سامبل: چرا 80 درصد داده های دقیق تا زمانی که نماینده شما از آنها استفاده می کند به 33 درصد داده های دقیق تبدیل می شود و چگونه Nooks 700 حساب را کشف کرد که از آنها اطلاعی نداشت

آملیا سامبل را بهترین شرکتی نامید که احتمالاً تاکنون نامش را نشنیده اید. مشتریان آن عبارتند از Snowflake، Databricks، Figma، Wiz، Monaco و لیست بلندبالایی از شرکت های هوش مصنوعی مانند Baseten، Vercel، Modal و CodeRabbit. SaaStr آن را برای شش تا هشت هفته گذشته اجرا کرده است.

بنیانگذار آنتونی گلدبلوم از بازار نیامده است. او قبلاً Kaggle را تأسیس کرد، جامعه یادگیری ماشینی که گوگل در سال 2017 آن را به دست آورد. نه سال بعد، هنوز تحت نام تجاری خود به عنوان بخشی از DeepMind فعالیت می کند. او سامبل را با همکاری نزدیک با تیم‌های GTM در شرکت‌های بالا ساخت تا بفهمد یک جنبش فروش به‌عنوان نماینده اول واقعاً به چه داده‌هایی نیاز دارد.

https://www.youtube.com/watch?v=iSZ_uTpziEw

نحوه استفاده SaaStr از Sumble: عمدتاً بدون سر، از طریق نمایندگان ما

قبل از نقش آنتونی، آملیا توضیح داد که SaaStr چگونه آن را اجرا می کند. سامبل به Prospector، عامل داخلی ما که به ورودی، خروجی، تمدید و غنی‌سازی فهرست رسیدگی می‌کند، متصل است. نمایندگان ما برای یافتن مخاطب مناسب در یک شرکت، نقشه برداری از افرادی که به چه کسی گزارش می دهند و تأیید می کنند که سرنخ ورودی تصمیم گیرنده واقعی است، آن را فرا می خوانند.

برای کسب و کار رویداد، تعداد کارمندان بر اساس عملکرد به روش‌های خاصی اهمیت دارد. تعداد افرادی که یک اسپانسر در بازار فروش دارد، بر تعداد افرادی که احتمالاً به غرفه هوش مصنوعی SaaStr خود می آورند تأثیر می گذارد.

آملیا همچنین مهارتی را روی کلود ایجاد کرد که Exa، Sumble و Clay را به هم متصل می‌کند و سامبل اولین پاس بود. بین این سه، تقریباً تمام افرادی را که برای خروجی‌ها، تمدیدها یا POCها نیاز داریم، پیدا می‌کند. از میان ابزارهایی که ما آزمایش کرده‌ایم، داده‌های سامبل به‌طور مداوم به‌روزترین هستند.

تقریباً تمام استفاده از SaaStr بدون سر است. آملیا به ندرت وارد می‌شود. نمایندگان به‌عنوان بخشی از جریان‌های ورودی و خروجی مستقیماً آن را پرس و جو می‌کنند، و تیم سامبل متوجه شد که استفاده مداوم از سوی نمایندگان به‌جای افراد انجام می‌شود.

اولین موج هوش مصنوعی در GTM همه کانال ها را اشباع کرد

نکته آنتونی این است که موج اول هوش مصنوعی در بازار بر ارسال بیشتر متمرکز شده است. AI SDR دسته داغ بودند. ارسال پیام تقریباً رایگان شده است و در نتیجه ایمیل، لینکدین و سایر کانال های دیجیتال سیل شده اند.

سامبل از هوش مصنوعی برای کار مخالف استفاده می کند: تصمیم گیری دقیقاً چه کسی را قبل از ارسال چیزی هدف قرار دهد. آنتونی دقت را به دو بخش تقسیم می‌کند، دانه‌بندی و دقت.

یک آگهی شغلی در والمارت یک تیم، مهاجرت و مجموعه‌ای از فناوری‌ها را نشان داد

برای نشان دادن جزئیات، آنتونی یک آگهی شغلی والمارت را بررسی کرد. از این پست می توانید یاد بگیرید:

• یک تیم مهندسی کاتالوگ وجود دارد و از نحوه توصیف آن همراه با Walmart Global Tech احتمالاً به Global Tech گزارش می دهد.
• این تیم یک پلت فرم کاتالوگ در مقیاس سازمانی را حفظ می کند
• در حال انتقال خدمات ارکستراسیون کاتالوگ خود به یک پلتفرم جدید است
• پلتفرم جدید احتمالاً شامل اجزای NoSQL (Cosmos DB و Cassandra ذکر شده) و کانتینری‌سازی (Docker و Kubernetes) است.
• مکان، عنوان، فناوری و نام تیم برای حدس معقول در مورد اینکه چه کسی پروژه را هدایت می کند کافی است

اکنون آن را برای همه آگهی‌های شغلی که Walmart منتشر کرده است، به‌علاوه پرونده‌های مالی، رونوشت‌های تماس‌های درآمدی، پست‌های وبلاگ مهندسی و پادکست‌های کارمندانش اعمال کنید. شما یک تصویر دقیق از آنچه در حساب می‌گذرد، تیم به تیم دریافت می‌کنید.

