Стратегия B2B-продаж SaaS для малого бизнеса (3–50 сотрудников)
---
Стратегия решения
Диагноз задачи. У вас три взаимосвязанные проблемы: (1) нет структурированной воронки — непонятно, где клиент «застревает»; (2) нет чёткого ценностного предложения под конкретный сегмент; (3) нет системы работы с возражениями. Это классическая ситуация для SaaS на ранней стадии: продукт есть, а продажи идут «по наитию».
Карта методов. Задача распадается на четыре подзадачи, и под каждую есть подходящий инструмент:
- Понять, как разные типы клиентов реагируют на ваше предложение → Direct Distribution Querying даёт распределение мнений по сегментам за один запрос, без двадцати ролевых повторений.
- Выявить реальные возражения и протестировать питч → AI Personas Meta-Prompt симулирует трёх стейкхолдеров с разным уровнем сопротивления — скептика-финдира, осторожного операционщика и энтузиаста-основателя.
- Построить воронку и стратегию по паттернам → HCoT (каталог паттернов) позволяет не придумывать воронку с нуля, а выбрать из типовых паттернов провала и успеха в B2B SaaS.
- Зафиксировать логику квалификации лидов → Prompt-Level Distillation превращает ваши размеченные примеры в чёткие правила, которые работают стабильно.
Синергия. Сначала Direct Distribution Querying даёт карту: кто из ваших сегментов реально готов платить, кто требует триал, кто уйдёт к конкурентам. Это промежуточный результат — понимание распределения реакций. Затем AI Personas использует этот результат: вы создаёте персонажей именно из «трудных» сегментов (высокое сопротивление) и прогоняете через них питч и ценностное предложение. После нескольких итераций у вас накапливаются размеченные примеры — «это возражение мы закрыли вот так». PLD превращает эти примеры в правила квалификации лидов для системного промпта. HCoT работает параллельно: вы строите каталог типовых причин провала сделок в вашей нише и диагностируете каждую застрявшую сделку через три шага (Abstract → Match → Refine).
Чего ожидать. По аналогии с механикой методов: вместо «общих советов по продажам» вы получите конкретную карту возражений по сегментам, рабочий скрипт питча с проверенными ответами на сопротивление, и систему квалификации лидов, которая работает без вас.
---
Вопрос 1: Как понять, кто из моих клиентов реально готов платить — и что их останавливает?
Механика. Вместо того чтобы двадцать раз просить модель «сыграть роль скептичного директора», вы задаёте один вопрос: «сколько процентов директоров малого бизнеса выберут вариант А, Б, В — и почему?». Модель переключается из режима актёра в режим социолога: она агрегирует паттерны из тысяч текстов разных людей, а не воспроизводит одного усреднённого персонажа. Два усилителя точности: цепочка рассуждений перед ответом (модель обосновывает логику для каждой группы) и явное разрешение асимметрии («некоторые варианты могут иметь 0%» — иначе модель округляет до удобных 25/25/25/25).
Как применять к вашей задаче:
- Определите 2–3 сегмента внутри малого бизнеса: например, «владелец розничной точки 5–15 сотрудников» vs «операционный директор IT-компании 20–50 сотрудников» — у них разная логика принятия решений.
- Сформулируйте 3–4 взаимоисключающих варианта реакции на ваш продукт: «готов платить сразу», «нужен бесплатный период», «слишком дорого — ищу аналог», «цена не важна, важна демонстрация ценности».
- Добавьте в запрос: «сначала объясни логику рассуждений для каждой группы» + «распределение не обязано быть симметричным, некоторые варианты могут иметь 0%».
Схема промпта:
``
Роль: эксперт по поведению малого бизнеса в России
Ситуация: [описание вашего SaaS — что делает, цена, без/с триалом]
Варианты реакции:
А) Готов платить — цена разумная
Б) Интересно, но сначала нужен бесплатный период
В) Слишком дорого, пойду искать аналоги
Г) Цена не главное, важна демонстрация ценности
Сначала объясни логику рассуждений для каждой группы.
Затем дай процентное распределение для:
— [Сегмент 1: конкретика — должность, размер компании, город]
— [Сегмент 2: конкретика]
Распределение не обязано быть симметричным. Некоторые варианты могут иметь 0%.
`
>> Сгенерировать полный промпт для этого метода
Почему это работает. Исследование Гарварда на 1680 комбинациях «вопрос × группа» показало: прямой запрос распределения точнее ролевого опроса, особенно в передаче разброса мнений внутри группы. Ролевой метод давал нулевую вариацию (20 запросов — 20 одинаковых ответов), прямой — реалистичный разброс.
