销售干不好的五大原因

本文剖析销售业绩不佳的五大核心原因:懒(行动力不足)、怕(心理脆弱)、直(沟通无效)、贪(精力分散)、封(缺乏复盘与学习)。重点指出销售管理中的关键痛点:客户资源分配不均、过程管理流于形式、CRM系统使用率低。提出以轻量级零代码CRM(如简道云)为抓手,聚焦客户分类、需求记录、跟进闭环和流程自动化,实现销售过程可管、可控、可优化。

销售,有人业绩一路飙升,客户追着下单;有人却天天忙得脚不沾地,电话打了一堆,客户跑了一圈,月底一看业绩,还是惨不忍睹。

同样是做销售,为什么差距这么大?

有人怪产品不好,有人怪市场不行,还有人觉得自己运气太差。可说到底,销售干不好,很多时候真不是运气的问题,而是自己身上有些毛病一直没改。

尤其是下面这五种情况,看看你中了几个!

​文中用到的简道云CRM系统在这里>> https://s.fanruan.com/j8xw8

一、懒:脑子里全是计划,行动上全是拖延

销售最怕的不是没客户,而是自己懒得找客户。

有些销售天天盼着客户主动上门,最好对方刚好有需求,自己刚好有产品,聊上两句就能签单。可现实不是童话,哪有那么多天上掉馅饼的好事?

客户不会平白无故记住你,订单也不会自己长腿跑过来。

更有甚者,拜访客户前不做调查,见面后不知道聊什么,回来以后也不复盘。每天看起来忙忙碌碌,实际上全靠碰运气。

改进方法:

每天给自己定好客户开发任务,主动挖掘潜在客户。

拜访前了解客户背景,明确沟通目标;拜访后及时整理客户需求、跟进进度和下一步计划。

别总想着明天再联系,销售机会往往就在一次次拖延中溜走了。

对于销售团队来说,客户开发、需求记录和后续跟进也需要形成规范流程。通过简道云搭建客户跟进管理流程,可以将客户信息、沟通记录、跟进任务和下次联系时间统一管理,让销售人员清楚每个客户跟进到哪一步,避免因为遗漏联系、忘记跟进而错失商机。

二、怕:客户还没开口,自己先打起了退堂鼓

客户一句不需要,就不敢再联系;客户一句太贵了,就急着降价;客户半天没回复,就开始胡思乱想。

有些销售的心理防线,比纸糊的还脆。

其实,客户拒绝你太正常了。可能暂时没有需求,可能预算不够,也可能还在比较其他供应商。你连原因都没搞清楚,就先把自己吓退了,这单生意当然没戏。

更可怕的是,一次拒绝影响一天,几次拒绝影响一周,最后连主动开发客户的勇气都没了。

出来做销售,最重要的是什么?是敢开口,是敢争取!

改进方法:

客户拒绝后,别急着否定自己,先弄清楚拒绝背后的原因。

对暂时没需求的客户做好长期维护,对有顾虑的客户针对性解决问题,对明确没有合作可能的客户及时调整精力。

脸皮厚一点,心态稳一点,机会才会多一点。

三、直:嘴上说得天花乱坠,客户听得一头雾水

有些销售一见客户就停不下来。

公司实力介绍一遍,产品功能讲一遍,技术优势再讲一遍,恨不得把产品说明书从头背到尾。可客户听完只想问一句:所以,这跟我有什么关系?

还有些销售更直接,客户刚问价格,就立马甩出报价;客户提出异议,马上开始反驳。沟通像打乒乓球,句句都想接住,却没有一句真正说到客户心坎上。

销售不是自己说得痛快就行,关键是客户听得进去。

改进方法:

先问需求,再谈产品;先听顾虑,再给方案。

多问客户目前遇到什么问题、最在意哪些方面、希望达到什么效果。把产品优势转化成客户能听懂的实际价值。客户不关心你有多少卖点,只关心你能帮他解决多少问题。

当客户需求涉及多个产品、报价和内部协同时,销售还需要做好需求传递与过程跟踪。通过简道云搭建销售商机管理流程,可以将客户需求、报价记录、方案审批和跟进任务串联起来,让销售、售前及相关负责人及时同步信息,减少沟通遗漏,提高商机推进效率。