پنج مرحله با دقت 80 درصد، 33 درصد را برای شما به ارمغان می آورد.

بخش دوم دقت، دقت است. داده های قدیمی شکایتی است که همه از ارائه دهنده داده خود دارند. از لحاظ تاریخی، تازه نگه داشتن داده ها به تلاش دستی زیادی نیاز داشته است. آنتونی خاطرنشان کرد که بلومبرگ حدود 9000 نفر را در مکان های ارزان قیمت دارد که در طول روز داده ها را تمیز می کنند. اکنون نمایندگان این کار را بسیار ارزان تر انجام می دهند.

برخی از مشتریان سامبل به تعداد دقیق افراد در هر شغل نیاز دارند:

• گوشه ها شماره گیر برق را می فروشد و به تعداد دقیق SRT در هر شرکت نیاز دارد
• فیگما به تعدادی طراح UX به غیر از طراحان تراشه، مد، جواهرات یا CAD نیاز دارد
• وزنه ها و اعتیادهای تقویت کننده به تعدادی مهندس یادگیری ماشین نیاز دارد

یک شمارش صحیح چندین مرحله متوالی را طی می کند و خطاها در آنها ضرب می شوند. بیایید فرض کنیم که هر مرحله 80٪ دقیق است:

1. داده های شرکت
2. مقایسه افراد با شرکت ها
3. به موقع بودن سوابق برای مردم
4. طبقه بندی عملکرد شغلی (طراح UX در مقابل طراح تراشه)
5. طبقه بندی سطح شغل (IC های مصرف کننده صندلی در مقابل مدیران)

0.8 ضرب در پنج برابر حدود 33٪ است. سامبل در هر مرحله 99 درصد را هدف قرار می دهد که در پایان حدود 95 درصد دقت باقی می ماند. آنتونی می دانست که سامبل هنوز کامل نیست و هدف 99 درصد در هر قدم بود.

ارزیابی روزانه حساب کاربری: تعداد فروش OpenAI در یک سال 395 درصد افزایش یافت

آنتونی توصیه می‌کند پس از اینکه تیم داده‌های دقیقی داشت، ابتدا دو چیز را تنظیم کنید: امتیازدهی حساب، که روزانه به‌روزرسانی می‌شود، و امتیازدهی مخاطب.

اکثر شرکت‌ها در حال حاضر یک بار در سال قبل از برنامه‌ریزی قلمرو، حساب‌ها را با استفاده از تعداد کار، صنعت، درآمد و برخی فناوری‌ها ارزیابی می‌کنند. سامبل هر روز بسیاری از ویژگی‌های دقیق‌تر را ارزیابی می‌کند و امتیاز به عنوان نقطه شروعی برای درک صورتحساب توسط نماینده دو برابر می‌شود.

این نشان داد که OpenAI در فهرست هدف سامبل در رتبه سوم قرار دارد. نتیجه به سه بخش تقسیم می شود:

• اندازه: چقدر این فرصت عالی است
• رشد و حرکت: چقدر سریع رشد می کند شرکت های با رشد سریع نیز تمایل دارند فرآیندهایی داشته باشند که خراب می شوند و فروش آنها را آسان تر می کند
• تمرکز: محصول سامبل نسبت به کاری که شرکت انجام می دهد چقدر مرکزی است

سامبل تعداد کارمندان OpenAI را از مهندسان GTM، بازاریابان، فروشندگان، RevOps و SDR ها در اندازه زیر دنبال می کند. بررسی می‌کند که آیا تیم GTM از Clay، Cursor، Claude Code یا Codex به‌عنوان توکن AI-Forward استفاده می‌کند و آیا آنها قبلاً از غنی‌سازی GTM استفاده می‌کنند یا خیر. شش تیم در OpenAI با استفاده از نوعی ابزار غنی‌سازی پیدا کردند. یک نماینده می‌تواند روی هر تیمی کلیک کند، تیم‌های فرعی و ابزارهایی مانند Clay یا LinkedIn Sales Navigator را ببیند و به افراد فردی دسترسی پیدا کند. با کلیک بر روی تعداد مهندسان GTM هر مهندس GTM در OpenAI لیست می شود.

