許多企業在尋找潛在客戶時，常常陷入無效線索的泥沼，耗費大量時間和資源卻難以轉化為實際收益。本文將深入探討如何在PMF階段穿透迷霧，通過構建雙層漏斗——“輕量級試探”和“低成本價值驗證”——來精準識別客戶的“買單”意愿。

PMF階段：如何穿透迷霧，識別客戶真實的“買單”意愿？

你是否也曾遇到過這樣的困境？

• 免費或小額POC階段，客戶熱情高漲，積極配合，結果一到正式合作付費就沒了下文，甚至轉為inhouse自己做。
• 客戶頻繁索要資料、組織會議，提出的需求也看似合理，但始終不給明確的購買答復。時間精力耗費殆盡。前期投入大量人力物力，最終只換來一句“我們再考慮考慮”。
• 眼看著競爭對手拿下客戶，自己卻被“溫水煮青蛙”，直到最后才發現，對方只是把你當成了免費的咨詢顧問，用于“貨比三家”后尋找更低報價供應商進行方案復制。

一、什么是具備付費潛力的價值客戶？

如果你正經歷這些，那么接下來的內容，或許能幫你撥開云霧，更精準地識別客戶真實的付費意愿和能力，避免“竹籃打水一場空”的窘境。

在產品市場匹配（PMF）階段，識別客戶的真實付費意愿和能力，遠比拿到POC的“入場券”更為重要。因為這直接關系到你投入的資源能否在未來轉化為真正的商業價值。

那如何練就這雙“火眼金睛”呢？以下提供幾項關鍵的甄別方法和標準：

• 明確的需求與痛點：客戶面臨的商業問題與我們的解決方案高度契合，他們有動力尋求改變。
• 資源投入能力：無論是資金、時間還是人力，客戶愿意為驗證價值而投入一定資源。
• 決策影響力：客戶內部有關鍵決策者支持POC，并能在后續推動落地。
• 長期合作潛力：客戶所在行業或業務具備擴展性，POC成功后有進一步深化合作的可能性。

具體來說，量化標準：

1）戰略匹配度優先原則

• 行業地位：目標客戶需在細分領域Top或核心腰部；
• 場景典型性：客戶有初步的商業問題需要解決，且該需求場景有一定復用性（部分行業如金融除外）；
• 技術適配性：現有產品能力可滿足60%以上核心需求

2）付費能力硬指標

• 客戶預算規模：對該解決方案需求的年度相關預算≥POC項目預估金額的3倍以上
• 決策鏈清晰度：已明確對接上C-level級或具有決策權的預算分配者
• 預算批復周期：預計1-3個月內能完成內部預算批復流程

3）合作意愿信號

• 資源投入承諾：愿提供業務落地對接人、配合提供POC所需的權限、數據或信息等
• 時間窗口明確：能配合2-6周驗證周期
• 成功標準共識：雙方對POC驗收標準達成書面確認

典型反例客戶畫像（淘汰標準）

1）客戶需求模糊 X

常見陷阱描述：客戶無法清晰描述自身業務痛點，或需求過于寬泛，難以聚焦。

示例：”我們想提升整體運營效率”，”我們需要更智能的解決方案” (缺乏具體細節)。

規避策略：

• 具體化提問：引導客戶量化問題，例如 “具體希望提升多少效率？”，”目前每月因此損失多少？”
• AIGC輔助分析：分析客戶溝通記錄，識別關鍵詞和潛在需求，確認是否有清晰的目標。

2）假意探索，實為刺探軍情 X

常見陷阱描述：客戶并無真實采購意愿，僅為獲取競品信息、了解行業趨勢。

示例：客戶過度關注技術細節、競品對比，對自身業務需求避而不談。

規避策略：

• 強調獨特價值：聚焦自身解決方案的獨特優勢，避免陷入同質化競爭。
• 價值引導：將討論重心轉移到客戶業務痛點和潛在收益，引導客戶分享具體業務場景。

3）決策鏈缺失 X

常見陷阱描述：溝通對象級別較低，無決策權，或客戶內部決策鏈復雜、冗長，難以推進。

示例：”我先了解一下，再向上匯報”，”我們內部需要多個部門審批”，決策人始終不露面。

規避策略：

• 決策人識別：通過提問明確決策流程和關鍵決策人，例如 “這類決策通常由誰負責？”。
• 爭取高層參與：主動要求與決策層直接溝通，或邀請高層參與POC方案討論。

4）預算不明確或預算不足 X

常見陷阱描述：客戶沒有明確的預算科目，或預算金額過低，無法覆蓋解決方案成本。

示例：”我們沒有預算，先看看效果”，”預算很有限，只能cover很小一部分費用”。

規避策略：

• 預算試探：直接詢問預算范圍和審批流程，例如 “您預計這個項目的預算是多少？”。
• 價值拆解：根據客戶預算調整解決方案，提供性價比更高的MVP版本，確?？蛻裟艹袚?。

