sales-coaching

销售辅导

一位 AI 教练会研究你在销售中的一切——邮件、通话和交易——找出奏效与不奏效的模式，并提供具体、可执行的辅导，帮助你提升。

这不是泛泛的销售建议（“永远要促成交易”）。这些辅导来自你的数据：表现最佳的邮件、成功的通话、成交交易的模式、最常见的异议应对失误，以及你所售产品的特定市场。

这与 sequence-performance 的不同之处：

Composite	关注点	输出
sequence-performance	这场营销活动表现如何？	活动指标 + 文案诊断
sales-coaching	这个人怎样才能卖得更好？	个人技能评估 + 辅导计划

另一个复合工具分析工作成果，这个工具则辅导工作者。

自动加载时机

在以下情况下加载此复合工具：

• 用户说“我怎样才能提升销售能力”“辅导我”“我哪里做错了”“销售辅导”“帮我卖得更好”
• 用户说“审视我的销售风格”“分析我的通话”“你在我的销售中发现了什么规律”
• 用户问“为什么我总是丢单”“为什么别人不回复”“我的最佳邮件有哪些不同之处”
• 糟糕的季度或月份结束后，用户想诊断个人表现
• 作为定期（月度／季度）的自我提升练习

---

步骤 0：配置（一次性设置）

用户资料

问题	用途	存储为
你的职位是什么？	校准辅导级别	user_role
你做销售多久了？	提供符合经验水平的建议	experience_level
你卖什么？（产品／服务，用 2-3 句话说明）	为所有分析提供背景	product_description
你的平均交易金额是多少？	校准重要事项	avg_deal_size
你通常的销售周期有多长？	校准销售速度预期	sales_cycle_days
你认为自己最大的弱点是什么？	作为辅导的起点	self_assessed_weakness

职位选项：

• "sdr" — 侧重潜在客户开发、外联、资格筛选和预约会议
• "ae" — 侧重需求挖掘、产品演示、谈判和成交
• "founder" — 侧重所有事务（身兼数职）
• "sales_leader" — 侧重团队模式，而不只是个人

数据来源

问题	选项	存储为
你的邮件营销活动在哪里？	Smartlead / Instantly / Outreach / CSV	email_tool
你的通话录音／转录文本在哪里？	Gong / Chorus / Fireflies / Otter / 本地文件 / 无	call_tool
你的销售管道在哪里？	Salesforce / HubSpot / Pipedrive / Close / Supabase	crm_tool
你是否有可用的通话转录文本？	有（路径或工具）/ 没有	transcripts_available
我们应该分析多长时间范围的数据？	30 / 60 / 90 / 180 天	analysis_window

在当前工作目录或用户指定的位置存储配置。

---

步骤 1：收集销售数据

**目的：**提取所有可用的销售数据进行分析。可用的数据类型越多，辅导内容就越丰富。但系统也能利用现有数据开展工作。

输入约定

data_sources: { ... }                 # From config
analysis_window: integer              # Days to look back
user_role: string                     # From config

数据收集矩阵

数据类型	要提取的内容	可以揭示什么
邮件营销活动	时间范围内的所有营销活动 — 文案、指标、回复	写作质量、信息传达效果、个性化能力
邮件回复	完整回复文本、分类	异议处理能力、潜在客户对你的回应
通话录音/文字稿	完整文字稿或录音	说话与倾听的比例、需求发掘能力、异议处理能力、成交技巧
销售管道商机	时间范围内的所有商机 — 阶段、结果、时间线	商机管理能力、推进速度、商机停滞或流失的环节
会议记录	会后记录（如有）	后续跟进情况、记录习惯
日历	已预约、已举行和未出席的会议	时间管理能力、会议质量

从每个已配置的数据源提取：

邮件数据

email_data: {
  campaigns: [
    {
      name: string
      date_range: { start: string, end: string }
      sequence: [
        {
          touch: integer
          subject: string
          body: string
          sent: integer
          opens: integer
          replies: integer
        }
      ]
      replies: [
        {
          sender: string
          sender_title: string
          reply_text: string
          category: string            # positive, objection, not interested, etc.
          touch_triggered: integer
        }
      ]
    }
  ]
  total_campaigns: integer
  total_emails_sent: integer
  total_replies: integer
  overall_reply_rate: percentage
}

通话数据

call_data: {
  calls: [
    {
      date: string
      prospect_name: string
      prospect_company: string
      call_type: string               # discovery, demo, follow-up, negotiation
      duration_minutes: integer
      transcript: string | null       # Full transcript if available
      recording_url: string | null    # Recording link if available
      outcome: string                 # "next step agreed", "no next step", "closed won", "closed lost"
      notes: string | null            # Post-call notes
    }
  ]
  total_calls: integer
  avg_duration: float
  outcome_distribution: { ... }
}

