AI v prodeji: Zeller+Gmelin ztrojnásobil pipeline

Case Study · 7. September 2026 · Mohsen Ghulami

AI v prodeji na skutečném příkladu středně velkého podniku: Jak Zeller+Gmelin ztrojnásobil svůj pipeline. Přečtěte si praktického průvodce s nastavením, čísly a chybami.

Kdo v roce 2026 v průmyslovém středním podniku stále věří, že dobré produkty automaticky generují dobrý pipeline, zaměnil prodej s obchodem s náhradními díly. AI v prodeji není relevantní proto, že bot píše hezké e-maily, ale proto, že technické trhy se mezitím staly příliš velkými, příliš fragmentovanými a příliš pomalými pro intuici. To je nepříjemné. Zejména pro firmy, které po desetiletí získávaly zakázky díky aplikační technice, veletrhům a vztahům. Zeller+Gmelin, švábský výrobce speciálních chemikálií pro průmyslová maziva a tiskařské barvy poblíž Stuttgartu, je pro mě přesně takovým případem – technicky silný, mezinárodně viditelný, ale před Amplifou s příliš malým systematickým získáváním nových zákazníků.

Píšu to jako Mohsen Ghulami, GTM Engineer u Amplify. Ne jako analytik, který si vytiskne tři tržní studie a pak vysvětluje střední podniky. Mým úkolem je rozebírat cílové trhy, shromažďovat datové zdroje, vytvářet outbound sekvence a najít bod, kdy prodejní inženýr už neřekne: „Zase další lead,“ ale: „Tuto schůzku chci převzít sám.“

U Zeller+Gmelin nešlo o jednoduchý nástroj pro leady. Šlo o otázku, jak může středně velký podnik s přibližně 900 zaměstnanci, výrobními a prodejními strukturami v několika regionech a portfoliem vysoce výkonných maziv, hlubotiskových barev, flexotiskových barev a UV-vytvrzovacích systémů ztrojnásobit svůj pipeline za devět měsíců – aniž by najal 15 nových SDR. No, skoro. Šlo také o to, zabít pár starých prodejních reflexů.

Problémové prohlášení: Proč zde byla AI v prodeji nutná

Problém u Zeller+Gmelin nebyla poptávka. V obalovém tisku regulace, kontakt s potravinami, nízkomigrační systémy a udržitelné obaly tlačí trh. V oblasti maziv mluví OEM, údržba a vedoucí závodů o energetické účinnosti, životnosti, monitorování stavu a menších prostojích. Podle prognózy IndexBox poroste trh s UV-vytvrzovacími barvami do roku 2035 s přibližně 7,9 procenty CAGR; termochromní a variabilní speciální inkousty se podle tržních analýz pohybují kolem 7,5 procenta CAGR. Zároveň nové formulace v kritických aplikacích často potřebují 6 až 18 měsíců na schválení. To voní po pipeline. Ale také to voní po laboratoři, schvalovacích smyčkách a velmi dlouhých poznámkách v CRM.

Pokud se v takovém prostředí AI v prodeji nedělá, stane se něco banálního: Obchodní zástupci zůstanou u stávajících zákazníků. Ne proto, že by byli líní. Ale proto, že jsou potřeba. Při zákaznických testech, reklamacích, vzorkování, otázkách REACH, dodacích termínech, kalkulacích, návštěvách závodů. Thomas, vedoucí prodeje průmyslové chemie v jižním Německu, mi v dubnu 2025 docela suše řekl: „Neměli jsme mezeru v leadech. Měli jsme mezeru v kapacitě před prvním skutečným rozhovorem.“ Tato věta mi utkvěla v paměti, protože se hodí na mnoho výrobců strojů, chemických firem a výrobců komponent. Phoenix Contact, Festo, Wittenstein – všude vidíte varianty stejného vzoru: Know-how je u několika lidí, a přesně tito lidé mají také systematicky otevírat nové trhy.