5）時間線不清晰 X

常見陷阱描述：客戶對項目啟動時間、完成時間沒有明確規劃，缺乏緊迫性，容易拖延。

示例：”不著急，先看看再說”，”等老板回來再定”，無法給出明確的時間節點。

規避策略：

• 時間緊迫性引導：詢問項目對客戶業務的重要性、關鍵時間節點，例如 “這個項目對貴司的業務時間節點有多緊迫？”。
• 設定明確時間表：與客戶共同制定POC時間表，明確每個階段的目標和交付物，確保項目按計劃推進。

6）POC目標不明確 X

常見陷阱描述：POC目標過于寬泛或與客戶實際需求脫節，導致POC結果難以評估，價值無法體現。

示例：”我們想提升整體性能”，”我們需要更智能的解決方案”，無法給出具體、可量化的指標。

規避策略：

• 目標聚焦：與客戶共同定義POC的核心目標和關鍵指標，例如 “POC要達成的核心目標是什么？”，”如何衡量POC是否成功？”。
• 可量化指標：將目標轉化為可量化的指標，例如 提升效率20%、降低成本15%等，確保POC結果可評估。

7）對現有方案路徑依賴嚴重 X

常見陷阱描述：客戶堅持使用現有流程和技術，不愿接受新的解決方案，即使現有方案效率低下?？蛻魧ΜF有流程的過度依賴，對改變持保守態度，難以接受創新解決方案。

示例：”我們一直都是這么做的”，“這個流程改不了”，”換方案風險太大”。

規避策略：

• 挖掘深層痛點：深入挖掘客戶現有方案的局限性和潛在風險，例如數據孤島、擴展性差等。
• 小步快走：建議客戶從小規模試點開始，逐步驗證新方案的價值，降低轉型風險。
• 成功案例展示：分享同行業類似客戶的成功案例，消除客戶的顧慮，增強信心。

8）免費午餐心態 X

常見陷阱描述：客戶只關注免費試用、POC，不愿為解決方案付費，期望通過長期免費使用獲得價值?？蛻糁幌朊赓M試用，不愿意承擔任何成本。

示例：頻繁要求延長試用期、增加免費功能、無限期POC。

規避策略：

• 明確付費界限：一開始就明確試用期和POC的范圍、時間和付費條款。
• 價值前置：在試用期內提供核心價值，讓客戶充分體驗付費方案的優勢。
• 適時收費：試用期結束后立即停止服務，或收取象征性費用，篩選真實客戶。

二、 Deepseek如何輔助識別具備真實付費意愿的客戶

第一層：輕量級試探——客戶溝通“望聞問切”

核心： 通過有技巧的提問和AIGC輔助，快速識別客戶的真實需求和付費意愿。

AIGC的價值和作用：

1）會前準備：AIGC輔助問題設計

• 基于Top銷售的優秀提問模板，并結合與客戶的歷史對話數據，AIGC輔助生成更貼合業務場景的個性化提問建議，構建行業定制化問題庫，提升提問的針對性和有效性。
• 通過分析高成單案例的提問邏輯，AIGC 會在問題中預埋預算關聯點。
• AIGC 會模擬客戶決策鏈條，標注問題是否能觸達關鍵決策人關注點。

2）會后分析：AIGC解讀會議紀要

• 將會議錄音或紀要交給AIGC，讓它自動分析客戶的回答。
• AIGC可以幫你快速識別客戶的痛點優先級、決策人、預算時間等關鍵信息。
• AIGC也可以幫你判斷客戶的回答是否符合你設定的“合格信號”。

3）后續跟進：AIGC判斷價值客戶與跟進策略

• 基于AIGC對客戶溝通內容的深度解析，自動判斷客戶價值象限（戰略、培育、關系、觀察）。
• AIGC結合行業知識庫與成功案例，為不同象限的客戶智能推薦個性化的跟進策略，例如“高層關系突破方案”、“定制化需求引導內容”、“競爭對手對比分析”等。

操作示例：

第一步：會前準備-AIGC輔助問題設計

圍繞“錢在哪里、誰說了算、時間底線”三板斧，設計結構化問題。

問題要具體、可量化，避免泛泛而談。

例如：”您目前解決這個問題的方法是什么？每個月要花多少資源？”， “這個需求對應的預算科目是什么？”，”最晚什么時候必須解決這個問題？”

AIGC提示詞示例：

請根據以下信息，為與潛在客戶的初步溝通，生成結構化的問題列表，用于快速評估客戶的付費意愿和項目可行性。

前提信息：

-我們的目標是與潛在客戶進行初步溝通，快速評估其付費意愿和項目可行性，以便決定是否進行POC或更深入的合作。

-本次溝通的重點是了解客戶的預算情況、決策鏈和時間線。

-問題需要具體、可量化，避免泛泛而談。

問題圍繞以下三個核心維度展開：

第一斧：錢在哪里？ (預算)

目標：了解客戶的預算來源和范圍，判斷其是否有足夠的預算支持項目。

問題模板：

-“如果我們能幫您解決[客戶痛點]，您打算從哪個預算池出錢？是今年的[部門]預算還是[項目]專項預算？”

-“這個預算是否已經得到審批？或者是否有靈活的調配空間？預計有多少？”

-“貴公司一般如何衡量類似項目的投資回報率 (ROI)？”

