Tindakan Terbaik Seterusnya untuk Setiap Tawaran Terbuka

Wakil yang menguruskan 40 tawaran terbuka menghadapi masalah pengutamaan setiap pagi.

Yang mana satu memerlukan perhatian hari ini? Yang mana satu hampir tidak aktif? Yang mana satu mempunyai pemegang kepentingan yang belum dihubungi dalam tiga minggu? Mengetahuinya secara manual bermakna membaca setiap rekod tawaran, memeriksa tarikh aktiviti terakhir, menyemak nota panggilan, dan menerapkan pertimbangan di bawah tekanan masa.

Kebanyakan wakil tidak berbuat demikian. Mereka lalai kepada tawaran yang terasa aktif atau muncul dalam mesyuarat terkini. Yang sunyi terlepas. Yang tiada yang jelas salah tetapi tiada yang maju diabaikan sehingga menjadi situasi kecemasan atau kehilangan.

Next Best Action (NBA) adalah fungsi AI yang membetulkan ini. Untuk setiap tawaran terbuka, ia mensintesis isyarat yang tersedia dan mengeluarkan satu tindakan yang disyorkan secara khusus.

Apa yang sebenarnya dihasilkan oleh Next Best Action

Fakta Utama: AI Next Best Action dan Prestasi Pipeline

• Pengurusan pipeline bertenaga AI mengurangkan tempoh kitaran jualan purata sebanyak 28% dan meningkatkan penukaran lead-kepada-peluang sebanyak 37% dalam penerapan B2B yang didokumentasikan. (Bain & Company, 2025)
• Pasukan jualan yang menggunakan AI untuk panduan next-best-action adalah 1.3 kali lebih berkemungkinan mengalami peningkatan hasil berbanding pasukan yang bergantung kepada pengurusan pipeline manual. (Highspot, 2025)
• Bain & Company melaporkan penerapan AI awal dalam jualan B2B telah meningkatkan kadar menang lebih daripada 30% dalam organisasi yang menghubungkan cadangan AI kepada data tawaran CRM. (Bain & Company, 2025)

NBA bukan sekadar penilaian risiko yang dinamakan semula. Perbezaan ini penting kerana kedua-dua fungsi mempunyai tujuan yang berbeza.

Penilaian risiko tawaran memberitahu Anda kebarangkalian tutup atau kategori risiko (tinggi/sederhana/rendah). Ia menjawab "tawaran mana yang perlu saya bimbangkan?" Pengurus menggunakan ini untuk pemeriksaan pipeline. Wakil menggunakannya untuk mengetahui di mana hendak menumpukan secara umum.

Next Best Action memberitahu Anda perkara khusus yang perlu dilakukan sekarang tentang tawaran tertentu. Ia menjawab "apakah tindakan paling berpengaruh yang boleh saya ambil pada tawaran ini hari ini?" Ia adalah tugas, bukan skor. Wakil menggunakannya untuk mengetahui apa yang perlu dilakukan seterusnya.

Kedua-duanya berguna. Tetapi NBA adalah lapisan tindakan, dan tindakanlah yang sebenarnya menggerakkan tawaran.

Output NBA kelihatan seperti ini:

• "Hubungi VP of Operations hari ini. Beliau adalah pembeli ekonomi, beliau tidak hadir dalam mana-mana 3 panggilan terakhir, dan tawaran ini mempunyai semakan pelbagai pemegang kepentingan minggu hadapan."
• "Hantar kajian kes dari kemenangan perkhidmatan kewangan Anda. Prospek menyebut kebimbangan pematuhan dalam panggilan Khamis yang tidak Anda tangani secara langsung."
• "Minta mutual action plan. Tawaran ini telah berada dalam peringkat Cadangan selama 18 hari tanpa milestone seterusnya yang dinyatakan. Tawaran peringkat Cadangan yang tidak bergerak kepada langkah seterusnya yang jelas dalam 14 hari ditutup pada 28% berbanding 67% untuk tawaran yang berbuat demikian."
• "Jadualkan sesi bukti konsep teknikal. Penilaian teknikal bermula 10 hari lalu tanpa hasil yang dilog. Tiada PoC yang dijadualkan dalam pipeline Anda bermakna ini sedang hanyut."

