- Während die meisten Marketingorganisationen bei der Nutzung eines einzelnen, auf ChatGPT fokussierten Tools bleiben, hat SafetyCulture AI-Agenten im gesamten GTM-Bereich eingesetzt und damit bessere Lead-Qualität, mehr Opportunities und höhere Feature-Adoption erzielt
- In einem Umfeld explodierender globaler kostenloser Anmeldungen wurde zur Lösung der Probleme rund um Anreicherung von Lead-Informationen und Priorisierung ein AI-basierter paralleler Lead-Enrichment-Workflow aufgebaut, der eine Datenvollständigkeit von nahezu 100 % erreicht
- Das Unternehmen richtete AI so ein, dass sie personalisierte Outbound-Kommunikation (Auto BDR) übernimmt, Daten aus Salesforce, HubSpot, ZoomInfo und weiteren Systemen kombiniert, personalisierte Nachrichten erzeugt und Meeting-Buchungen sowie Opportunity-Erstellung deutlich erhöht
- Durch die Kombination aus Nutzungsmustern der Kunden, Branche und dem Verhalten ähnlicher Kunden wurde eine AI-Lifecycle-Engine aufgebaut, die personalisierte Feature-Empfehlungen und mehr als 2.500 Nachrichtenvarianten erzeugt und so die Feature-Adoption steigert
- Mit einer AI-basierten Custom-App-Layer, die mehrere GTM-Systeme in einer Oberfläche zusammenführt, können Sales- und Marketing-Teams alle Informationen und die „nächste Aktion“ auf einem Bildschirm sehen, was die Lead-zu-Opportunity-Conversion um mehr als 25 % erhöhte
- Die AI-Agenten wechselten vom anfänglichen vollautomatischen Modus zu einem gemischten Copilot-Modell; jeder neue Workflow startet im Copilot-Modus und wird schrittweise weiter automatisiert
AI-Agent 1: AI-basiertes Lead-Enrichment
- Bei SafetyCulture kommen Kunden weltweit aus Branchen wie Fertigung, Einzelhandel, Transport, Bau und Bergbau, also nicht aus typischen technologieaffinen Käufersegmenten
- Die Nutzung nur einer einzigen Lead-Enrichment-Plattform führte zu lückenhaften Daten oder dazu, dass diese schnell veralteten
- Deshalb wurde ein plattformunabhängiges AI-Lead-Enrichment-System aufgebaut, das 5 Datenanbieter parallel aufruft (ähnliche Struktur wie Clay, aber intern entwickelt)
- Der Workflow nutzt eine Waterfall-Methode, bei der Anbieter nacheinander abgefragt werden, pro Attribut der verlässlichste Wert gewählt wird und ein separater Agent diesen anschließend anhand öffentlicher Informationen wie Website und LinkedIn verifiziert
- Bei US-Leads wird zusätzlich die OSHA API abgefragt, um jüngste Verstöße zu finden und Kontext zu Arbeitsplatzrisiken zu erhalten; anschließend wird eine Zusammenfassung gemeinsam mit den Lead-Informationen an Slack gesendet
- Das Ergebnis war eine Anreicherungsquote von nahezu 100 %, sodass GTM-Teams und der AI BDR geeignete Kunden schneller erkennen und sofort reagieren können
- Datenqualität ist die Grundlage aller AI-Workflows; präzise Personalisierung wird erst möglich, wenn mehrere Datenquellen gegengeprüft werden
AI-Agent 2: AI Auto BDR
- Mit jährlich 500.000 kostenlosen Team-Anmeldungen war das Volumen für das Vertriebsteam kaum noch zu bewältigen; insbesondere war es schwierig, zu klassifizieren, welche Kunden ein hoher Fit sind
- Früher sichtete und recherchierte das Vertriebsteam Leads einzeln und schrieb danach personalisierte Nachrichten; dieser Prozess war zu langsam und senkte die Antwortquote
- Das Unternehmen führte daher einen AI Inbound BDR ein, der personalisierte Ansprache, Antworten auf Basis einer Knowledge Base und Meeting-Buchungen übernimmt
- Durch die Kombination von Daten aus Salesforce, HubSpot, ZoomInfo und Redshift analysiert das System Situation, Intention und frühere Nutzung eines Leads, wählt zwei passende Customer Cases aus, erstellt eine personalisierte E-Mail und trägt den Lead automatisch in eine Gong Engage Sequence ein
- Das Ergebnis: Die Rate der Meeting-Buchungen stieg um das 3-Fache, die Zahl der Sales Opportunities um das 2-Fache; um Kosten zu senken, werden AI-Aufrufe priorisiert auf High-Fit-Leads angewendet