Před Amplifou byl pipeline Zeller+Gmelin silně ovlivněn známými účty. Podíl nových zákazníků byl interně pod 20 procenty. Zdroje leadů? Veletrhy, doporučení, stávající distributoři, občasné dotazy z webových stránek, jednotlivé LinkedIn průzkumy motivovaných kolegů z prodeje. Funguje. Dokud to nestačí. Zvláště když konkurenti jako Siegwerk, Flint Group, Fuchs SE, Shell nebo Castrol vystupují s většími prodejními sítěmi a dlouhý ocas vhodných cílových zákazníků je rozptýlen někde mezi Bielefeldem, Lyonem, Eindhovenem a Brnem.

Věděli jsme, že venku je mnoho vhodných cílových zákazníků – tiskárny obalů, výrobci strojů, OEM. Ale jednoduše nám chyběla kapacita k jejich systematické identifikaci a čistému oslovení.

— Thomas, vedoucí prodeje průmyslové chemie, oblast Stuttgartu

Nebezpečí spočívá v tom, že si to uvědomíte pozdě. Rok vypadá tabulka prognóz stále slušně, protože stávající zákazníci posouvají projekty. Pak dva klíčoví zákazníci odloží investice, zákazník z obalového průmyslu čeká na regulační schválení, OEM zmrazí svůj program – a najednou pipeline není trychtýř, ale muzejní exponát. Krásně popsaný. Žádný pohyb.

Přehled: Co ukazuje tento praktický průvodce AI v prodeji

Neukazuji zde „AI dělá prodej automaticky“. To není tak docela pravda, mnozí to tak prodávají. Ukazuji konkrétní strukturu, s níž Zeller+Gmelin ztrojnásobil svůj aktivní prodejní pipeline během devíti měsíců: od segmentace přes obohacení dat a AI-SDR outbound až po předání technickým prodejním inženýrům. Relevantní bod není e-mail. Relevantní bod je operační systém za ním.

Kroky v tomto průvodci:

• Krok 1: Převod stávajících dat a historických zakázek na vzorce cílových zákazníků
• Krok 2: Obohacení tržních segmentů o nákupní příležitosti a technické signály
• Krok 3: Vytvoření samostatných AI-SDR sekvencí pro tiskařské barvy a maziva
• Krok 4: Nastavení kvalifikace tak, aby obchodní inženýři neztráceli čas
• Krok 5: Týdenní plánování revizí pipeline, zpětných vazeb a korekcí zpráv

Výsledek: Počet sales-qualified Opportunities vzrostl z průměrně asi 30 za měsíc na více než 90. Hodnota pipeline se ztrojnásobila oproti výchozímu stavu. Podíl nových log vzrostl z méně než 20 procent na téměř polovinu aktivního pipeline. A ano, tato čísla jsou zajímavá jen proto, že vznikla na trhu, kde „schůzka“ neznamená, že někdo ve čtvrtek klikne na demo. Často to znamená: první technický rozhovor, vzorek, parametry stroje, substrát, schvalovací proces, nákup, QA, vedoucí výroby. Někdy další krok voní po rozpouštědle a teplém strojním oleji.

Krok 1: Vytvoření skutečných vzorců cílových zákazníků z dat CRM

První chyba v takových projektech je téměř vždy stejná: Začíná se seznamy. „Dejte nám 5 000 tiskáren obalů v Evropě.“ Prosím, ne. To není Go-to-Market strategie, to je datový odpad s exportní funkcí. U Zeller+Gmelin jsme nejprve prozkoumali stávající CRM, historická data nabídek, získané projekty a ztracené příležitosti. Není to dokonalé. Žádné CRM není dokonalé. Ale i neuspořádané CRM říká pravdu, když v něm hledáte opakování.

Podívali jsme se, které účty skutečně dobře seděly: středně velké flexo a hlubotiskárny s potravinovými obaly, konvertory s regulačním tlakem u nízkomigračních systémů, průmysloví zákazníci s vysokou dostupností zařízení, OEM s programy údržby a maziv, distributoři na trzích s potřebou technického poradenství. Pak přišla těžká otázka: Jaké vlastnosti byly viditelné před prvním rozhovorem? Protože pokud je signál viditelný až v laboratorním testu, nepomůže to pro prospecting. Viditelné byly například tiskové metody, certifikace, segmenty obalů, informace o strojním parku, struktura poboček, exportní trhy, komunikace o udržitelnosti, volná místa v kvalitě nebo aplikační technice.

