В 2019 году мы, обычная аутсорс-компания, начали разрабатывать свой собственный продукт, основанный на компьютерном зрении, — Wizart — помогали пользователям примерять обои на фотографиях их интерьеров. Сейчас это уже отдельная компания.
Набравшись опыта и совершив/исправив множество ошибок, мы стали выполнять сторонние небольшие заказы по этой же технологии. И именно этот хаотичный опыт оказался ключевым катализатором изменений, которые начались два года назад.

Компания и основная идея
В течение последних двух лет в нашей компании наблюдались значительные изменения, сосредоточенные на формировании нишевой экспертизы в области искусственного интеллекта (AI). Мы переходили от стандартной схемы работы IT-компании к попыткам нишевания. И первой эти попытки затронули структуру продаж.

Попытки трансформации структуры продаж

Попытки трансформации структуры продаж

Попытки трансформации структуры продаж
Business Unit, Business Unit Manager
Как мы это понимали и как видели взаимодействие внутри компании? Важным аспектом в разработке нового бизнес-направления является определение места бизнес-юнита в компании и его менеджера. Почему именно выделение отдельного юнита? Все просто: первый и контролируемый шаг в нишевании, тестирование новых подходов в лидгене/маркетинге/продажах без ущерба для основного процесса. То есть А/В-тестирование на более высоком уровне. Для нас бизнес-юнит — это промежуточный этап между аутсорс и консалтинговой компанией.
Мы понимали, что для успешного запуска и развития этого направления нам необходим человек, который бы понимал в технологиях и обладал бы глубоким пониманием бизнеса. Его задачей было не только создание инновационных сервисов, но и их успешное внедрение на рынок. Этот человек становился ключевым драйвером развития нового направления, обеспечивая гармоничное взаимодействие между технологическими возможностями и потребностями бизнеса.
Ресурс-план
Кого нанимали и для чего? При разработке нашего плана найма мы столкнулись с важным вопросом: кого нанимать и для каких целей? Очевидно, что нам требовались специалисты в области машинного обучения.
Наш первоочередной кандидат был Lead ML-Engineer. Основными требованиями к кандидату были:
- обеспечивать технический дизайн услуги/продукта и доставку ценностного предложения;
- отвечать за то, «как» работает бизнес-юнит:
• определение стратегического подхода и методологии предоставления услуг;
• рекомендации по профилю экспертизы и формирование состава технических команд в юните;
• технический аудит проектов в BU, рекомендации по корректировке процесса деливери; - формирование базы знаний и накопление технической экспертизы в бизнес-юните.
Мы предложили очень привлекательные финансовые условия, даже чуть выше рыночных: во-первых, фиксированный оклад с градацией роста плюс возможность стать совладельцем этого направления. Но несмотря на это, многие кандидаты отказывались.
В то время разработчики были востребованы, и идти работать в только зарождающийся отдел казалось нерациональным. Многим проще было получать немного меньше, зато иметь более понятные задачи, меньше головной боли и прозрачные перспективы. Нам повезло, что через наш личный нетворк мы нашли специалистов с PhD, с которыми смогли начать работу. Кроме того, внутри компании нам были выделены дополнительные специалисты: лидген специалист, маркетолог и контент-райтер.
Лидген: что и кому писали. Как улучшили конверсии в MQL в 3 раза
Проблема выделенного лидгена под новое направление оказалась не только в том, что это представляло собой значительную ответственность, но и в переломе в мотивации сотрудников. В ходе экспериментов с гипотезами часто возникали ситуации, когда мотивация коллектива была нарушена: пока их коллеги получали бонусы за приведенных лидов, наши тестировали вторую гипотезу за месяц. В то же время мы замечали, что в определенные месяцы наше направление опережало общий процесс компании, а иногда, наоборот, значительно отставало.
В результате мы пришли к выводу, что эксперименты должны стать неотъемлемой частью работы каждого сотрудника лидген отдела, при этом разработчики должны были предоставлять помощь сотрудникам в формировании ответов. Для этого на ранних этапах коммуникации специалисты по машинному обучению подключались после получения первого ответа от лида, даже если это было простое «спасибо».
