2019 habe ich geführt das Vertriebsteam und die Wachstumsstrategie für ein Venture-finanziertes KI-Unternehmen namens atSpoke. Das Unternehmen, das Okta schließlich übernahm, nutzte KI, um das traditionelle IT-Services-Management und die interne Unternehmenskommunikation zu erweitern.
Unsere Konversionsrate war schon sehr früh hoch. Solange unser Verkaufsteam mit einem Interessenten sprechen konnte – und dieser Interessent Zeit mit dem Produkt verbrachte – wurden sie meistens zu Kunden. Das Problem bestand darin, genügend starke Interessenten zu finden, um mit dem Vertriebsteam in Kontakt zu treten.
Das traditionelle SaaS-Playbook zur Nachfragegenerierung funktionierte nicht. Der Kauf von Anzeigen und der Aufbau von Communities mit Fokus auf „KI“ waren teuer und zogen Enthusiasten an, denen es an Kaufkraft mangelte. Der Kauf von Suchbegriffen für unsere spezifischen Leistungsversprechen – z. B. „Auto-Routing-Anfragen“ – funktionierte nicht, weil die Konzepte neu waren und niemand nach diesen Begriffen suchte. Schließlich brachten uns gebräuchlichere Begriffe wie „Workflows“ und „Ticketing“ in direkte Konkurrenz zu Walen wie ServiceNow und Zendesk.
In meiner Rolle als Beraterin von Enterprise-Tech-Unternehmen in der Wachstumsphase als Teil des Plattformteams der B Capital Group beobachte ich eine ähnliche Dynamik bei fast allen KI-, ML- und Advanced Predictive Analytics-Unternehmen, mit denen ich spreche. Eine gesunde Pipeline-Generierung ist das Schreckgespenst dieser Branche, aber es gibt nur sehr wenige Inhalte darüber, wie man damit umgehen kann.
Behalten Sie eine Verbindung zu Kategorien bei, die im frühen Messaging bekannt sind, auch wenn die Kategorie nicht der Kern Ihres Wertversprechens ist oder warum Menschen schließlich einen Vertrag unterzeichnen.
Es gibt vier zentrale Herausforderungen, die der Nachfragegenerierung für KI- und ML-Unternehmen und Taktiken zur Bewältigung dieser Herausforderungen im Wege stehen. Auch wenn es keine Wunderwaffe, keine geheime KI-Käuferkonferenz in Santa Barbara oder einen Reddit-Thread für ML-Enthusiasten gibt, sollten diese Tipps Ihnen helfen, Ihren Marketingansatz zu strukturieren.
Herausforderung 1: KI- und ML-Kategorien werden noch definiert
Wenn Sie dies lesen, kennen Sie wahrscheinlich die Geschichte von Salesforce und „SaaS“ als Kategorie, aber die Brillanz muss wiederholt werden. Als das Unternehmen 1999 anfing, gab es Software as a Service noch nicht. In den frühen Tagen dachte niemand: „Ich muss eine SaaS-CRM-Lösung finden.“ Die Wirtschaftspresse bezeichnete das Unternehmen als „Online-Softwaredienst“ oder „Webservice“.
Das frühe Marketing von Salesforce konzentrierte sich auf die Probleme herkömmlicher Vertriebssoftware. Das Unternehmen inszenierte denkwürdigerweise ein „Ende der Software“ Protest im Jahr 2000. (Salesforce verwendet diese Botschaft immer noch.) CEO Marc Benioff legte auch Wert darauf, den Begriff „Software as a Service“ zu wiederholen, bis er sich durchsetzte. Zwangsversteigerung erstellt die Kategorie, die sie dominierten.
KI- und ML-Unternehmen stehen vor einer ähnlichen Dynamik. Während Begriffe wie maschinelles Lernen nicht neu sind, fallen spezifische Lösungsbereiche wie „Entscheidungsintelligenz“ nicht in eine eindeutige Kategorie. Tatsächlich ist sogar die Gruppierung von „KI/ML“-Unternehmen umständlich, da es so viele Überschneidungen mit Business Intelligence (BI), Daten, Predictive Analytics und Automatisierung gibt. Unternehmen in noch neueren Kategorien können sich Begriffen wie Continuous Integration oder Container Management zuordnen.