Konkrétní příklad: Tiskárna obalů v severní Itálii, 180 zaměstnanců, flexibilní obaly, náznaky hlubotisku a flexotisku, ISO certifikace, zákazníci z potravinářství a farmacie, webové stránky s oddílem o udržitelnosti, ale žádná jasná komunikace o nízkomigračním UV. Pro generického SDR je to „tiskárna“. Pro Zeller+Gmelin je to potenciálně účet, kde se spojuje regulační bolest, technická aplikace a marže. Přesně tam musí AI v prodeji pomoci: nevypouštět více kontaktů, ale vytvářet lepší hypotézy.

Pro to jsme vytvořili Fit-model. Žádná černá magie. Spíše strukturovaná logika bodování s váhami, kterou jsme ověřili s prodejem a aplikační technikou. Účet získal body za segment, velikost společnosti, technologii, regulační relevanci, geografickou prioritu a předpokládaný případ použití. Mínusové body byly za příliš malé podniky, čistě akcidenční tiskárny bez zaměření na obaly, obchodní firmy bez technické hloubky nebo trhy, na kterých Zeller+Gmelin vědomě nechtěl být agresivní. Zní to suše. Také to tak bylo. Ale suchá práce častěji ztrojnásobí pipeline než kreativní workshop na předměty e-mailů.

Nejdůležitější diskuse nebyla, jakou AI použijeme. Nejdůležitější diskuse byla: Koho už vůbec nechceme oslovovat?

— Julia, Marketing Operations, Ulm

Krok 2: Obohacení tržních segmentů signály

Po práci s ICP přišlo obohacení. Pro tiskařské barvy jsme oddělili cílové segmenty: flexibilní obaly, etikety, dekorativní papíry, speciální aplikace, UV-vytvrzovací systémy. Pro maziva: strojírenství, obrábění kovů, výroba potravin, dodavatelé pro automobilový průmysl, větrné a energetické aplikace, průmyslová údržba s připraveností na monitorování stavu. To zní jako průmyslová fólie. V nástroji se z toho stal datový model s poli, zdroji a rozhodovacími pravidly.

Shromáždili jsme firmografická data, veřejné signály z webových stránek, pracovní inzeráty, certifikáty, produktové stránky, seznamy vystavovatelů na veletrzích, informace o společnostech na LinkedIn a částečně technografii. Příklad z května 2025: Pokud výrobce strojů v Bádensku-Württembersku inzeroval pozice pro „Predictive Maintenance Engineer“ a „Service Sales Manager“, získal pro určité kampaně s mazivy vyšší váhu signálu. Proč? Protože monitorování stavu zřídka přichází samo. Kdo měří stavy strojů, dříve či později se zeptá na opotřebení, intervaly, kvalitu oleje, balíčky aditiv a TCO. Rozhovor pak nezačíná slovy „Máme maziva“, ale „Jak spolehlivá jsou vaše data o tření a životnosti v terénu?“

Pro tiskárny obalů byla logika jiná. Tam jsme hledali pojmy jako potravinové obaly, flexibilní obaly, nízká migrace, UV, LED-UV, hlubotisk, flexotisk, farmaceutické obaly, zpráva o udržitelnosti, systémy na bázi rozpouštědel nebo inkousty na vodní bázi. Ne každý pojem byl nákupní příležitostí. Ale kombinace se staly zajímavými. Podnik, který komunikuje potravinové obaly, flexotisk, nové cíle udržitelnosti a růst v Beneluxu, není náhodný kontakt. Je to hypotéza s adresou.

Z našich implementací víme: V technických projektech středních podniků je 60 až 70 procent později přijatých příležitostí nikoli účty s nejvyšším obecným skóre firmy, ale účty se dvěma až třemi velmi specifickými nákupními signály. U Zeller+Gmelin to bylo například tisk obalů plus shoda s potravinovými předpisy plus náznak UV nebo flexo technologie. V oblasti maziv to byl servisní obchod OEM plus jazyk monitorování stavu plus mezinárodní instalovaná základna. To není učebnicová věta. To je vzor, který vidím, když v pondělí srovnávám data odpovědí z outbound sekvencí s mírami přijetí CRM.

