客户定位说起来容易做起来难。优先考虑仍处于销售渠道顶部或尚未意识到自己的技术需求的未成熟潜在客户只会浪费资源。相比之下，积极寻求购买的高素质潜在客户这样做的频率要高得多。
对于 B2C 技术供应商而言，这种差异仍然尤为明显。他们的产品很可能如他们所相信的那样具有巨大的创新性和影响力，但在买家中的占有率可能较低。虽然建立普遍意识很重要，但识别和定位当前有购买理由的客户会改变销售（和营销）效率，随着 B2B 技术供应商规模的扩大，这一点变得越来越重要。简单地瞄准具有适当收入门槛或员工人数的公司往往意味着将销售和营销资源花费在尚未准备好开出支票的企业上——而且可能永远不会。
为什么是机器学习为什么是现在
由于 B2B 技术销售团队在 2023 年可能会面临更大的压力，需要用更少的资源做更多的事情，自动化将需要成为其中的一部分。机器学习 (ML) 可以实现数据驱动的精确度，以便在正确的时间以正确的推销方式与正确的客户联系。迄今为止，对信任机器学习持谨慎态度的团队可能在这件事上没有太多选择——但会通过正确的策略和工作流程快速转变。
从正确的数据源提供的正确深入的 ML 见解可以识别具有特定和当前的帐户表明潜在客户对技术转变的渴望程度的变革推动因素。例如，潜在客户可能正准备引入需要全新前端堆栈的改进和现代化的客户体验。或者，一家企业可能正在追赶数字化转 中国移动号码数据库 型计划，并表示即将进行广泛的云迁移。
一位新领导加入公司或接管关键部门可能是指向技术改革的关键线索。展示这些变革推动者的企业更有可能处于购买阶段，有动力、紧迫性和分配的预算，以便在向他们展示时迅速采用正确的解决方案。
B2C 技术销售团队可以
并且应该）类似地利用 ML 洞察力来寻找和定位具有遗留技术堆栈的企业，这些企业显示出明显的增强或推倒重来的转型机会。企业感受到过时技术的痛点，他们可以干净地换成供应商的产品，通常是对话和转换的最成熟时机——而 ML 可以消除这种猜测。
或者，如果潜在客户的技术基础设施允许供应商解决方案直接进入他们的堆栈并带来切实的好处，那么销售就变成了一个下坡路。例如，云采用或一定程度的 IT 成熟度是必需的解决方案应该针对满足该标准的客户。
使用 ML 挖掘正确的数据同样可以 CW 线索 让支持云和数据迁移的供应商在这些项目启动之前识别并关注客户。优先考虑实际上已经准备好并能够实现您所销售技术的优势的客户，这将缩短销售渠道并明显提高效率。