---
Вопрос 2: Как протестировать питч и ценностное предложение до первых встреч?
Механика. Обычный запрос «сыграй скептика» нестабилен: к третьему вопросу скептик превращается в сочувствующего коллегу — модель возвращается к доминирующему паттерну угождения. Детализированная карточка персонажа работает иначе: конкретный прошлый опыт + триггерные темы + уровень сопротивления не оставляют модели пространства для усреднения. Три персонажа с противоположными позициями создают карту напряжений — вы видите, где интересы конфликтуют, до реальной встречи.
Как применять к вашей задаче:
- Создайте трёх персонажей из вашего реального сегмента: владелец бизнеса (высокое сопротивление — «уже пробовал похожее»), операционный менеджер (среднее — «открыт, но требует пилот»), бухгалтер/финансист (высокое — «не мой бюджет, не моё решение»).
- Для каждого пропишите триггерные темы — что они всегда спрашивают: интеграция с 1С, безопасность данных, кто будет обучать сотрудников.
- Прогоните через них ваше ценностное предложение: «Говорю с [имя]: вот наше предложение — [текст]. Что скажете?»
Схема промпта:
`
Ты — симулятор стейкхолдеров малого бизнеса. Играй персонажей поочерёдно.
ПЕРСОНАЖ 1 — [Имя], владелец [тип бизнеса], [город]
- Мотивация: [чего хочет для себя]
- Поведение: [что всегда делает: требует ROI / ссылается на неудачный опыт / спрашивает про интеграцию]
- Сопротивление: высокое — [конкретная причина]
ПЕРСОНАЖ 2 — [Имя], операционный директор, [город]
- Мотивация: [чего хочет]
- Поведение: [триггеры]
- Сопротивление: среднее — [причина]
ПЕРСОНАЖ 3 — [Имя], главный бухгалтер / финансист, [город]
- Мотивация: [чего хочет]
- Поведение: [всегда переводит на бюджет и согласование]
- Сопротивление: высокое — [не её решение]
КОНТЕКСТ: [описание вашего SaaS — 2-3 предложения]
Жди моих вопросов. Я указываю с кем говорю.
`
>> Сгенерировать полный промпт для этого метода
Почему это работает. Исследование показало: без конкретных триггеров и уровня сопротивления модель через 3–5 вопросов начинает угождать. С детализированной карточкой — держит характер весь разговор. Важно: не оптимизируй промпт ради краткости — детали и есть живость персонажа.
---
Вопрос 3: Как построить воронку и диагностировать, где сделки застревают?
Каталог паттернов провала + три шага анализа (HCoT)
Механика. Когда просишь LLM «найди причину, почему клиент не купил» — модель перебирает огромное поле вариантов, и побеждают самые банальные. HCoT заменяет открытый перебор на выбор из конечного каталога: вы один раз составляете 6–8 типовых паттернов провала в вашей нише, и дальше каждая застрявшая сделка анализируется через три шага: Abstract (обобщи суть) → Match (найди паттерн) → Refine (дай конкретные действия). Модель не придумывает — она сопоставляет, и это принципиально точнее.
Как применять к вашей задаче:
- Составьте каталог паттернов провала для B2B SaaS в малом бизнесе (см. полный промпт ниже).
- Для каждой застрявшей сделки опишите ситуацию и прогоните через три шага.
- Переиспользуйте каталог — это разовая работа, которая покрывает большинство случаев.
Схема промпта:
`
Каталог паттернов (составить один раз):
ПАТТЕРН 1: [название] — [описание]. Пример: "[типичная фраза клиента]"
ПАТТЕРН 2: ...
[6-8 паттернов]
Моя ситуация: [описание застрявшей сделки]
Шаг 1 (Abstract) — опиши суть проблемы в общих чертах.
Шаг 2 (Match) — найди 1-2 паттерна, объясни почему именно они.
Шаг 3 (Refine) — что конкретно изменить: скрипт, оффер, следующий шаг.
`
>> Сгенерировать полный промпт для этого метода
Почему это работает. Исследование показало: модель сопоставляет лучше, чем придумывает. На задачах с каталогом паттернов точность в разы выше, чем при свободном анализе. Примеры внутри каждого паттерна сильно повышают качество сопоставления.
---
Вопрос 4: Как зафиксировать логику квалификации лидов, чтобы она работала стабильно?
Механика. Без зафиксированных правил модель каждый раз квалифицирует лид по-разному — два похожих запроса могут получить разные ответы. PLD переносит вашу логику в системный промпт: вы собираете 15–20 размеченных примеров (этот лид — целевой, этот — нет, вот почему), прогоняете через сильную модель, получаете чёткий список правил «если X и Y — то целевой». Дальше любая модель работает по вашей логике стабильно.