Например, лидген специалист получал «привет, спасибо» от лида из США, у которого было свое хозяйство с помидорами. Business Unit Manager анализировал компанию, ЛПР и новости этой индустрии, потом давал задание разработчикам для подготовки визуала — видеокейс tomatos-counter (см. выше).
После, уже с лидген специалистом, формировали ответ. Чаще всего над ответом работала пара — BUM и лидген, иногда привлекая Senior ML Engineer для быстрой визуализации и технической консультации. Это взаимодействие помогло сформировать базу материалов и ответов, в результате чего мы смогли увеличить конверсию в MQL в три раза.
Маркетинг: статьи под лидген компании
Просматривая весь процесс, мы понимаем, что существует одна отправная точка для работы нескольких отделов — гипотеза, после формулирования которой начинается подготовка контента, публикации статей, запуск лидген-кампаний, написание питча для сейлов. Однако на первых этапах этот механизм может оказаться довольно тяжеловесным и необоснованно дорогим.
Первая задача — сделать Value Proposition. Анализ предыдущего опыта компании. Винегрет из Sport, Interior design, Healthcare, Agriculture и т.д. Наш первый шаг был связан с определением ценностного предложения. Мы прибегли к использованию треугольника ценностного предложения и потратили около недели на формирование Value Proposition.
Треугольник ценностного предложения
Уже сейчас мы понимаем, что неделя на VP — это немного. Рассуждали стандартно: где можем принести бизнесу клиента пользу и как. Начали рисерч популярных кейсов использования.
Но вариантов применения и индустрий было огромное количество — от контроля дефектных товаров до анализа спутниковых снимков.
Главное — вовремя остановиться
Решив, что нам не стоит ограничивать себя индустрией, мы стали работать над VP от технологий: например, с помощью object detection вы сможете зарабатывать больше. Это привело к неожиданным реакциям со стороны потенциальных клиентов, которые с недоумением выслушивали нас и старались выговорить словосочетание computer vision.
Этот эпизод заставил нас задуматься и пересмотреть подход, обратившись к опыту предыдущих проектов компании. Мы осознали, что хотя опыт был ценным, он слишком разрозненный, включая различные отрасли, такие как спорт, дизайн интерьера, здравоохранение, сельское хозяйство. Вот только некоторые проекты:
Это открывало двери и позволяло сформулировать посыл для рынка более понятно, но не обеспечивало устойчивый фундамент для развития. Чтобы пойти в любую из этих ниш, нужно было гораздо больше опыта и примеров работ. И нас еще не отпускал страх «ограничения»: поставить себя в рамки конкретной индустрии или конкретного сервиса. Таким образом, мы снова решили пересмотреть наш подход.
Формирование гипотез и их валидация. 2 недели на проверку гипотезы – провалилось
Мы принялись активно работать над гипотезами и их тестированием, выработав такой шаблон для этого процесса:
Формулировали мы гипотезы, описывая их ярко и наглядно: брали статьи с трендами и примерами применений, штудировали отчеты консалтинговых агентств, выбирали наиболее часто повторяющиеся кейсы, обобщали, а затем запускали в лидген и маркетинг. Некоторые из наших кампаний приносили радость — конверсия в звонки была высокая. Но за другие приходилось подробно отчитываться о неудачах: ответов было слишком мало, не говоря уже о звонках. После нескольких провалов нам установили жесткий срок — не более двух недель на проверку каждой гипотезы. Однако этого времени зачастую оказывалось недостаточно, его хватало только для того, чтобы получить первые коннекты в LinkedIn и несколько ответов.
Чтобы убедиться в валидности наших гипотез, мы собрали команду разработчиков, маркетологов, специалистов по лидгену и других экспертов из компании. Перед нами был заранее подготовленный список гипотез, и мы устроили голосование: кому какая гипотеза больше нравится. Выставили цифры напротив каждой гипотезы и провели фильтрацию. Это оказалось проще, чем мы ожидали, и, конечно же, не принесло ничего хорошего. Мы продолжали гадать и выражать собственное мнение. Сегодня процесс валидации гипотез включает в себя исследование ниши, анализ отчетов Tier-1 консультантов, проведение custdev и даже анализ рынка акций. На ошибках учатся.
