至顶网CIO与应用频道 03月06日 北京消息:如果您所在的企业已置身于竞争激烈的物联网(IoT)市场,那么现在是时候在销售支持(sales enablement)方面采取行动以确保业务成功了。
规模较小但灵活敏捷的技术服务提供商正面临着销售资源短缺的困境,而大型提供商则须应对一系列有关销售支持的挑战,特别是它们不仅需要使其物联网业务目标与目标市场保持一致,而且还必须协调大量内部销售资源与流程。
向市场传达的销售信息通常不够聚焦且过分强调技术细节,最终往往在竞争激烈的市场中被其它“声音”所淹没。许多企业竭力展示经过市场验证的能力与价值;而有些企业则由于客户需要更完整的解决方案、漫长的销售流程以及不具时代竞争力的销售人员薪酬计划,不得不为实现收入目标而绞尽脑汁。
鉴于此,Gartner认为到2020年,就职于技术服务提供商的物联网业务销售高管的离职率将会是非物联网业务销售高管的两倍。
如何销售物联网解决方案
以下是三条成功销售物联网解决方案的最佳实践:
1. 将物联网应用场景纳入销售工具与营销信息
了解客户的首要痛点,将物联网的商业价值与成果作为卖点。创建重点介绍物联网具体应用的销售工具及信息。因为它们最能凸显商业情景下真实客户的使用成果,无疑是体现价值与能力的最引人注目的方法。
但是,目前市场中依然有大批的技术提供商还是一味强调技术或功能细节、而非关注于如何利用物联网解决方案与客户需求相结合以实现真正商业价值。因此,物联网技术与服务提供商需要重点传达物联网所带来的商业收益,例如:业务价值、数字化商业模式等。
举个例子,戴尔科技(Dell Technologies)将物联网的应用聚焦到三大垂直市场——能源、制造以及交通与物流,从而加快其边缘计算的销售过程。在上述市场中实施边缘计算的流程均通过解决方案的“蓝图”得到详细说明,展现各应用场景的主要收益推动因素及客户价值。戴尔表示其82%的边缘计算项目合同都因这种解决方案“蓝图”而成功签订。
2. 充分利用客户体验中心
客户体验中心(创新实验室/设计中心)可成为销售的有力支持,帮助证明贵公司实现商业价值的能力。您可以邀请潜在客户或已有客户现场参与,与训练有素的员工合作设计和/或构建物联网战略或解决方案,于此同时还能充分演示您的物联网产品线。
例如,高知特信息技术有限公司(Cognizant)建立了一家客户体验中心,以便与客户互动以及销售物联网咨询服务,具体包括:确定商业价值和描绘客户旅程、构思设备工业设计、定义架构以及评估企业在利用物联网整合IT/OT系统准备情况。销售团队可以在整个销售生命周期内充分利用这种中心资源。
3. 创建训练有素的咨询型销售机构
鉴于物联网解决方案的复杂性,销售团队需要具备技术与解决方案的销售能力。为了取得最佳销售效果,建议创建训练有素且拥有跨职能技能的销售团队,并根据市场行情更新销售薪酬计划,重新设定销售周期指标。
上述举措意味着您必须投入资源和开展培训以了解客户的商业需求、具备帮助客户制定物联网商业计划的能力以及掌握相关的产品知识,才能成功销售更完整的解决方案和系列产品。
沃达丰(Vodafone)是一家具有跨职能物联网销售团队的服务提供商。该公司的专属物联网业务部门由1400多名员工组成,堪称全球各大电信公司中物联网人员最雄厚的团队。最近,它开始将物联网销售专家分派至各个区域来提供销售支持,同时还扮演着为本地销售支持“传播技术”(skill seed)的作用。Gartner建议充分培训企业内部专家,以拓展物联网销售机会。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。