Как применять к вашей задаче:
- Соберите 15–20 реальных заявок или описаний клиентов, которых вы уже квалифицировали вручную.
- Прогоните через три шага: извлечение правил → синтез → разрешение конфликтов (2–3 итерации).
- Итоговый список правил — в системный промпт для квалификации новых лидов.
Схема промпта:
`
Шаг 1 — извлечение:
Для каждого примера объясни логику решения и сформулируй абстрактное правило.
Примеры: [15-20 пар "описание клиента → целевой/нецелевой/уточнить"]
Шаг 2 — синтез:
Объедини дублирующиеся правила. Убери слишком узкие.
Формат: "Целевой: если... Нецелевой: если... Уточнить: если..."
Шаг 3 — конфликты:
Вот примеры где правила дали неверный результат: [список].
Найди противоречия, обнови правила.
`
>> Сгенерировать полный промпт для этого метода
---
Полный промпт: Каталог паттернов провала B2B SaaS + диагностика сделки
Это самый важный инструмент для вашей задачи — он закрывает и воронку, и возражения, и ценностное предложение одновременно.
`
Ты — опытный консультант по B2B-продажам SaaS для малого бизнеса (3–50 сотрудников).
У меня есть каталог типичных причин, по которым сделки в B2B SaaS для малого бизнеса
не закрываются:
ПАТТЕРН 1: Ценность не очевидна за 5 минут
Клиент не понимает, что именно изменится в его работе. Продукт кажется "ещё одним
инструментом". Пример фразы: "Звучит интересно, но мы пока справляемся".
ПАТТЕРН 2: Страх внедрения
Малый бизнес боится не цены, а времени и усилий на переход. Пример: "А кто будет
обучать сотрудников? У нас нет на это времени".
ПАТТЕРН 3: Нет срочности
Боль есть, но она терпима. Нет триггера "нужно решить сейчас". Пример: "Да, это
проблема, но мы как-то живём. Вернёмся к этому в следующем квартале".
ПАТТЕРН 4: Неправильный стейкхолдер
Разговор идёт с человеком, который не принимает решение о бюджете. Пример: "Мне
нравится, но нужно согласовать с директором / бухгалтером / партнёром".
ПАТТЕРН 5: Недоверие к новому игроку
Малый бизнес консервативен. Нет кейсов из их отрасли или города. Пример: "А кто
ещё из таких же компаний как мы уже пользуется?"
ПАТТЕРН 6: Ценностное предложение не под их боль
Вы говорите про автоматизацию, они думают про деньги. Или наоборот. Пример: "Ну
экономия времени — это хорошо, но мне важнее не терять клиентов".
ПАТТЕРН 7: Конкурент уже занял место
Есть привычный инструмент (даже Excel), и переключение стоит усилий. Пример: "У
нас уже есть [название], мы к нему привыкли".
ПАТТЕРН 8: Цена не привязана к ценности
Клиент не понимает, за что именно платит. Пример: "Почему [цена] в месяц? Что
конкретно я получаю за эти деньги?"
---
Моя ситуация:
[Опиши конкретную сделку или тип клиента: кто, чем занимается, сколько сотрудников,
что произошло на встрече / в переписке, что сказал клиент, на каком этапе застряло]
---
Сделай три шага:
ШАГ 1 — ABSTRACT:
Опиши суть ситуации в общих чертах — без деталей моего продукта. Что здесь
происходит на уровне типа проблемы? Какой архетип клиента и ситуации?
ШАГ 2 — MATCH:
Найди 1–2 паттерна из каталога, которые лучше всего объясняют, почему сделка
застряла. Объясни: какие именно слова или действия клиента указывают на этот паттерн?
ШАГ 3 — REFINE:
Дай конкретные рекомендации для моей ситуации:
- Что изменить в следующем касании (скрипт, вопрос, оффер)?
- Какой следующий шаг предложить клиенту?
- Как переформулировать ценностное предложение под его реальную боль?
- Если паттерн 4 (не тот стейкхолдер) — как выйти на нужного человека?
`
---
Дополнительные техники
Когда готовите скрипты продаж или обучаете менеджеров — не просите «придумай 5 примеров клиентов». Модель выдаст пять вариаций одного и того же. Используйте пять категорий: базовый (типичный владелец кофейни, стандартное «дорого»), сложный (три стейкхолдера с противоречивыми целями — владелец хочет, бухгалтер против), граничный (стартап 3 человека или компания 48 человек на пороге роста), крайний случай (клиент с самописной CRM, которую «жалко бросать»), перегруженные ограничения (франчайзи, где решение принимает головной офис, а не они). Последний тип покажет слепые пятна вашего скрипта.