ICP/BP: кто показал наилучший результат (консультанты из UK, которые любят поговорить, но не купить) и как достучались до нефтедобывающей компании с ~250 вышками (без кейсов в Oil & Gas)
Итак, гипотеза у нас есть, можем переходить к лидгену и формированию ideal customer profile / buyer person. Как уже упоминалось выше, это составные части наших гипотез. Некоторые из них были особенно успешны, и мы удивлялись количеству звонков, которые нам сетапил всего один лидген, — до 8-9 в неделю. Однако мы скоро осознали, что клиенты, которые соглашались на эти звонки, часто оказывались бизнес-консультантами, для которых разговор был лишь информационным, и дальнейшего интереса они не проявляли. Мы становились частью портфолио подобных консультантов и получали бесчисленные обещания будущих работ, но нам нужны были заказчики с проектами. Поэтому следующей нашей гипотезой должен был стать ICP из реального сектора.
Так мы захотели выйти на клиентов из Oil & Gas. На тот момент у нас не было ни одного кейса, и мы стали готовить прототипы и визуализацию — короткие видеопримеры применения компьютерного зрения в этой индустрии. На крупные компании мы смогли выйти через вышеописанных консультантов, и «пищевая цепочка» была интересная: крупная нефтегазовая компания (около 250 буровых площадок), их доверенный IT-подрядчик, наш консалтер, который знал этого подрядчика, и мы. Немного подробнее о самом консультанте: это был англичанин, он проработал в Oil & Gas более 25 лет и основал свою небольшую консалтинговую компанию, которая помогала компаниям из данного сектора автоматизировать процессы. У нас получилось договориться работать совместно: его доменная экспертиза и наша экспертиза в компьютерном зрении. Он становился нашим мостом к большим клиентам, показывал проблемные моменты, которые мы потенциально могли бы решать, и занимался презентацией наших возможностей.
Вернемся к нашему огромному лиду. На первой встрече мы презентовали наши возможности. Собралось не менее 12 человек в Zoom, чтобы понять, что же мы предлагаем. Конечно же, наши кейсы показывал консультант — наиболее «свой» человек для них.
Со стороны конечного заказчика не было никого выше проектных менеджеров, но мы заметили, как к ним прислушиваются абсолютно все участники. Через неделю после первого звонка они решили, что можно проработать следующий кейс — подсчет труб, которые погружались в скважину при бурении (наименее очевидный кейс, который мы могли себе представить). На тот момент у нас в команде уже было 2 ученых, мы сделали демо помимо финальной презентации, показали, как наша технология работает. Я не могу показывать их данные, но видео наших экспериментов можно посмотреть. К сожалению, более выгодным оказалось решение с лазерами, чем установка систем компьютерного зрения на буровых установках посреди моря.
Так произошло еще с двумя крупными Oil & Gas компаниями. Мы осознали, что в эту индустрию вошли слишком рано, стремясь получить большие проекты, но не обладая необходимыми ресурсами и опытом.
Создание своего фреймворка для разработки AI-решений (суммировали около 15 разных подходов)
Продажа решений в области машинного обучения (ML) представляет собой особый процесс в сравнении с традиционными продажами в IT. Одной из основных особенностей является неопределенность, которая часто связана с данными заказчика. Поэтому важно выделять продажи ML-решений в отдельную категорию и говорить о них особо. Именно этот факт заставил нас разработать собственный фреймворк для управления подобными проектами.
Наш фреймворк основан на четырех ключевых этапах: дискавери, R&D, прототипирование и деплой. Мы назвали его DIET (Discovery, Ideation, Experiment, Transformation), чтобы обозначить важность каждого этапа и подчеркнуть прозрачность процессов. Формированием фреймворка мы занялись через два-три месяца после старта. Помимо релевантных кейсов и опытных разработчиков, наши лиды хотели понимать, как мы достигнем необходимой цели. Обычно слайд с DIET один из самых обсуждаемых на переговорах, ведь именно он показывает путь клиента через неопределенность.
Этот подход не только предоставил нам информационный повод для рекламы, но и повысил уровень доверия наших заказчиков к ML-проектам.