-“方案的預算大概是多少？這個預算是用于今年哪些具體業務目標的解決？”

-“如果您需要在短時間內進行試點，預算能覆蓋多少？”

預期輸出 (請根據問題模板生成具體問題):

-至少 3 個與預算來源相關的問題。

-至少 3 個與預算范圍相關的問題。

第二斧：誰說了算？ (決策鏈)

目標：識別客戶方的關鍵決策人，了解其決策流程。

問題模板：

-“這類決策一般需要走什么流程？上次采購類似系統時，最后批件的是哪位領導？”

-“除了您以外，哪些部門或人員會參與這次預算審批和方案評估？”

-“誰是這個項目最終的審批人？您能安排我們與[決策人姓名/職位]直接溝通嗎？”

預期輸出 (請根據問題模板生成具體問題):

-至少 3 個與決策流程相關的問題。

-至少 3 個與決策人相關的問題。

第三斧：時間底線 (時間線)

目標： 了解客戶的時間規劃，判斷其是否有緊迫性，項目啟動/上線時間。

問題模板：

-“如果我們的解決方案能夠滿足您的需求，您預計多久能得到預算審批或最快什么時候能啟動？”

-“這個項目對貴司的業務時間節點有多緊迫？是否有明確的上線時間？”

-“您希望在什么時候看到初步的成果？（例如：POC結果、方案演示等）”

預期輸出 (請根據問題模板生成具體問題):

-至少 3 個與預算審批時間相關的問題。

-至少 3 個與項目上線時間相關的問題。

輸出格式要求：

-請將生成的問題按照”第一斧：錢在哪里？”、”第二斧：誰說了算？”、”第三斧：時間底線？” 三個部分組織，并標注每個問題的對應目標。

-每個問題應具備明確的指向性，便于在實際溝通中直接使用。

-請針對每個問題，補充“合格信號”和“危險信號”的示例，用于快速判斷客戶的潛在價值。

AIGC示例輸出：

第一斧：錢在哪里？(預算)

目標： 了解客戶的預算來源和范圍，判斷其是否有足夠的預算支持項目。

問題： “如果我們能幫您解決銷售轉化率低的問題，您打算從哪個預算池出錢？是今年的銷售部門運營預算還是數字化轉型專項預算？”

合格信號： 能明確說出預算科目（例如：“從數字化轉型專項基金出”）；有具體金額范圍（例如：“20萬以內可以特批”）

危險信號： 對預算審批流程的不確定高（例如：”還不確定，可能需要申請新預算” ）

問題： “這個預算是否已經得到審批？或者是否有靈活的調配空間？如果能幫助你們提升轉化率，大概能調配多少預算？”

合格信號： 預算已審批，且有明確的預算范圍（例如：“已經批了，大概有30萬的預算”）

危險信號： 不確定是否需要審批，或者預算金額模糊（例如：“可能要看具體方案再定，預算不好說”）

問題： “貴公司一般如何衡量類似項目的投資回報率 (ROI)？提升銷售轉化率在貴公司的KPI中占比多大？”

合格信號： 對ROI有清晰的計算方式，且提升銷售轉化率是重點KPI（例如：“我們主要看新增客戶帶來的營收增長，轉化率是核心KPI”）

危險信號： 無法清晰描述ROI計算方式，或者銷售轉化率并非重點KPI（例如：“這個比較難衡量，KPI有很多”）

問題： “方案的預算大概是多少？這個預算是用于今年提升哪些具體業務目標的解決？比如客單價，比如用戶留存?！?/p>

合格信號 方案的預算和具體業務目標明確關聯（例如：“預算50萬，目標是客單價提升15%”）

危險信號 預算和業務目標關聯性不強（例如：“這個還沒細想，先看看效果”）

問題： “如果您需要在短時間內進行試點，預算能覆蓋多少？比如1個月的試點，能支持多少預算？”

合格信號： 可以明確指出試點預算范圍（例如：“1個月的試點預算大概是5萬左右”）

危險信號： 客戶避而不談試點預算（例如：“你們能不能先免費POC測試一輪看效果，預算的事再說”）

第二斧：誰說了算？ (決策鏈)

目標： 識別客戶方的關鍵決策人，了解其決策流程。

問題： “這類決策一般需要走什么流程？上次采購類似SaaS系統時，最后批件的是哪位領導？需要經過哪些部門？”

合格信號： 能說出具體決策人姓名/職位（例如：”需要銷售VP王總和財務李總監雙簽”）

危險信號： “我們先推進，后面再匯報”

問題： “除了您以外，哪些部門或人員會參與這次預算審批和方案評估？技術部門，還是市場部門也會參與？”

合格信號： 能夠明確指出相關部門和人員（例如：”銷售，市場，和技術部門都會參與評審”）

危險信號： “到時候再說吧，先看效果”

問題： “誰是這個項目最終的審批人？您能安排我們與[決策人姓名/職位]直接溝通嗎？”

合格信號： 主動安排你與決策層直接溝通

危險信號： “領導比較忙，我們先討論細節”

第三斧：時間底線 (時間線)