Setiap cadangan menyertakan syarat pencetus: mengapa AI mengesyorkan ini? Ketelusan itu penting untuk penggunaan oleh wakil. Wakil yang memahami mengapa cadangan dijana lebih cenderung untuk bertindak atasnya. Wakil yang melihat senarai tugas dari kotak hitam lebih cenderung untuk mengabaikannya.

Pipeline NBA dalam ACE Framework

NBA adalah aplikasi Workflow Copilot teras. Corak berjalan secara berterusan di latar belakang dan menampilkan tindakan apabila konteks wakil berubah.

Ingest mengumpul dari semua sumber data berkaitan tawaran:

• Rekod tawaran CRM: peringkat, nilai, anggaran tarikh tutup, akaun, pemilik peluang
• Log aktiviti: tarikh panggilan terakhir, tarikh e-mel terakhir, tarikh mesyuarat terakhir, nota CRM terkini
• Transkrip panggilan: bantahan yang dibangkitkan, sentimen pembeli, item tindakan yang dikomit, sebutan pemegang kepentingan
• Utas e-mel: kekini respons, topik yang dibincangkan, tingkah laku pemajuan (isyarat perkongsian dalaman)
• Kalendar: mesyuarat akan datang dengan akaun ini, masa persediaan yang tersedia
• Medan MEDDPICC (rangka kerja kelayakan yang menjejaki Metrics, Economic Buyer, Decision Criteria, Decision Process, Identify Pain, Champion, Competition, dan Paper Process) atau setara: kriteria mana yang dilengkapkan, yang mana tiada

Analyze membandingkan keadaan semasa tawaran terhadap dua titik rujukan:

1. Model perkembangan peringkat: bagaimana rupa tawaran yang sepatutnya pada peringkat ini? Apakah aktiviti tipikal, corak penglibatan pemegang kepentingan, dan garis masa yang berkaitan dengan tawaran yang ditutup dari peringkat ini?
2. Corak menang/kalah sejarah: apakah syarat khusus dalam tawaran pada peringkat ini yang meramalkan menang berbanding kalah?

Langkah Analyze mengenal pasti jurang: apa yang sepatutnya benar pada peringkat ini yang tidak benar sekarang? Tawaran satu-utas tanpa kenalan kedua? Kriteria teknikal yang hilang pada peringkat lewat? Tiada aktiviti dalam 14 hari lalu semasa tarikh tutup yang semakin hampir? Setiap jurang adalah potensi pencetus NBA.

Predict menganggarkan trajektori tawaran: adakah tawaran ini berada di landasan yang betul, sedang hanyut, atau berisiko kehilangan? Ramalan menyumbang kepada urgensi cadangan NBA. Tawaran yang perlahan-lahan hanyut menampilkan cadangan keutamaan sederhana. Tawaran yang sepadan dengan corak peristiwa kehilangan (regresi peringkat, champion tidak aktif, pesaing disebutkan buat pertama kali) menampilkan cadangan keutamaan tinggi. Artikel keupayaan Predict membincangkan cara model trajektori tawaran berfungsi pada lapisan ACE.

Generate menghasilkan cadangan tindakan khusus dengan:

• Tindakan yang disyorkan (panggilan, e-mel, permintaan mesyuarat, hantar kandungan, kemas kini rekod tawaran)
• Alasannya: data apa yang mencetuskan cadangan ini
• Konteks sokongan: petikan transkrip panggilan yang relevan, data peringkat, data hasil tawaran yang sebanding
• Tahap keutamaan: seberapa mendesak tindakan ini?