Rozdíl se zdá malý. Je brutální. Účet s vysokým obratem a špatnou příležitostí požírá čas. Středně velký účet se skutečnou příležitostí otevírá dveře. Andrea, Head of Sales u Hidden Champion v Bielefeldu, mi v červnu 2025 řekla: „Naši nejlepší noví zákazníci nikdy nevypadali v databázi okouzlující. Měli jen přesně ten problém, který jsme mohli vyřešit.“ Přesně tak.

Krok 3: Vytvoření AI-SDR sekvencí pro technická nákupní centra

Teprve teď přišel Outbound. Mnozí začínají zde. Chybně. Bez segmentační logiky píše AI zdvořilé obtěžování. U Zeller+Gmelin jsme sekvence rozdělili podle obchodní oblasti, případu použití a persony. Pro tiskařské barvy byly jiné zprávy než pro maziva. Pro manažery udržitelnosti jiné než pro vedoucí výroby. Pro vedoucí kvality jiné než pro nákup. A ne, nevytvořili jsme 48 variant, protože někdo na workshopu miluje persony. Vytvořili jsme varianty, které mají měřitelně jiné námitky, jiný jazyk a jiné další kroky.

Typický workflow pro tiskařské barvy probíhal takto: Účet je kvalifikován modelem Fit, identifikují se relevantní kontakty, ověří se kontaktní údaje, poté AI-SDR vytvoří sekvenci z e-mailu, LinkedIn dotyku a volitelného úkolu volání. První e-mail neodkazuje na „inovaci“ nebo „partnerství“. Odkazuje na předpokládaný technický kontext: flexibilní obaly, kontakt s potravinami, migrace, UV/LED-UV nebo hlubotisk. Druhá zpráva přináší krátký důkaz. Třetí se ptá na správnou kontaktní osobu pro technická schválení. Po kladné odpovědi se okamžitě nespustí prodejní pitch, ale zahájí se blok Discovery: tisková metoda, substrát, regulační požadavky, aktuální úzké místo, načasování.

Pro maziva byla sekvence přízemnější. Žádné barevné obalové pojmy. Více údržby. Více prostojů. Více převodovek, kompresorů, obrábění kovů, spotřeby energie, schválení. Možný úvod zněl v podstatě: „U několika OEM vidíme, že výběr maziv je silněji spojen s programy monitorování stavu. Je to u vás již součástí strategie servisu nebo údržby?“ Krátké. Žádný román. AI-SDR přizpůsobil zprávu podle účtu – strojírenství, výroba potravin, dodavatelé pro automobilový průmysl nebo energetické aplikace.

Důležité bylo předání. Lead nebyl předán prodeji, protože někdo napsal „zajímavé“. To je příliš měkké. Definovali jsme kritéria předání: potvrzená oblast použití, relevantní role, časové okno, technická bolest nebo projektová příležitost, minimální shoda se segmentem, žádné zjevné vyloučení regionem nebo portfoliem. Teprve poté byla v CRM vytvořena příležitost nebo kvalifikovaný lead, včetně shrnutí, poznámek z rozhovoru, předpokládané produktové oblasti a doporučené další akce. Prodejní inženýr by měl do 90 sekund pochopit, proč si tento kontakt zaslouží jeho čas.

Největší změnou nebyl jen objem leadů, ale jejich přesnost. Najednou jsme měli rozhovory s tiskárnami obalů, které naše nízkomigrační systémy skutečně mohly využít.