目標： 了解客戶的時間規劃，判斷其是否有緊迫性，項目啟動/上線時間。

問題： “如果我們的解決方案能夠滿足您的需求，您預計多久能得到預算審批或最快什么時候能啟動？一般內部審批需要多久？”

合格信號： 給出明確時間節點（例如：”Q3結束前必須上線”）

危險信號： “不急，先做做看”

問題： “這個項目對貴司的業務時間節點有多緊迫？是否有明確的上線時間？比如雙十一之前一定要完成？”

合格信號： 表現出時間緊迫性（例如：”下個月旺季前必須解決”）

危險信號： “等老板回國再定，時間也不知道”

問題： “您希望在什么時候看到初步的成果？比如轉化率的提升，或者用戶行為的改變?！?/p>

合格信號： 給到具體的時間期許。(比如“如果一個月試用期內，能看到轉化率提升10%就很棒了?！?

危險信號： 無法給出具體的時間期許。 （比如“這個看情況，越快越好?！保?/p>

第二步：會后分析-AIGC輔助會議紀要解讀

輸入：與客戶溝通會議錄音/紀要

AIGC提示詞：

請深入分析【客戶會議對話】，提取以下關鍵信號：

1. 客戶是否提到當前業務的具體問題、需求以及可承受的成本？若有，請提取其中涉及的金額或時間數據。

2. 對話中是否提及決策鏈關鍵角色（如有，列出提及的部門/職級）

3. 客戶是否給出預算審批/交付時間窗口（是/否，具體時間）

4. 客戶是否已有和競品比對，或者是否提及走集采流程

基于客戶會議紀要，客戶回答的示例輸出：

{
“budget_clarity”: 8,

“budget_source”: “數字化轉型專項基金”,

“estimated_budget_range”: “30-50萬”,

“decision_chain”: {

“involved_roles”: [“IT部門王總”, “財務部李總”],

“decision_maker”: “需向CTO匯報”

},

“urgency”: “高”,

“approval_timeframe”: “預計2個月內完成審批”,

“deadline”: “Q3前必須上線”,

“competitive_status”: “未接觸競品”

}

第三步：后續跟進——AIGC輔助客戶價值分層與個性化跟進策略

在完成對客戶需求的識別與分析后，我們需要進一步對客戶進行價值分層，從而制定精準的跟進策略。接下來，這里可以結合 “四象限客戶分類法”，根據與客戶的溝通分析結果，劃分客戶所屬的價值象限。