The Single-Action Per Deal Principle

The Single-Action Per Deal Principle adalah kekangan reka bentuk yang menghalang NBA daripada menjadi senarai tugasan. Setiap tawaran terbuka menampilkan tepat satu tindakan yang disyorkan pada satu masa, diberi kedudukan mengikut jangkaan impak terhadap perkembangan tawaran. Apabila wakil melihat tujuh tindakan yang disyorkan setiap tawaran, mereka menganggap senarai itu sebagai kebisingan. Apabila mereka melihat satu tindakan khusus dengan alasan, mereka menganggapnya sebagai arahan dari jurulatih tawaran. Prinsip ini memaksa AI untuk mengutamakan: jika tawaran mempunyai isyarat henti, pemegang kepentingan yang hilang, dan bantahan yang tidak ditangani, sistem mengeluarkan hanya tindakan yang paling berpengaruh, bukan ketiga-tiganya. Wakil melengkapkan tindakan pertama sebelum cadangan seterusnya muncul.

Sistem AI next-best-action yang menjana cadangan satu keutamaan setiap tawaran melihat kadar penggunaan cadangan 2-3x lebih tinggi berbanding sistem yang menjana senarai tugas berbilang tindakan, kerana wakil boleh bertindak segera berbanding memutuskan apa yang hendak diutamakan dahulu.

---

Taksonomi cadangan

Cadangan NBA terbahagi kepada lima kategori. Memahami taksonomi membantu wakil mengenali jenis situasi yang mereka hadapi.

Campur tangan henti. Tiada aktiviti dalam tetingkap yang ditentukan berbanding peringkat tawaran. Tetingkap adalah bergantung kepada peringkat: tiada aktiviti selama 7 hari dalam peringkat Cadangan adalah isyarat henti; tiada aktiviti selama 7 hari dalam prospek awal adalah perkara biasa. Cadangan adalah tindakan penglibatan semula yang khusus kepada konteks terakhir yang diketahui: susulan tentang topik dari panggilan terakhir, rujuk sesuatu yang relevan yang berlaku dalam perniagaan mereka, hantar sesuatu yang benar-benar berguna berbanding sekadar menghubungi.

Jurang pemegang kepentingan. Tawaran satu-utas atau pemegang kepentingan yang hilang dalam proses keputusan. Jika tawaran menghampiri peringkat penilaian tanpa pembeli ekonomi yang disahkan dikenal pasti, itu adalah risiko. Jika penilaian teknikal sedang berjalan tanpa penaja IT yang terlibat, itu adalah risiko. Cadangan adalah untuk meluaskan penglibatan: "Perkenalkan diri kepada Ketua IT. Champion utama Anda belum menyebut penglibatan mereka. Tawaran pelbagai utas pada peringkat ini ditutup 40% lebih kerap."

Jurang kriteria keputusan. Medan MEDDPICC atau rangka kerja kelayakan yang sepatutnya dilengkapkan pada peringkat ini tetapi tidak ada. Account executive (AE) yang menuju ke rundingan peringkat akhir tanpa justifikasi ekonomi yang didokumentasikan sedang berunding tanpa mengetahui apa yang sebenarnya pembeli perlukan untuk mewajarkan pembelian. Cadangan adalah untuk mengumpulkan maklumat yang hilang: "Anda tidak mempunyai impak perniagaan yang didokumentasikan. Sebelum panggilan seterusnya, sediakan soalan penemuan untuk menentukan kes nilai kuantitatif mereka."

Penghantaran kandungan dan sumber. Bantahan atau topik khusus timbul dalam panggilan yang memetakan kepada sekeping kandungan, kajian kes, atau sumber yang perlu dihantar. AI memadankan isyarat bantahan dalam transkrip panggilan kepada perpustakaan sumber. Cadangan adalah khusus: "Hantar kajian kes pematuhan dari kemenangan penjagaan kesihatan. Pembeli menyebut pematuhan HIPAA dua kali pada hari Khamis."