Разработка прототипов для контента и расширения опыта
Мы не ограничивались только созданием базы знаний, в которой хранились запросы, подготовленные материалы, дата-сеты и научные статьи. Мы осознавали, что динамика рынка требует постоянного развития и расширения нашей экспертизы. Поэтому приняли решение создать лабораторию внутри нашего отдела, где разрабатывались прототипы — почти готовые решения, которые не только дополняют наше портфолио, но и позволяют нам охватывать более широкий спектр индустрий. Для примера: у нас есть прототип для анализа речи и определения эмоций. Раньше мы не работали со звуком, но, собрав прототип, прошли путь проб и ошибок, выбрали нужные инструменты и архитектуру. Теперь мы не просто говорим о нашем опыте, но и можем выслать прототип для тестов. Этот подход позволяет нам успешно адаптироваться к изменяющимся требованиям рынка.
У нас были выделенный лидген специалист, маркетолог и сейлз. Конкуренция с остальным коммерческим блоком
С самого начала мы осознавали важность эффективного управления продажами. Уже тогда у нас были выделенный лидген специалист, маркетолог и сейлз. Однако с течением времени столкнулись с проблемой дублирования усилий: получалось двойное планирование с отделом лидгена, маркетинга и продаж, двойные отчеты и контроль. Пришло время изменений. Мы пересмотрели наш подход и приняли решение объединить процессы. Взяли лучшие моменты из полученных результатов экспериментов, вернули всех специалистов на места, а сами стали «заказчиками», предоставляя задания и поддерживая команды при необходимости. Этот шаг помог сделать нашу работу более эффективной и сосредоточиться на общих целях компании.
Сделали прозрачной коммуникацию лидгена, маркетинга, сейлов и продакшен-команды. Все видели усилия друг друга.
Одним из наших значимых достижений стало создание эффективной системы коммуникации между всеми участниками команды. Мы решили объединить всех в общую группу, разделенную на чаты, при этом каждый участник имел доступ ко всем чатам. Это позволило создать прозрачное окружение, где каждый мог видеть, как взаимодействовали друг с другом сейлзы, маркетологи, разработчики и специалисты по лидгену. Так, например, ребята из лидгена могли отслеживать, как с их лидами работали сейлзы, а разработчики вносили свой вклад в процесс разработки статей, общаясь с маркетологами. Этот метод сотрудничества был одобрен всеми участниками процесса, поскольку он стимулировал активное взаимодействие и совместное решение задач. Лично для меня важна была возможность видеть усилия каждого члена команды: теперь все могли оценить труд каждого из нас, что вносило дополнительную ответственность и стимулировало к совместной работе.
Создали сеть партнеров: помогаем лидгену, маркетингу и сейлам взять проект, визуализируем/описываем кейсы, консультируем лидген, готовим сейлов к звонкам/ходим вместе.
В течение последних двух лет мы усердно работали над развитием нашего отдела машинного обучения. Через год после его запуска мы наконец начали видеть результаты — отдел стал приносить прибыль, и прошлый год мы закрыли с рентабельностью около 40%. Этот успех не мог бы быть достигнут без наших партнеров — компаний, которые разделяют наше стремление к развитию направления машинного обучения. С этими компаниями мы начали сотрудничество в прошлом году, и их объединяет одно: они хотят развивать у себя AI-экспертизу. Мы предлагаем более простой старт для этого, а не совершать ошибки, которые мы уже прошли. У нас не было для этого выделенной лидген кампании, все партнерские соглашения пришли из нетворкинга.
Опираясь на свой опыт, мы пришли к выводу, что помощь нашим партнерам на ранних этапах сотрудничества является ключевым фактором успешного взаимодействия. Мы с удовольствием готовы совместно формировать ответы на первых касаниях с лидом, формировать стратегии по работе с потенциальными клиентами, обучать их сейлов и совместно принимать участие в звонках, а также создавать кейсы для их портфолио. Только после этого мы вместе с ними разрабатываем решения в области машинного обучения.
Уверен, что это не финальная точка.

Кирилл Лозовой
Founder, GTM Bear. Ex. Руководитель отдела продаж AI-Технологий в Exposit
В школе SaleSolution мы детально разбираем элементы outbound и inbound лидгена
Научим продавать сервисы, продукты, решения. Познакомим с лучшими тактиками на рынке. За 10 лет работы нашей команды в продуктовых и сервисных продажах мы накопили немало опыта!