AIGC示例提示詞：

請根據上述與客戶的溝通分析[粘貼第二步會議紀要結論]，進一步應用以下的“四象限客戶分類法”，劃分客戶所屬的價值象限及對應的跟進策略：

AIGC示例輸出：

【客戶類型】關系客戶，偏戰略客戶

【象限理由】

-預算明確度較高 (7/10): 客戶有歷史采購記錄，表明有預算支持和付費意愿，降低了銷售風險。

-決策鏈完整度較低 (4/10): 目前僅接觸到IT經理，無法有效推動項目決策，存在決策鏈缺失風險。

-時間緊迫性高 (9/10): Q4前必須上線，時間壓力大，需要快速推進。

-綜合判斷： 雖然決策鏈不完整，但客戶預算明確且時間緊迫，潛在價值較高，因此判斷為關系客戶，但同時具有戰略客戶的潛力。

【行動建議】

1）高層突破，建立直接溝通：

核心目標： 盡快與CTO或其他更高層級的決策者建立直接溝通渠道。

具體措施：

-請IT經理引薦，明確表達與高層溝通的必要性，強調能幫助其更好地了解項目價值和方案。

-嘗試通過公司內部關系、行業活動等其他渠道，直接聯系到目標決策人。

-準備一份針對高層決策者的精簡版項目介紹，突出戰略價值和ROI。

2）提供CEO背書案例，強化信任：

核心目標： 利用同行業成功案例，增強高層決策者對方案的信任度和認可度。

具體措施：

-準備 2-3 個與客戶所在行業相似的、具有代表性的成功案例。案例內容需包含項目背景、解決方案、實施效果（最好有量化數據）以及客戶高層的評價。

-在與高層溝通時，重點展示這些案例，并強調這些案例與客戶當前需求的契合點。

-如果條件允許，爭取安排客戶與成功案例中的企業高層進行交流，進一步增強說服力。

3）兩周內安排決策層產品演示，快速推進：

核心目標： 抓住時間窗口，盡快安排面向決策層的產品演示，展示方案的核心價值和優勢。

具體措施：

-在與高層溝通后，立即確認其對產品演示的需求和時間安排。

-精心準備演示內容，針對決策層關注的戰略價值、ROI、風險控制等方面進行重點展示。

-演示過程中，積極互動，解答疑問，并主動提供試用或POC（概念驗證）機會。

4）賦能IT經理，借力推動：

核心目標： 雖然需要高層突破，但IT經理依然是重要的合作對象，需要充分賦能，借助其力量推動項目進展。

具體措施：

-定期與IT經理溝通，了解項目進展情況，并及時提供支持。

-向IT經理分享成功案例、行業洞察等信息，提升其對項目的信心和認可度。

-在與高層溝通時，適當提及IT經理的貢獻，幫助其在團隊中樹立威信。

5）制定個性化跟進計劃：

核心目標： 根據客戶的具體情況，制定個性化的跟進計劃，確保銷售過程高效推進。

具體措施：

-明確每個階段的目標、行動步驟和負責人。

-建立定期的溝通機制，及時了解客戶的需求和反饋。

-根據客戶的反饋，靈活調整銷售策略，確保最終達成交易。

【風險提示】

-如果無法成功與高層建立有效溝通，項目推進將面臨較大阻力，需要考慮調整策略，或將客戶重新評估為“觀察客戶”。

-時間緊迫性是雙刃劍，既能加速決策，也可能導致客戶因壓力過大而放棄項目，需要做好風險控制。

小結：

通過以上有技巧的問題設計（“錢在哪里”/“誰說了算”/“時間底線”），以及AIGC的輔助分析，乙方可以快速識別客戶的預算來源、決策鏈和時間壓力，確保在與客戶溝通的初期就能鎖定關鍵信息，從而為后續的商務談判和項目推進提供基礎。最終通過四象限分類法，讓你一眼看清 “該立即強攻、還是耐心培育”。這套組合拳的核心是：用最小溝通成本，篩出愿意為價值買單的 “真需求客戶”，讓每個跟進動作都踩在付費意愿的鼓點上。

第二層：MVV低成本價值驗證設計

MVV（最小價值驗證） 是 “識別價值 POC 客戶” 的關鍵篩子 —— 在 “望聞問切” 初步判斷后，它用最低成本幫你看清：客戶是 “隨便看看”，還是 “真想掏錢”。若客戶主動配合驗證、追問效果，就是真實付費意愿的信號燈。其核心是：用一個可量化的 “價值小目標”，證明 “你的方案能解決我的具體問題”，像用打火機燎一下布料，立刻看出是不是真阻燃。讓你在進入 POC 前，就鎖定那些 “愿為價值付出行動” 的高潛力客戶。

MVV（最小價值驗證）

定義：用最低成本向客戶展示解決方案的可量化商業價值，比如給 AI 模型開 3 天試用權限，或開放一個核心功能模塊。

核心目標：讓客戶從 “聽說有用” 到 “看見見效”，把 “要不要買” 的復雜決策，簡化成 “這個功能值不值 X 元” 的單點判斷，縮短 80% 的售前解釋成本。

適用場景：尤其適合算法類產品（如 AI 預測模型）或可視化工具（如數據看板），比如給零售客戶演示 “AI 滯銷預警模型能否降低 20% 季末損耗”，比講 20 頁 PPT 更有沖擊力。

MVV設計所需的關鍵要素：

1. 驗證目標：明確驗證的目的、問題和成功與否的驗收標準。
2. 核心指標：可量化的指標，用來衡量驗證是否成功。
3. 驗證周期：設定驗證的時間范圍，通常最好3周以內。
4. 所需資源：客戶需要提供的數據、權限或項目所必須提供的相關信息。
5. 交付物：最終交付的成果物，通常包括驗證報告和數據分析工具。

示例：提供MVV：“AI滯銷預警模型能否降低20%季末清倉損耗”。

AIGC如何輔助產出，最短時間落地MVV：

1. 智能生成MVV方案：根據客戶需求自動設計驗證路徑
2. 自動化數據洞察：解析客戶提供的數據，生成可視化結論
3. 動態調整驗證指標：基于初期結果優化后續驗證方向

設計MVV方案

AIGC提示詞模板：

MVV設計模板

驗證目標：證明方案能解決[具體問題]

核心指標：[可量化的單一指標]（如減少20%人工核對時間）

驗證周期：≤2周

所需資源：

– 客戶需提供：[最多3項必要數據/權限]

– 我方投入：[明確人力/時間上限]

交付物：1頁紙驗證報告（含前后對比截圖）

MVV方案示例：提前識別滯銷款，優化季末清倉策略

第一步：MVV設計方案輸出：

AIGC提示詞：

客戶痛點：季末滯銷導致利潤損失

行業：鞋類電商

數據可得性：可提供50個SKU銷售數據（日銷量、庫存、折扣率數據）

請生成MVV方案：

參考MVV設計模板：

驗證目標：證明方案能解決[具體問題]

核心指標：[可量化的單一指標]（如減少20%人工核對時間）

驗證周期：≤2周

所需資源：

– 客戶需提供：[最多3項必要數據/權限]

– 我方投入：[明確人力/時間上限]

交付物：[1頁紙驗證報告（含前后對比截圖）]