四、贪:什么都想要,最后什么也得不到

有些销售做业务,恨不得把所有客户都变成自己的客户。

不管有没有需求,不管预算合不合适,不管有没有决策权,只要有人咨询,就恨不得立马跟进。今天追这个,明天找那个,微信里联系人不少,真正能成交的却没几个。

看起来是机会多,实际上是精力太分散。

销售的时间和精力都是有限的。

把大量时间花在低意向客户身上,真正有预算、有需求、有决策权的客户反而顾不上,这不是勤奋,是不会算账。

改进方法:

学会给客户分类,根据需求明确程度、预算情况、购买意愿和决策进度判断客户价值。

重点客户重点跟进,潜在客户持续培育,暂时没有机会的客户做好记录。

别什么订单都想抓,先把最有可能成交的客户抓牢。

五、封:只会埋头苦干,不懂抬头看路

有些销售每天忙着打电话、跑客户、发资料,看起来勤勤恳恳,可几年下来,销售方法还是老一套,业绩也没什么起色。

客户需求变了,他还在讲过去那套话术;竞争对手推出了新方案,他却一无所知;客户提出个性化需求,他只能回去问领导。

说到底,不是他不努力,而是只顾着低头干活,忘了抬头看看市场已经变成什么样了。

销售这行,光靠勤奋可不够。产品在更新,客户在变化,竞争对手也在不断调整策略。如果不学习、不总结、不改变,过去的经验不仅帮不了你,反而可能成为业绩提升的绊脚石。

改进方法:

定期学习产品知识、行业动态和销售技巧,多研究竞争对手,多复盘成功和失败的订单。

遇到复杂需求,学会协调技术、售前和交付等资源,为客户提供更完整的解决方案。

别只顾着埋头跑业务,也要学会抬头看方向。

最后,

销售干不好,不一定是产品不行,也不一定是市场不给机会。

懒得行动、害怕拒绝、不会沟通、缺少取舍、不懂改变,才是很多人业绩停滞的真正原因。

少一点抱怨,多一点行动;少一点盲目,多一点思考。把这五个毛病改掉,销售之路才能越走越顺,业绩才能真正往上走。

Q1:我团队里销冠和垫底销售的业绩差10倍,真的全是能力和态度问题吗?会不会是我给的客户资源本身就不均?

别把所有差距都甩给销售能力,这里面有一半是资源分配的锅。

很多小公司的操作是:所有找上门的好客户,全塞给销冠跟进,新人进来就丢一堆死微信、老客户名单让他自己打。销冠本来就有老客户转介绍,再接好资源,业绩越滚越高;新人打三个月死单,连个能成的影子都见不到,没等练出本事就被淘汰了。

真正健康的团队,新客户资源必须按比例分给新人练手,销冠不能把所有好单都攥在手里。新人前三个月哪怕成单少,也要让他跟着完整走一遍从接触到签单的流程,不然你永远在招新人、永远在淘汰新人,团队永远只有一个能打的销冠。

Q2:我天天开早会做话术培训、盯拜访量、查拜访记录,为什么团队还是出不了单?

你抓的全是形式,不是真问题。

天天让销售背话术、写300字拜访心得、算一天打了多少个电话,最后大家的精力全放在怎么应付检查上——话术背得比谁都熟,见了客户连人家公司是做什么的都没搞清楚。

真正能出业绩的管理,从来不是坐在办公室盯打卡。主管每周至少陪两个销售跑现场,回来把当天丢单、成单的真实案例拆开讲:哪句话说多了客户反感了、哪个需求没挖对,比开十次早会背话术有用。销售的本事是在客户面前练出来的,不是在会议室里喊口号喊出来的。

Q3:我也想把销售流程管起来,之前买的CRM没人愿意填,最后系统成了摆设,到底问题出在哪?

你给销售加的录入负担太重了,没人愿意为了老板的“管理需求”干活。

很多CRM一打开,要填客户来源、需求点、预算、决策人、跟进阶段、下一步动作十几个字段,销售见完客户半小时回来,光填系统就要花15分钟,换谁都嫌麻烦,最后要么随便瞎填,要么干脆不录。

真要把销售流程跑起来,别上来就买重型系统。用简道云这类零代码工具搭个轻量的跟进表,核心就三个字段:见了哪个客户、聊到什么进度、下次什么时候跟。销售掏手机30秒就能填完,数据自动汇总给主管,不用专门催。等大家习惯随手记了,再慢慢加字段、配自动化提醒,比你砸几万买个没人用的系统强得多。

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值