Мини-схема добавления в любой промпт:
`
Сгенерируй по одному сценарию клиента для каждой категории:
базовый / сложный (несколько стейкхолдеров) / граничный (крайние параметры) /
крайний случай (редкий, но возможный) / перегруженные ограничения (логически
валидный, но ломает стандартный скрипт)
`
>> Сгенерировать промпт
---
Структурированные переговоры с явным отслеживанием другой стороны (Переговоры с LLM)
Когда готовитесь к конкретной встрече с клиентом — используйте режим советника, а не симулятора. Модель анализирует каждое сообщение клиента через State Tracking (что он знает / не знает про вас, каковы его приоритеты) и даёт рекомендацию по тактике следующего хода. Особенно полезно для многопараметрических переговоров: цена + срок внедрения + объём поддержки + условия оплаты. Исходя из механики метода, явное моделирование позиции другой стороны перед каждым ответом снижает реактивность и помогает находить trade-offs: вы уступаете на сроках внедрения (им важно), они соглашаются на предоплату (вам важно).
Мини-схема:
`
После каждого сообщения клиента покажи:
STATE TRACKING: что клиент знает/не знает про нас, его вероятные приоритеты
РЕКОМЕНДАЦИЯ: цель следующего хода, тактика, конкретные фразы
`
>> Сгенерировать промпт
---
Честный анализ гипотез о рынке (ADI-протокол)
Когда формулируете ценностное предложение — велик соблазн получить от модели уверенный красивый текст, который на деле держится на предположениях. ADI-протокол делает это видимым: гипотезы помечаются как гипотезы, логические выводы — как выводы, а финальная надёжность берётся не как среднее, а как минимум по всем шагам. Используйте для проверки ключевых допущений: «наша аудитория готова платить X рублей», «главная боль — потеря времени, а не денег», «решение принимает владелец, а не бухгалтер». Блок Weakest Link покажет, какое допущение самое слабое — и что нужно проверить в первую очередь.
Мини-схема:
`
Проанализируй гипотезу по ADI-протоколу:
АБДУКЦИЯ: 2-3 объяснения [ГИПОТЕЗА, надёжность: 35%]
ДЕДУКЦИЯ: проверка на противоречия [ЛОГИЧЕСКИ СОГЛАСОВАНО, X%]
ИНДУКЦИЯ: что подтвердит или опровергнет [ЭМПИРИЧЕСКИ ПОДТВЕРЖДЕНО при условии: ...]
WEAKEST LINK: надёжность итога = надёжность слабейшего шага
``
>> Сгенерировать промпт
---
Комбинация и порядок действий
Почему именно такой порядок:
- Начните с Direct Distribution Querying — он даёт карту реакций ваших сегментов за один запрос. Это база: вы узнаёте, у кого высокое сопротивление, кто требует триал, кто уйдёт к конкурентам. Без этого персонажи для следующего шага будут придуманными, а не основанными на реальном распределении.
- Затем AI Personas — берёте сегменты с высоким сопротивлением из шага 1 и создаёте под них персонажей. Прогоняете питч и ценностное предложение. Фиксируете, какие возражения возникают и как вы на них отвечаете — это сырьё для следующего шага.
- Параллельно или после — HCoT с каталогом паттернов — составляете каталог один раз и используете для диагностики каждой реальной застрявшей сделки. Этот метод независим от первых двух и может применяться отдельно.
- Когда накопится 15–20 размеченных примеров — PLD — превращает вашу логику квалификации в стабильные правила. Это финальный шаг: система начинает работать без вас.
Методы, которые усиливают друг друга:
- Direct Distribution Querying + AI Personas: первый даёт статистику по сегментам, второй — живые диалоги с представителями этих сегментов. Вместе они закрывают и «что думает аудитория», и «как она говорит».
- HCoT + ADI-протокол: каталог паттернов диагностирует застрявшие сделки, ADI проверяет, насколько обоснованы ваши выводы о причинах провала.
Методы, которые независимы:
Ожидаемый итог. Если применять всё вместе: у вас появится карта сегментов с реальным распределением готовности платить, скрипт питча проверенный на трёх типах сопротивления, каталог паттернов для диагностики сделок, и система квалификации лидов с зафиксированной логикой. Это не «общие советы по продажам» — это рабочая система, которую можно передать менеджеру.