- Der AI BDR soll den Vertrieb nicht ersetzen, sondern Leads vorwärmen, damit sich AEs schneller auf Deals konzentrieren können
- Mehrsprachige Unterstützung ist besonders in Europa und Lateinamerika wirksam
AI-Agent 3: AI-Lifecycle-Personalisierung
- Kunden nutzen SafetyCulture aus sehr unterschiedlichen Gründen, etwa für Audits, Checklisten, Inspektionen oder Sicherheitsvorschriften; deshalb war es schwierig, mit einer einzigen Botschaft alle Kunden zufriedenzustellen
- Um dieses Problem zu lösen, wurde eine AI-basierte Recommendation Engine aufgebaut, die auf Basis des Verhaltens ähnlicher Kunden relevante Features empfiehlt
- In Databricks werden mit RAG und Agent-Workflows Produktnutzungsdaten tiefgehend analysiert und automatisch mehr als 300 zentrale Use Cases erzeugt
- Je nach Use Case werden passende Feature-Sets den Kunden zugeordnet; zudem generiert AI mehr als 2.500 Textvarianten, die in Redshift und Braze gespeichert und für personalisierte Nachrichten genutzt werden
- Dadurch stieg die Adoption neuer Features um 10 % und führte zu tieferer Produktnutzung sowie besserer Retention
- Da Echtzeit-AI-Aufrufe gelegentlich Latenzen verursachen, wird der Prozess in festen Intervallen ausgeführt und gecacht, damit Marketing-Plattformen sofort darauf zugreifen können
- Kleinere Modelle erwiesen sich im Hinblick auf das Gleichgewicht aus Geschwindigkeit und Kosten oft als praktischer als große LLMs
AI-Agent 4: Maßgeschneiderte AI-App-Layer für Marketing und Vertrieb
- Jedes GTM-System hatte eigene AI-Funktionen, diese waren jedoch nicht auf das SafetyCulture-Produkt zugeschnitten, und Sales- sowie Marketing-Teams mussten zwischen mehreren Tools wechseln, um Informationen abzugleichen
- Das Unternehmen nutzte Retool, um eine AI-zentrierte App-Layer aufzubauen, in der alle Kundeninformationen und sogar die „nächste Aktion“ auf einem Bildschirm sichtbar sind
- Es gibt zwei Ansichten: eine Lead-Konsole und einen Company Viewer
- Diese Layer bündelt Lead-/Kundendaten, AI-Enrichment-Informationen, Gong-Anrufprotokolle, Amplitude-Nutzungsdaten, Churn-Prognosen und Lead-Routing an einem Ort
- Durch die Analyse von Gong-Anrufprotokollen werden automatisch SPICED-Zusammenfassungen erzeugt und in Salesforce gespeichert, wodurch die Übergabe von BDR an AE automatisiert wird
- AEs können über die Funktion „Frage alles zum Account“ sofort Nutzung, Zahl der bezahlten Teams und empfohlene Outreach-Ansätze abrufen
- Die Lead-zu-Sales-Opportunity-Conversion stieg um mehr als 25 %, und dank der Automatisierung spart ein BDR pro Opportunity rund 30 Minuten
- Mehr als 80 % des Teams nutzen diese App-Layer aktiv; der Produktivitätsgewinn führt zu schnelleren Reaktionen und besserem Customer Engagement
- AI muss nicht zwingend auf Autopilot laufen, um wertvoll zu sein; auch die Copilot-Form kann äußerst wirkungsvoll sein
Learnings einer AI-First-GTM-Organisation
- SafetyCulture identifiziert zunächst entlang der Customer Journey, an welchen Punkten AI bei Identifikation, Personalisierung, Vorhersage, Beratung oder Automatisierung am wirksamsten ist
- Anfangs lag der Fokus auf Automatisierung, inzwischen setzt das Unternehmen auf ein Modell, das Copilot und Automatisierung kombiniert; alle neuen Workflows starten im Copilot-Modus
- Am schwierigsten waren Datenzugriff, Sicherheit, die Wahrung des Brand-Tons sowie frühe Probleme mit Halluzinationen der AI
- Da viele Kunden im operativen Alltag auf SafetyCulture angewiesen sind, sind Zuverlässigkeit und Konsistenz entscheidend
- Hervorgehoben wird, dass nicht das bloße Ausrollen von ChatGPT im Team Ergebnisse schafft, sondern der Prozess, auf Basis realer Workflows die sinnvollen Einsatzpunkte für AI zu finden
Noch keine Kommentare.