Komitmen ke hadapan. Tiada langkah seterusnya yang dinyatakan atau mutual action plan yang wujud. Tawaran tanpa langkah seterusnya bersama yang jelas mempunyai kadar tutup yang jauh lebih rendah. Cadangan adalah untuk menetapkan satu: "Anda tidak mempunyai milestone seterusnya yang disahkan. Tarikh tutup Anda dalam 3 minggu. Minta mutual action plan dalam interaksi seterusnya Anda."

Di mana NBA muncul dalam aliran kerja wakil

Cadangan yang baik yang disampaikan pada saat yang salah atau di tempat yang salah diabaikan. Menampilkan NBA secara berkesan memerlukan pemikiran tentang bila wakil membuat keputusan tentang apa yang perlu dilakukan seterusnya.

Skrin utama CRM / paparan pipeline. Cadangan lalai: tunjukkan cadangan NBA di samping setiap tawaran dalam paparan pipeline. Wakil melihat tawaran mereka dan tindakan yang disyorkan seterusnya untuk setiap satu. Bersih, relevan, dalam konteks. Kelemahannya adalah ia memerlukan wakil membuka CRM secara proaktif.

E-mel atau mesej Slack ringkasan harian. Ringkasan pagi dengan 5 hingga 7 cadangan NBA teratas untuk hari ini. Ditolak kepada wakil berbanding menunggu mereka untuk menariknya. Format harus boleh diimbas dalam masa 3 minit: nama tawaran, NBA satu ayat, penunjuk keutamaan. Berfungsi dengan baik untuk wakil yang memulakan hari di luar CRM.

Bar sisi rekod tawaran. Apabila wakil membuka rekod tawaran tertentu, NBA untuk tawaran itu dipaparkan dengan jelas. Kurang proaktif berbanding pemberitahuan tolak, tetapi keterlihatan tinggi apabila wakil sudah berada dalam mod pengurusan tawaran.

Pencetus persediaan mesyuarat. Apabila wakil mempunyai mesyuarat dengan akaun dalam 24 jam akan datang, tolak NBA untuk sebarang tawaran yang berkaitan. Menggabungkan konteks persediaan dengan cadangan tindakan pada saat yang tepat.

Pelaksanaan terbaik menampilkan NBA di berbilang tempat dengan tahap urgensi yang berbeza. Campur tangan henti keutamaan tinggi (tawaran berisiko) menjamin pemberitahuan tolak. Cadangan komitmen ke hadapan rutin berfungsi baik dalam ringkasan harian.

Gelung maklum balas

NBA menjadi lebih baik apabila wakil berinteraksi dengannya secara aktif, memberitahu sistem apa yang mereka lakukan, dan membenarkan data hasil mengalir kembali ke dalam model.

Apabila wakil mengambil tindakan NBA: Log dalam CRM (kebanyakan sistem yang baik mengesan aktiviti CRM secara automatik sebagai "tindakan diambil"). Dari masa ke masa, jejaki apa yang berlaku selepas wakil mengambil jenis cadangan tertentu. Adakah tawaran dengan campur tangan henti yang diambil dalam masa 48 jam pulih pada kadar yang lebih tinggi? Adakah penghantaran kandungan selepas jenis bantahan tertentu mempengaruhi kadar tutup? Data hasil ini meningkatkan kualiti cadangan masa depan.

Apabila wakil menolak cadangan: Tangkap sebab penolakan. "Tidak berkenaan," "Sudah melakukan ini," "Masa yang salah," "Cadangan yang salah untuk tawaran ini." Sebab penolakan yang berkelompok sekitar jenis cadangan tertentu menandakan masalah kualiti: AI menjana cadangan yang didapati tidak relevan oleh wakil berpengalaman. Itu adalah isyarat untuk menala semula syarat pencetus.

Apabila tawaran hilang: Jalankan audit NBA. Pada titik mana sistem cadangan NBA menandakan risiko? Adakah wakil menerima cadangan yang tidak mereka tindakan? Adakah kehilangan didahului oleh jenis cadangan yang secara konsisten ditolak? Analisis kehilangan yang dikaitkan dengan tingkah laku NBA adalah antara data paling berharga untuk meningkatkan sistem.