در رشد، فروش OpenAI در سال گذشته 395 درصد و بازاریابی 269 درصد رشد کرد.

تمرکز نمره پایین. تنها 5.4 درصد از کارکنان OpenAI نماینده فروش هستند. این یک شرکت به شدت فروش محور نیست، بنابراین ابزارهای فروش برای سم آلتمن یا گرگ براکمن اولویت اصلی نیستند، و این موضوع را از نتیجه خارج می کند.

رتبه بندی مخاطبین افراد را در یک حساب کاربری و در همه آنها رتبه بندی می کند

امتیازدهی حساب به شما می گوید که کدام شرکت ها اهمیت دارند. امتیازدهی تماس افراد را در هر حساب رتبه بندی می کند، بنابراین نماینده فوراً می بیند که چه کسی را معرفی کند و بازاریابی می داند چه کسی را در یک کمپین قرار دهد. سامبل همچنین مخاطبین را در حساب‌ها رتبه‌بندی می‌کند و فهرستی از 1000 نفر برتر جهان را که بیشتر می‌خواهد ملاقات کند، ایجاد می‌کند.

هشدار خنده دار که می گوید شماره 102 حساب، شماره 6 نفر

آنتونی هشدار Slack را از کانال خود سامبل نشان داد. رئیس عملیات درآمد در حساب رتبه 102 سامبل یک جلسه تحت رهبری محصول را آغاز کرده بود و آن شخص در رتبه ششم شرکت خود قرار گرفت. AE در حساب بلافاصله متوجه شد که این مزیت چیزی نیست که باقی بماند. اگر هشدار حساب شماره 10000 و شخص شماره 400 را درج می کرد، به طور منطقی می توانست آن را برای بعداً رها کند.

رتبه بندی دقیق همچنین تصمیمات بازاریابی را هدایت می کند:

• چه کسی را برای شام در نیویورک دعوت کنم؟
• چه کسی به یک مخاطب تبلیغاتی در سطح تماس با 10000 نفر تعلق دارد
• 10 هدف برتر شما در چه رویدادهایی صحبت می کنند؟ اگر فرد شماره پنج در لیست شما در کنفرانسی در فونیکس صحبت می کند، برای او ایمیلی ارسال کنید و بخواهید در آنجا با او ملاقات کنید. اگر گفتند بله، سفر و بلیط را رزرو کنید.

Nooks 700 حساب باز کرد و تیم Enterprise AE خود را دو برابر کرد

Nooks با Sumble در تخصیص قلمروها شروع شد. تعداد دقیق SDR ها برای هر شرکت 700 حساب را نشان می دهد که Nooks از آنها اطلاعی نداشت. این برای توجیه دوبرابر کردن تیم سازمانی AE کافی بود. آنتونی خاطرنشان کرد که این فقط از برنامه ریزی قلمرو، قبل از هر یک از موارد استفاده از تبلیغات یا تبدیل ورودی ناشی می شود.

کاری که نماینده BambooHR Inbound ما انجام داد

سپس آملیا نشان داد که چگونه سامبل در Prospector بر روی یک پیام دریافتی واقعی از BambooHR کار می کند. SaaStr به جای هشدارهای Slack، صف‌های ورودی را در 10K هدایت می‌کند. او روی “تولید معرفی” کلیک می کند و عامل در خط اجرا می شود.

ابتدا داده های شخص اول. BambooHR بیش از پنج سال پیش از SaaStr حمایت کرد. مخاطبین این دوره افرادی نیستند که وارد سیستم شده‌اند. هیچ‌کس در آنجا خبرنامه را نمی‌خواند و سال‌ها است که شرکت به SaaStr متعهد نشده است. گاهی اوقات این مرحله مدیری را نشان می دهد که از طرفداران بزرگ پادکست است. این بار چیز زیادی نبود.

امتحان بعدی اطلاعات اولیه در مورد شرکت و آنچه شرکت منتشر و اعلام می کند.