— Anna, vedoucí prodeje tiskařských barev, Stuttgart

Krok 4 a 5: Pokročilé pracovní postupy pro správu pipeline

1. Radikálně omezit pole CRM: U Zeller+Gmelin jsme nezavedli 40 povinných polí, ale několik polí, která ovlivňují rozhodování: segment, aplikace, technologie, regulační kontext, fáze projektu, další technický krok. Pokud pole nespustí akci, je to dekorace.
2. Zahrnout „Human-in-the-loop“ pro technická prohlášení: AI-SDR směl formulovat hypotézy, ale nesměl dávat spolehlivé produktové sliby. Prohlášení týkající se REACH, kontaktu s potravinami, schválení nebo životnosti byla formulována jako příležitost k diskusi a v případě potřeby předána aplikační technice.
3. Týdenní kontrola pipeline namísto měsíční zprávy: Každé úterý byly kontrolovány nové odpovědi, přijaté leady, odmítnuté leady a důvody odmítnutí. Schůzka trvala 35 minut. Pokud trvala déle, byl obvykle špatný dashboard.
4. Využívat důvody odmítnutí jako tréninková data: „Příliš malé“, „špatná tisková metoda“, „pouze prodejce“, „žádný technický projekt“, „region není prioritní“ – tyto důvody byly vráceny do bodování. Ne jako PowerPointové učení, ale jako změna pravidla.
5. Zkracovat nebo prodlužovat sekvence podle výsledku segmentu: Tiskárny obalů s jasným signálem shody dostávaly kratší, přímé sekvence. Výrobci strojů se signály servisu a monitorování stavu často potřebovali více kontextu, protože nákupní příležitost byla rozptýlená.
6. Nastavit přijetí prodejem jako severní hvězdu: Ne MQL. Ne míry otevření. Ne „generované kontakty“. Rozhodující bylo: Kolik předaných příležitostí přijme technický prodej bez protočení očí?

Pokročilé kroky zní jako procesní disciplína. Také jimi jsou. Přesně proto fungují. Ještě jsem neviděl B2B outbound projekt, který by selhal kvůli nedostatku kreativity. Mnoho jich selže kvůli chybějící zpětné vazbě. AI-SDR se pak neučí, prodej systému nedůvěřuje, marketing optimalizuje na hezká čísla a po třech měsících někdo řekne: „AI u nás nefunguje.“ „To u nás nefunguje,“ řekl mi nedávno CSO z Norimberku. Když jsme se podívali na data, ukázalo se: 72 procent odmítnutých leadů pocházelo ze dvou segmentů, které nikdy neměly být osloveny. AI nebyla problém. Problémem bylo schválení segmentu.

U Zeller+Gmelin jsme se proto obzvláště tvrdě zaměřili na důvody odmítnutí. Pokud prodejní inženýr odmítl lead, musel k tomu být důvod. Ne jako kontrola. Jako učební materiál. Jednou se vícekrát objevilo „špatná kontaktní osoba – nákup příliš brzy“. Takže jsme změnili sekvenci: U určitých účtů s obaly byla nejprve oslovena kvalita, aplikační technika nebo vedení výroby, nákup až později jako zainteresovaná strana. Kvalita schůzek se zvýšila. Malá změna. Velký efekt.

Kontrolní seznam nástrojů a pracovních postupů pro AI v prodeji

Tabulka je jednoduchá. Záměrně. Složitost nespočívá v 17 nástrojích, ale v rozhodnutích mezi nimi. Často vidím stacky s HubSpot, Salesforce, Apollo, LinkedIn Sales Navigator, Clay, ChatGPT, Make, Zapier a nějakým Intent-Providerem. Všechno jednotlivě použitelné. Dohromady často špagetová jídla. U Zeller+Gmelin byla architektura štíhlejší: Amplifa jako AI-SDR a orchestrace, CRM jako systém záznamů, definované datové zdroje pro obohacení, jasné předání prodeji. To stačilo, protože procesní otázky byly vyřešeny předem.

Amplifa Sales Audit Zkontrolujte, kde váš pipeline dnes uniká: ICP, kvalita dat, nastavení outboundu, předání do CRM a přijetí prodejem ve strukturovaném auditu.

Dopad na podnikání: Co prakticky znamenalo ztrojnásobení

Ztrojnásobený pipeline zní dobře. Ale ve středním podniku se počítá to, co se změní v každodenním životě. U Zeller+Gmelin to znamenalo: Obchodní zástupci museli méně studeně vyhledávat a mohli více času věnovat technickým rozhovorům. Field Sales Engineers strávili podle interní analýzy asi o 30 až 40 procent více času návštěvami na místě, vzorkováním, testy a schvalovacími procesy namísto prvního oslovení. To není okouzlující. Ale přesně tam vznikají zakázky ve speciální chemii.