AIGC輸出物：

驗證目標

驗證AI滯銷預警模型能否提前15天識別80%滯銷款，以減少季末清倉損失。

核心指標

預警準確率：成功預警款數 / 實際滯銷款數 ≥ 80%

價值量化：預警成功款折扣率提升幅度 × 季末庫存量

驗證周期

≤ 2周（從數據收集到模型部署）

所需資源

客戶提供：

-本季50個SKU的日銷量、庫存、折扣率數據（Excel格式）

-商品主管每日標注實際滯銷款

我方投入：

-數據清洗與準備（1人天）

-模型訓練與優化（GPU自動調度，零人工）

交付物

滯銷預警看板：

-實時顯示成功率和預警效果的儀表盤

ROI計算器：

-客戶可輸入折扣率，自動計算預估收益

第二步：MVV交付物產出

實操步驟：

1. 數據準備與清洗

目標：確保數據質量，便于AIGC執行分析和模型訓練。

步驟：

1）輸入數據格式：客戶需提供Excel文件，包含本季50個SKU的日銷量、庫存和折扣率數據。

2）數據清洗：

• 缺失值處理：填補缺失值或刪除數據異常行（如銷售數據中的缺失值或不合邏輯的庫存數據）。
• 異常值檢測：利用AIGC自動識別并標記異常數據（例如突然的庫存斷貨或銷量激增）。

AIGC提示詞：

AIGC提示詞：數據清洗與異常值處理

“””

請處理客戶提供的sales_data.xlsx，要求：

1. 刪除空值行或填補空值。

2. 標記銷量、庫存、折扣率異常的SKU（如庫存為負值，銷量大于實際最大值）。

3. 輸出清洗后的數據并生成清洗報告。

“””

AIGC輸出物：

清洗后的數據表格：

(Excel或CSV文件，標記異常值或缺失值處理的結果)

清洗報告：

數據清洗報告：

– 刪除了3個缺失值行，填補了銷量數據中的空白（方法：使用平均值填充）。

– 標記了SKU 103庫存為負值，需要進一步驗證。

– 清洗后的數據共有50個有效SKU，已準備好進行滯銷款分析。

2. 滯銷款預測與模型訓練

目標：使用AI模型預測哪些款式可能會滯銷，并優化預測準確性。

步驟：

• 滯銷概率計算：基于歷史銷量數據，AIGC通過銷量衰減曲線計算各SKU的滯銷概率，識別滯銷風險較大的款式。
• 模型訓練：使用深度學習（如LSTM神經網絡）或機器學習（如隨機森林、XGBoost）模型對歷史數據進行訓練，以預測未來滯銷款。

AIGC在該環節的作用

• 代碼自動生成：根據提示詞，AIGC生成了數據預處理、特征構造、模型訓練和預測的完整代碼模板。
• 流程指導：AIGC為每一步驟提供詳細的操作說明，幫助理解從數據清洗到模型評估的整個過程。
• 輸出文檔化：AIGC模擬生成的模型評估報告和預測結果，為后續業務驗證和報告撰寫提供依據。

AIGC提示詞示例：

# AIGC提示詞：滯銷預測與模型訓練

“””

請基于客戶提供的銷售數據文件sales_data.xlsx，完成以下任務：

1. 根據歷史銷量數據，計算各SKU的滯銷概率。請使用銷量衰減曲線模型，對各SKU的近期銷量進行分析，并輸出預測的滯銷概率。

2. 使用機器學習模型（例如XGBoost）訓練一個分類器，用于預測未來哪些SKU可能會滯銷。設定預警閾值為80%（即模型預測滯銷概率達到或超過80%的SKU視為預警款）。

3. 生成以下輸出：

– 滯銷款預測列表，展示每個SKU的滯銷概率（如SKU 101: 85%, SKU 103: 92%, SKU 104: 70%）。

– 模型評估報告，包含準確率、精度、召回率和F1 Score，并標明使用的模型及其參數。

請輸出完整的Python代碼和模擬的運行結果，供后續參考。

“””

AIGC輸出物：

生成的Python代碼

下面是一段示例代碼，該代碼模擬了從數據加載、滯銷概率計算、模型訓練，到生成預測結果和評估報告的完整流程。您可以直接在Jupyter Notebook或其他Python環境中運行此代碼。

import pandas as pd

import numpy as np

from sklearn.model_selection import train_test_split

import xgboost as xgb

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

import matplotlib.pyplot as plt

# 1. 數據加載

# 假設sales_data.xlsx中包含字段：SKU, sales（日銷量）, inventory（庫存）, discount（折扣率）

df = pd.read_excel(“sales_data.xlsx”)

# 2. 數據清洗

df.dropna(inplace=True)

df = df[df[‘inventory’] >= 0] # 刪除庫存為負的記錄

# 3. 滯銷概率計算

# 假設采用銷量衰減曲線：將近期銷量與歷史平均銷量進行對比，

# 此處簡單示例：銷量低于歷史均值80%的標記為可能滯銷，計算滯銷概率為：1 – (sales / mean_sales)

mean_sales = df[‘sales’].mean()

df[‘滯銷概率_銷量衰減’] = 1 – (df[‘sales’] / mean_sales)

# 限制概率范圍在0到1之間

df[‘滯銷概率_銷量衰減’] = df[‘滯銷概率_銷量衰減’].clip(0, 1)

# 4. 構造滯銷標簽

# 以銷量低于中位數為滯銷：銷量低于中位數標記為1（滯銷），否則為0

median_sales = df[‘sales’].median()

df[‘is_unsold’] = (df[‘sales’] < median_sales).astype(int)

# 5. 特征選擇和數據劃分

features = [‘sales’, ‘inventory’, ‘discount’, ‘滯銷概率_銷量衰減’]

target = ‘is_unsold’