سپس سامبل. قسمت های مفید:

• 1700 کارمند به اندازه کافی بزرگ است که بازاریابی میدانی احتمالاً کارکرد خودش باشد، بر خلاف یک شرکت کوچکتر که در آن مدیر عامل یا مدیر ارشد اجرایی هنوز صاحب رویدادها هستند.
• مکان. بیشتر شرکت کنندگان SaaStr در آمریکای شمالی هستند، بنابراین مهم است که شرکت در کجا واقع شده است
• رهبری. CEO و CMO، بدون CRO. اگر معامله ای پس از اولین تماس به نتیجه برسد، آملیا اکنون می داند که مدیر ارشد اجرایی شخصی است که باید به آن نزدیک شود و اینکه آیا آن مدیرعامل یا مدیر ارشد اجرایی قبلاً در SaaStr صحبت کرده یا در آن حضور داشته است. او مجبور نیست از یک نماینده بپرسد که رئیس خریدار کیست.
• پنج رهبر برتر بازاریابی مدیر بخش تقاضا، مدیر بازاریابی بین‌المللی و مدیر رویدادها، هانا، که پیام ورودی را ارسال کرد. این تایید کرد که او نقطه تماس درستی بود.
• ساختار GTM 433 نفر به بازار می روند که 357 نفر در فروش و 76 نفر در بازاریابی هستند. آنتونی خاطرنشان کرد که 7 مورد از 76 مورد در رویدادها هستند و هانا قدیمی ترین آنهاست. اندازه تیم رویداد می تواند زمینه مفید دیگری برای جلب نظر باشد.

تعداد فروش ها نحوه کار SaaStr را در معامله تغییر می دهد. ما از حامیان مالی می خواهیم که غرفه را فقط با AE پر نکنند و رهبران GTM را تا حد امکان ارشد بیاورند. با 357 نفر در بخش فروش، بحث به این موضوع تبدیل می‌شود که چه کسی باید وارد شود: احتمالاً نه AEهای جدید، بلکه حداقل یک AE بین‌المللی. حامیانی که فقط نمایندگانی از آمریکای شمالی می آورند، شرکت کنندگان اروپایی و کانادایی را بدون هیچ کس برای گفتگو ترک می کنند.

هیچ کدام از اینها نیازی به ورود آملیا ندارد. عامل آن را به Prospector می کشد.

یک نماینده در کمترین زمان به sam@anthropic.com ایمیل می‌زند

در جریان مستقیم پرسیده شد که چگونه ماموران با داده های بدی که نماینده انسانی از آنها عبور می کند، برخورد می کنند.

مثال آنتونی: شخصی به نام سام یک هفته پیش به آنتروپیک پیوست. آن را از طریق اکثر ارائه دهندگان غنی سازی آبشار اجرا کنید و بخش بزرگی از آن به sam@anthropic.com برمی گردد. با 30 سام دیگر در Anthropic و تاریخ شروع یک هفته پیش، تقریباً مطمئناً این آدرس متعلق به شخص دیگری است. این را می دید و باور نمی کرد. یک نماینده ایمیل را ارسال می کند.

سامبل هرگز چنین آدرسی را برای استخدام جدید در شرکتی با 30 نفر که یک نام مشترک دارند، بر نمی گرداند. قوانین کوچکی مانند این اهمیت بیشتری دارند زیرا عاملان دامنه بیشتری را انجام می دهند زیرا قضاوت انسانی که برای گرفتن داده های بد استفاده می شود در حلقه نیست.

چند درس دیگر از جلسه:

• اگر چند نقطه خطا در هر یک از پنج مرحله دقت را به یک سوم کاهش دهد، بهبود 5 درصدی در هر مرحله بسیار بیشتر از آنچه به نظر می رسد ارزش دارد.
• شرکت‌هایی که به سرعت در حال رشد هستند، امتیازات حرکتی بالاتری دارند، تا حدی به این دلیل که فرآیندهای آنها شکسته می‌شود، که درها را به روی فروش باز می‌کند.
• حسابی که اندازه مناسبی دارد همچنان می‌تواند امتیاز پایینی کسب کند، اگر محصول شما در نحوه کارکرد آن مرکزی نباشد، مانند ابزارهای فروش OpenAI که 5.4 درصد از نیروی فروش را تشکیل می‌دهند.
• دیدگاه سامبل این است که امتیازدهی حساب و امتیازدهی تماس هر چیز دیگری را در پایین دست بهبود می‌بخشد: بازاریابی می‌داند کدام حساب‌ها را گرم کند، RevOps می‌تواند قلمروها را تخصیص دهد و ورودی‌های پاک را مسیریابی کند، و نمایندگان می‌دانند چه کسی و چرا باید دنبال کنند.

برای تماس با آنتونی، به a@sumble.com ایمیل بزنید. او پاسخ خواهد داد یا شما را با یکی از تیمش در تماس خواهد بود.