Druhým efektem byl strategický. Podíl nových log v aktivním pipeline vzrostl z méně než 20 procent na přibližně 45 až 50 procent. Najednou Zeller+Gmelin viděl nejen známé velké zákazníky a distributory, ale i menší konvertory ve východní Evropě, specialisty na obaly v Beneluxu, OEM s servisními programy, výrobce potravin se speciálními požadavky na maziva. Některé z těchto účtů by dříve možná prošly na veletrhu. Možná. V hluku haly v Düsseldorfu, mezi kobercem, stojany s prospekty a vůní čerstvého tisku na vzorcích fólií.

Třetím efektem byla rychlost. Doba od prvního kontaktu do technického vzorkování se v prioritních segmentech snížila o přibližně 20 až 30 procent. Ne proto, že by schválení náhle byla kratší. Ta zůstávají tvrdohlavá. Ale proto, že rozhovory s nízkou shodou byly dříve vyřazeny a rozhovory s vysokou shodou začaly lépe připravené. Pokud prodejní inženýr před prvním hovorem už ví, že konvertor má potravinové obaly, flexotisk a témata nízké migrace, rozhovor začíná na jiné úrovni. Méně smalltalku. Více substrátu.

V oblasti maziv bylo vždy obtížné identifikovat správné kontaktní osoby. Platforma nám ukázala nejen nové OEM, ale také vedoucí údržby a provozní inženýry, kteří skutečně chtěli mluvit o monitorování stavu.

— Markus, vedoucí obchodní oblasti Maziva, Göppingen

Proč je čistě inbound strategie ve středním podniku nedostatečná

Zde se odvážím tvrdit: Kdo jako technický střední podnik sází pouze na inbound, ztrácí nejlepší příležitosti ve prospěch hlasitějších konkurentů. Inbound funguje u jasně pojmenovaných problémů, vysoké aktivity vyhledávání a krátkých rozhodovacích cest. Ale který vedoucí údržby v pravý okamžik vyhledává na Googlu „vysoce výkonný aditivní balíček pro energeticky účinné převodovky s relevancí pro monitorování stavu“? Který inženýr obalů veřejně hledá změnu u nízkomigračních barevných systémů, když se interně právě hádá kvalita, nákup a výroba?

Samozřejmě, potřebujete dobrý obsah. Julia z marketingového týmu v Ulmu přesně to využila: Z segmentů, které Amplifa identifikovala, vznikly vstupní stránky a podklady pro rozhovory o LED-UV flexotisku, nízkomigračních systémech a bio-mazivech. Ale obsah sám čeká. Outbound se hýbe. Kombinace byla klíčová. Nejprve logika cílových zákazníků, pak vhodný obsah, pak segmentovaný AI-SDR, pak lidský technický prodej. Ne naopak.

To je také důvod, proč mi pojem „generování leadů“ často připadá příliš malý. Nejde o leady. Jde o pokrytí trhu. Které vhodné firmy ještě neznáme? Které nás znají, ale ne pro tento případ použití? Které mají právě signál, který naznačuje ochotu ke změně? Které bychom měli vědomě ignorovat? Tyto otázky rozhodují o kvalitě pipeline. Ne předmět s křestním jménem.

FAQ: Časté dotazy k AI v prodeji

Jak dlouho trvá, než AI v prodeji vygeneruje měřitelný pipeline?

U Zeller+Gmelin jsme první spolehlivé signály viděli po několika týdnech: odpovědi, přijaté první rozhovory, první technické kvalifikace. Skutečný dopad na pipeline se projevil během devíti měsíců. To odpovídá technickým B2B trhům. Kdo očekává obrat po 14 dnech, buď prodává velmi jednoduchý produkt, nebo si lže. Pro střední podniky s prodejními cykly 9 až 18 měsíců není raným KPI obrat, ale přijatá příležitost s jasným technickým dalším krokem.

Nahradí AI-SDR obchodní zástupce?

Ne. A pokud to někdo tvrdí, byl bych opatrný. AI-SDR nenahrazuje prodejního inženýra, který stojí u stroje u zákazníka, rozpozná zápach přehřátého oleje nebo v tiskárně chápe, proč substrát způsobuje problémy. AI-SDR nahrazuje manuální vyhledávání vhodných účtů, první strukturované oslovení a části předkvalifikace. Člověk se zapojí později – ale lépe připravený.