X = df[features]

y = df[target]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 6. 模型訓練：使用XGBoost分類器

model = xgb.XGBClassifier(use_label_encoder=False, eval_metric=’logloss’)

model.fit(X_train, y_train)

# 7. 預測與評估

y_pred = model.predict(X_test)

accuracy = accuracy_score(y_test, y_pred)

precision = precision_score(y_test, y_pred)

recall = recall_score(y_test, y_pred)

f1 = f1_score(y_test, y_pred)

print(“模型評估報告：”)

print(“準確率：”, round(accuracy, 4))

print(“精度：”, round(precision, 4))

print(“召回率：”, round(recall, 4))

print(“F1 Score：”, round(f1, 4))

# 8. 輸出每個SKU的滯銷預測概率

# 獲取測試集SKU的預測概率，假設模型預測為1的概率即為滯銷概率

pred_probs = model.predict_proba(X_test)[:, 1]

results = pd.DataFrame({

‘SKU’: df.loc[X_test.index, ‘SKU’] if ‘SKU’ in df.columns else X_test.index,

‘滯銷概率’: np.round(pred_probs * 100, 2) # 轉換為百分比表示

})

print(“\n滯銷款預測結果（部分）：”)

print(results.head())

# 9. 可視化展示（可選）

plt.figure(figsize=(8, 4))

plt.hist(pred_probs, bins=20, color=’skyblue’, edgecolor=’black’)

plt.title(“滯銷概率分布”)

plt.xlabel(“滯銷概率”)

plt.ylabel(“SKU數量”)

plt.show()

滯銷款預測結果：

滯銷款預測列表：

SKU 101: 滯銷概率 = 85%

SKU 103: 滯銷概率 = 92% *(庫存負值標記為異常)*

SKU 104: 滯銷概率 = 70%

模型評估報告：

模型準確率：87.5%

使用的模型：XGBoost（分類器）

精度：0.88

召回率：0.83

F1 Score：0.85

預警閾值：80%

3. 數據洞察與可視化

目標：生成能幫助客戶決策的數據分析報告和可視化圖表，提供直觀的業務洞察。

步驟：

1）識別滯銷款：通過AIGC自動識別滯銷款，列出TOP 10滯銷款式，幫助客戶清楚了解哪些款式需要提前處理。

2）生成可視化圖表：

• 庫存與銷量對比圖：展示滯銷款的庫存量和銷量變化趨勢。
• 折扣率分布圖：顯示不同款式的折扣率變化，幫助客戶理解不同折扣率對滯銷款的影響。

AIGC提示詞示例：

# AIGC提示詞：生成數據洞察與可視化圖表

“””

基于客戶數據生成以下可視化圖表：

1. 滯銷概率TOP10款式的庫存與銷量對比圖。

2. 不同款式的季末清倉折扣率分布圖。

3. 識別滯銷款的庫存量、銷量及折扣率的相關性。

“””

AIGC輸出物：

滯銷款庫存與銷量對比圖（圖表形式）：

一個柱狀圖展示每個滯銷款的庫存量與銷量，如下：

SKU 101: 庫存 20, 銷量 500

SKU 102: 庫存 15, 銷量 600

季末清倉折扣率分布圖（折線圖或柱狀圖）：

顯示不同款式折扣率的分布，突出顯示有較高折扣率的滯銷款項。

4. ROI計算器設計與交付

目標：通過ROI計算器，幫助客戶量化優化方案的商業價值，尤其是在折扣率調整方面。

AIGC的作用：

1. Excel模板：可以快速交付一個交互式的ROI計算器，允許客戶輸入相關參數并自動計算挽回損失。
2. 在線計算工具：如果客戶需要網頁工具，AIGC可以幫助生成基于HTML和JavaScript的在線計算工具，實現實時計算。

AIGC輸出物：

a. 生成的Excel文件：ROI計算器模板

設計思路：

在Excel中設置輸入框，允許客戶輸入以下參數：

• 滯銷庫存量：客戶可以輸入滯銷的庫存數量（例如3200雙）。
• 原折扣率：客戶可以輸入原始的折扣率（例如40%）。
• 優化后折扣率：客戶可以輸入優化后的折扣率（例如60%）。
• 客單價：輸入每雙鞋的價格（例如300元）。