Pipeline Review Prep With an AI Copilot membincangkan cara cadangan NBA berhubung dengan perbualan semakan pipeline mingguan antara wakil dan pengurus. Data NBA menjadi titik rujukan bersama: "Sistem mengesyorkan panggilan penaja eksekutif 10 hari lalu; adakah itu berlaku?"

Autonomi wakil: prinsip reka bentuk yang menentukan penggunaan

NBA gagal apabila ia terasa seperti pengawasan. Apabila wakil percaya bahawa penolakan yang ditolak sedang dijejaki untuk menilai prestasi mereka, mereka berhenti menolak dan mula mengambil tindakan secara enggan yang mereka rasa tidak relevan. Itulah hasil yang paling teruk: pematuhan performatif dengan cadangan AI yang sebenarnya tidak sepadan dengan keperluan tawaran.

Prinsip reka bentuk: NBA adalah cadangan, bukan arahan. Wakil adalah profesional dengan pengetahuan kontekstual yang tidak dimiliki oleh AI. AI melihat data. Wakil mengetahui hubungan, dinamik politik, personaliti pembeli, dan puluhan isyarat lain yang tidak ada dalam CRM. Analisis Forrester tentang AI dalam jualan B2B mengukuhkan ini: cadangan AI menjadi standard minimum melainkan organisasi menggabungkannya dengan pertimbangan manusia yang kukuh dan budaya pembelajaran. Wakil yang menggunakan NBA sebagai alat berfikir, bukan senarai tugasan, mendapat hasil paling banyak daripadanya.

Melaksanakan prinsip ini:

• Jadikan tindakan penolakan mudah dilakukan dan tidak menghukum. Butang "tidak berkenaan" atau "sudah dikendalikan" tanpa justifikasi yang diperlukan untuk cadangan keutamaan rendah.
• Jangan tampilkan prestasi NBA kepada pengurus sebagai metrik prestasi wakil. "Wakil menolak 60% cadangan NBA" bukan petunjuk prestasi wakil yang berguna. Ia mungkin bermakna wakil sangat cekap dan membuat pertimbangan yang lebih baik daripada model. Atau ia mungkin bermakna model memerlukan penalaan untuk jenis tawaran tersebut.
• Bina gelung maklum balas dengan cara yang meningkatkan kualiti model, bukan dengan cara yang menekan pematuhan.

Artikel CRM Data Hygiene With an AI Copilot membincangkan kebergantungan kualiti data: cadangan NBA hanya sebaik data tawaran yang menjadi asasnya. Tarikh aktiviti terakhir yang hilang, kriteria kelayakan yang tidak lengkap, dan maklumat kenalan yang lapuk semuanya mengurangkan relevansi cadangan.

Vendor yang menawarkan fungsi NBA

Clari terutamanya adalah alat ramalan dan pemeriksaan pipeline, tetapi lapisan AI mereka termasuk isyarat risiko tawaran dan tindakan yang disyorkan. Kukuh untuk pengurusan pipeline menghadap pengurus; pengalaman NBA menghadap wakil telah bertambah baik tetapi kurang matang berbanding lapisan ramalan.

Gong Forecast termasuk cadangan tawaran berdasarkan isyarat perisikan perbualan (CI). Terutamanya kukuh untuk cadangan NBA yang datang dari analisis panggilan dan e-mel: bantahan yang tidak ditangani, topik yang timbul tanpa susulan, corak penglibatan pemegang kepentingan. Padanan semula jadi untuk pasukan yang sudah menggunakan Gong.

Salesforce Einstein menawarkan langkah seterusnya yang dijana AI dalam rekod tawaran Salesforce. Kualiti telah bertambah baik dengan ketara dalam versi terkini. Integrasi paling ketat untuk pasukan yang menggunakan Salesforce sebagai CRM utama mereka.