Jaká data jsou potřeba pro AI v prodeji ve středním podniku?

Potřebujete méně perfektních dat, než si mnozí myslí, ale více jasnosti o dobrých zákaznících. Historické zakázky, získané a ztracené příležitosti, produktové oblasti, cílové segmenty, kritéria odmítnutí, regionální priority a několik tvrdých vyloučení často stačí pro začátek. U Zeller+Gmelin nebylo rozhodující jen CRM, ale kombinace CRM, prodejního know-how, aplikační techniky a externích signálů, jako jsou certifikáty, tiskové metody, pracovní inzeráty a témata udržitelnosti.

Amplifa Produkt Platforma AI-SDR od Amplify spojuje identifikaci cílových zákazníků, obohacení dat, personalizovaný outbound a předání do CRM pro B2B prodejní týmy.

Tři poznatky pro výrobní střední podniky

První poznatek: Segmentace poráží personalizaci. E-mail s názvem firmy, odvětvím a pěkným úvodem má malou hodnotu, pokud je segment špatný. U Zeller+Gmelin byly nejlepší výsledky dosaženy tam, kde se shodoval případ použití, technologie a nákupní příležitost. Tiskařské barvy a maziva musely být posuzovány odděleně. Vlastně logické. Přesto je to často ignorováno, protože společné nastavení kampaně je pohodlnější.

Druhý poznatek: Přijetí prodejem je tvrdší než míra odpovědí. Vysoká míra odpovědí může být varovným signálem, pokud odpovědi pocházejí od špatných cílových skupin. U technických produktů záleží na tom, zda obchodní zástupce lead přijme a dále zpracuje. U Zeller+Gmelin se proto neoptimalizovalo na marnivé metriky, ale na přijaté příležitosti, technické první rozhovory a pokrok směrem k vzorkování.

Třetí poznatek: AI potřebuje hranice. AI-SDR nesměl slibovat technická schválení, vymýšlet prohlášení o shodě, zaručovat výkon produktu. Směl vytvářet hypotézy, klást otázky, kvalifikovat kontakty a poskytovat kontext. Tato hranice byla klíčová pro důvěru. Zejména v chemii, strojírenství, medicínské technice nebo automobilovém průmyslu je falešná přesnost nebezpečnější než žádná automatizace.

Pro mě je Zeller+Gmelin proto dobrým zákaznickým příběhem, protože nevoní po fantazii Silicon Valley. Žádné „automatizovali jsme prodej“. Žádné divadlo s dashboardy. Spíše švábská prodejní práce s podporou AI: čistě definovat cílové zákazníky, brát data vážně, testovat sekvence, vyhodnocovat odmítnutí, zlepšovat technická předání. Na konci je ztrojnásobený pipeline. Ne proto, že AI kouzlí, ale proto, že přebírá práci, kterou lidé v prodeji příliš dlouho museli dělat mimochodem.

Kompletní Success Story Přečtěte si kompletní zákaznický příběh Zeller+Gmelin a jak Amplifa pomohla vybudovat trojnásobně větší prodejní pipeline.

3 nejdůležitější poznatky

1. AI v prodeji funguje ve středním podniku pouze tehdy, je-li předem jasné, které účty nemají být zpracovávány. „No-Fit“ není okrajové téma, ale ochrana pipeline.
2. Nejlepší architektura AI-SDR kombinuje externí nákupní signály s interním prodejním know-how. U Zeller+Gmelin byly specifické kombinace jako shoda s potravinovými předpisy plus flexo technologie nebo servis OEM plus monitorování stavu silnější než obecná velikost firmy.
3. Obchodní zástupci nejsou nahrazeni, ale odlehčeni. Stroj přebírá vyhledávání, předkvalifikaci a kontext. Člověk přebírá technické poradenství, důvěru a schvalovací procesy.

Když se dívám na takové projekty, zřídka vidím firmy, kterým chybí tržní příležitosti. Vidím firmy, které své příležitosti nacházejí příliš pozdě, příliš náhodně nebo příliš manuálně. U Zeller+Gmelin se to změnilo – a někde v CRM je teď účet, který by dříve pravděpodobně upoutal pozornost až na dalším veletrhu.