公式設置：

挽回損失計算：通過Excel公式計算挽回損失，公式為：

挽回損失 = 滯銷庫存量 × (優化后折扣率 – 原折扣率) × 客單價

按照上述公式，Excel文件可以自動計算出挽回損失。

Excel模板內容： 假設Excel文件設計如下：

公式：

挽回損失 = 3200 × (0.6 – 0.4) × 300 = 19.2萬元

Excel文件截圖（模擬示例）：

Excel公式實現：在“挽回損失”單元格中輸入以下公式：

= B3 * (B4 – B2) * B5

• B3：滯銷庫存量
• B2：原折扣率
• B4：優化后折扣率
• B5：客單價

b. 在線計算工具（可選）

AIGC還可以幫助生成在線工具（如基于JavaScript的網頁工具）來實現ROI計算。

生成的在線工具（HTML/JavaScript示例）：

以下是一個簡單的HTML和JavaScript代碼，用于生成ROI計算器：

<!DOCTYPE html>

<html lang=”en”>

<head>

<meta charset=”UTF-8″>

<meta name=”viewport” content=”width=device-width, initial-scale=1.0″>

<title>ROI計算器</title>

</head>

<body>

<h1>滯銷庫存挽回損失計算器</h1>

<label for=”discount_original”>當前折扣率:</label>

<input type=”number” id=”discount_original” value=”40″ min=”0″ max=”100″>%

<br>

<label for=”discount_optimized”>優化后折扣率:</label>

<input type=”number” id=”discount_optimized” value=”60″ min=”0″ max=”100″>%

<br>

<label for=”inventory”>滯銷庫存量:</label>

<input type=”number” id=”inventory” value=”3200″>

<br>

<label for=”price”>客單價:</label>

<input type=”number” id=”price” value=”300″>

<br>

<button onclick=”calculateROI()”>計算挽回損失</button>

<h2>挽回損失: <span id=”result”>0</span> 元</h2>

<script>

function calculateROI() {

var discount_original = document.getElementById(“discount_original”).value / 100;

var discount_optimized = document.getElementById(“discount_optimized”).value / 100;

var inventory = document.getElementById(“inventory”).value;

var price = document.getElementById(“price”).value;

var recovery_loss = inventory * (discount_optimized – discount_original) * price;

document.getElementById(“result”).textContent = recovery_loss.toFixed(2);

}

</script>

</body>

</html>

功能說明：

• 用戶輸入當前折扣率、優化后折扣率、滯銷庫存量、和客單價。
• 按下“計算挽回損失”按鈕后，頁面會顯示計算出的挽回損失金額。

這兩種形式的工具都能幫助客戶在決策時清楚地看到優化折扣率對滯銷款的財務影響，并做出更精準的業務調整。

5. 客戶報告生成

目標：為客戶提供一份簡潔明了的報告，概述MVV驗證結果和價值量化。

步驟：

報告內容：

• 實際滯銷款數與預警準確數：提供滯銷款的實際情況與預警準確率。
• 折扣率提升的影響：展示通過折扣率提升的效果。
• 增收預估：通過ROI計算器展示潛在的增收金額。

AIGC提示詞示例：

AIGC提示詞：生成客戶報告

基于以下驗證結果，生成客戶報告：

– 實際滯銷款數：32款

– 預警準確數：28款

– 預警準確率：87.5%

– 平均折扣率提升：從4折提升至6折

請制作：

1. 1頁PPT摘要（包含對比圖和關鍵數據）

2. 損失計算器（允許客戶調整參數）

“””

AIGC輸出物：

客戶報告（PPT摘要）：

幻燈片1：驗證目標與結果總結

-提前12天識別87.5%的滯銷款

-季度增收：19.2萬元

幻燈片2：對比圖（優化前后滯銷款的庫存、銷量和折扣率變化）

損失計算器：

可調整折扣率、庫存量、客單價等參數，實時計算挽回損失。

交付物示例：

【驗證結論】

? 提前12天識別87.5%滯銷款

? 預估挽回損失：

當前季庫存：3200雙

× 平均折扣提升：20%

× 客單價：300元

= 季度增收：19.2萬元

第三步：行為信號計分卡，持續跟蹤MVV反饋

檢測標準：

在識別價值 POC 客戶的進程中，“行為信號計分卡” 如同精準監測儀，持續追蹤 MVV 反饋，讓客戶的真實意向在動態評分中清晰顯現。

| 行為信號 | 得分 | 檢測方法 |

| 主動追問實施細節 | +2 | 會議記錄中相關問題≥3個 |

| 超時提供數據 | -1 | 延遲天數×0.5（最高-3） |

| 邀請其他部門參與會議 | +3 | 新增部門數×1分 |

| 要求調整驗證指標 | +2 | 往更嚴格方向修改 |

| 總分≥5分繼續推進，≤2分終止

通過以上步驟，AIGC不僅能高效地完成數據分析、模型訓練、可視化展示和報告生成，還能動態優化驗證指標，實時調整驗證方向。這種方式大大提高了MVV的實施效率和驗證的精確性，幫助客戶快速驗證方案的商業價值，同時降低驗證成本和周期。

總結：

在PMF階段價值客戶的尋覓之旅中，我們需撥開“機會主義”的迷霧，直擊“真金白銀”的付費意愿。通過構建雙層漏斗：以“輕量級試探”的客戶溝通為初篩，AIGC賦能提問設計與紀要分析，快速捕捉預算、決策鏈等關鍵信號；再以“MVV低成本價值驗證”為精濾，用最小投入測試客戶為解決方案付費的決心。這套組合拳旨在規避無效投入，精準鎖定“行動型買家”。這套方法論的核心立意在于：拒絕 “廣撒網” 的無效投入，讓企業資源精準流向 “愿意用預算投票” 的高價值客戶，將銷售漏斗轉化為 “價值篩選器” 把握客戶付費意愿與能力，才能驅動增長，在激烈的市場競爭中拔得頭籌。