Rework CRM termasuk fungsi Workflow Copilot dengan cadangan NBA peringkat tawaran. Disambungkan kepada data peringkat tawaran, sejarah aktiviti, dan data pengayaan yang mengalir melalui lapisan kebersihan CRM. Direka untuk pasukan RevOps pasaran pertengahan yang mahukan platform CRM dan operasi AI gabungan tanpa menguruskan pelbagai penyelesaian titik.

Corak ACE yang mendasari adalah Workflow Copilot, dengan Predict melakukan kerja risiko dan trajektori tawaran dan Generate menghasilkan teks cadangan khusus. Untuk pertimbangan tadbir urus yang menentukan berapa banyak autonomi yang sepatutnya ada pada sistem, lihat tadbir urus AI sales ops dan jejak audit.

Pulangan berganda

NBA berfungsi paling baik sebagai sebahagian daripada tumpukan Workflow Copilot yang bersambung. Kualiti data CRM menyumbang kepada analisis. Transkrip panggilan menyumbang kepada pengesanan bantahan. Data utas e-mel menyumbang kepada isyarat penglibatan pemegang kepentingan. Data pengayaan menyumbang kepada pengesanan jurang kriteria keputusan. Setiap input yang bersambung menjadikan cadangan lebih khusus dan lebih relevan.

Wakil yang AI copilotnya mempunyai akses kepada data CRM yang bersih, transkrip panggilan terkini, dan sejarah e-mel mendapat cadangan NBA yang terasa seperti datang dari jurulatih tawaran yang sangat penuh perhatian. Wakil yang AI copilotnya melihat CRM dengan rekod yang lapuk dan medan yang hilang mendapat cadangan umum yang terasa seperti kebisingan.

Artikel Auto-Drafted Sales Follow-Up Emails membincangkan cara cadangan NBA berhubung dengan pelaksanaan: apabila AI mengesyorkan susulan, ia boleh membuat draf e-mel dari konteks tawaran yang sama. Cadangan menjana tugas; Workflow Copilot mengendalikan draf pelaksanaan. Wakil menyemak kedua-duanya dan bertindak.

NBA adalah di mana Workflow Copilot membuktikan nilainya dalam operasi jualan harian. Bukan dalam mesyuarat perancangan, bukan dalam ramalan suku tahunan, tetapi pada saat wakil duduk pada pagi Selasa dengan 40 tawaran terbuka dan perlu mengetahui di mana hendak bermula. Dan wakil yang menganggap cadangan pagi itu sebagai titik permulaan, bukan senarai tugasan, adalah mereka yang menutup lebih banyak tawaran tersebut sebelum akhir suku tahun.

Rework Analysis: Dalam penerapan Rework CRM, cadangan NBA dengan kadar penggunaan tertinggi adalah campur tangan henti yang ditampilkan dalam ringkasan pagi harian berbanding rekod tawaran CRM. Wakil yang melihat "tawaran ini tidak mempunyai aktiviti dalam 14 hari" sebelum membuka pipeline mereka bertindak atasnya 68% masa. Wakil yang melihat cadangan yang sama hanya apabila mereka membuka rekod tawaran tertentu bertindak atasnya 34% masa. Mekanisme penghantaran menentukan kadar tindakan sebanyak kualiti cadangan. Kategori penggunaan tertinggi kedua adalah cadangan komitmen ke hadapan, yang sejajar dengan apa yang sudah diketahui oleh wakil berpengalaman: tawaran tanpa langkah seterusnya bersama berisiko.

---

---

Apa yang perlu dibaca seterusnya

• Workflow Copilot: AI as Peer-Level Assistant: corak ACE di sebalik NBA dan semua bimbingan tawaran berterusan
• CRM Data Hygiene With an AI Copilot: asas kualiti data yang menjadikan cadangan NBA tepat
• Pipeline Review Prep With an AI Copilot: cara cadangan NBA muncul dalam perbualan pipeline pengurus-wakil
• Auto-Drafted Sales Follow-Up Emails: mengubah cadangan NBA menjadi draf jangkauan secara automatik