销售管道数据

pipeline_data: {
  deals: [
    {
      name: string
      company: string
      stage: string
      created_date: string
      close_date: string | null
      outcome: "open" | "won" | "lost"
      loss_reason: string | null
      amount: number | null
      days_in_pipeline: integer
      source: string | null           # How the deal originated
      touches_before_close: integer | null
    }
  ]
  total_deals: integer
  win_rate: percentage
  avg_cycle_days: float
  avg_deal_size: number | null
}

输出规范

collected_data: {
  email_data: { ... } | null
  call_data: { ... } | null
  pipeline_data: { ... } | null
  data_richness: "full" | "partial" | "minimal"
  data_summary: string                # "Analyzing X campaigns, Y calls, Z deals over N days"
}

人工检查点

## Data Collected

| Source | Available | Volume |
|--------|-----------|--------|
| Email campaigns | Yes | X campaigns, Y emails sent, Z replies |
| Call transcripts | Yes/No | X calls, Y hours |
| Pipeline deals | Yes | X deals (W won, L lost, O open) |

Analysis window: [start] to [end]
Data richness: [full/partial/minimal]

Proceed with analysis? (Y/n)

---

第 2 步：分析邮件表现模式

目的： 不止分析营销活动层面的指标，还要找出让你表现最好的邮件成功、最差的邮件失败的原因。这一过程完全依靠大模型推理。

流程

A）找出表现最好的邮件

在所有营销活动中，找出：

• 回复率最高的主题行 — 有什么共同点？
• 回复率最高的邮件正文 — 存在哪些模式？
• 带来正面回复的邮件 — 具体是什么引发了兴趣？
• 带来会议的邮件 — 黄金标准。这些邮件写了什么？

为每封表现最佳的邮件提取：

模式要素	观察要点
主题行结构	是否提及信号？是否提问？是否采用同业角度？长度如何？
开场句	以对方还是你为主？是否提及信号？是提问还是陈述？
正文结构	有几段？证明材料放在哪里？长度如何？
个性化深度	1/2/3 级？个性化了哪些内容？
行动号召类型	具体请求？开放式请求？是否限定时间？
语气	随意？专业？挑衅？富有同理心？
使用的框架	PAS？BAB？信号-证明-请求？AIDA？
证明材料类型	客户名称？指标？案例研究？

B）找出表现最差的邮件

对表现最差的邮件进行同样的分析：

• 回复率低的邮件有什么共同点？
• 是否存在反模式？（邮件过长、开场白泛泛而谈、行动号召无力、没有证明材料）
• 各营销活动中是否存在一致的问题？

C）比较表现最佳与最差的邮件

维度	表现最佳的 20% 邮件	表现最差的 20% 邮件	差异
平均字数	[X]	[Y]	[更短/更长]
主题行长度	[X chars]	[Y chars]	[差值]
以“I”或“We”开头	[X%]	[Y%]	[以自己为中心 vs. 以潜在客户为中心]
包含证明材料	[X%]	[Y%]	[证明材料使用差距]
个性化等级	[平均等级]	[平均等级]	[个性化差距]
行动号召清晰度	[评估]	[评估]	[差异]
提及信号	[X%]	[Y%]	[信号使用差距]

D）异议模式分析

在所有被归类为异议的回复中：

分析项	可以揭示什么
最常见的异议	你最常遇到的问题
按营销活动/受众划分的异议	目标定位是否导致了异议？
你如何处理每类异议（根据后续邮件判断）	你的处理方式有效吗？
最终促成会议与导致对话终止的异议	哪些异议实际上可以处理？
异议措辞模式	潜在客户使用的原话（将这些内容用于你的信息传达）

E) 回复情绪分析

类别	数量	%	趋势
正向兴趣	X	Y%	与早期营销活动相比的 +/-
态度友好／好奇	X	Y%
异议（可处理）	X	Y%
异议（无法挽回）	X	Y%
不感兴趣	X	Y%
自动回复	X	Y%

关键问题： 正向回复与负向回复的比例是否随时间改善？你是否越来越擅长撰写能够引发兴趣的邮件，还是已经停滞不前？

输出约定

email_patterns: {
  top_performers: {
    common_patterns: string[]
    best_subject_lines: [ { subject: string, reply_rate: percentage, pattern: string } ]
    best_openers: [ { opener: string, campaign: string, why_it_works: string } ]
    winning_proof_points: string[]
    winning_ctas: string[]
    winning_tone: string
    winning_framework: string
  }

  bottom_performers: {
    common_anti_patterns: string[]
    worst_subject_lines: [ { subject: string, reply_rate: percentage, issue: string } ]
    common_mistakes: string[]
  }

  winner_vs_loser: {
    dimensions: [ { dimension: string, winners: string, losers: string, gap: string } ]
    biggest_differentiator: string
  }

  objection_patterns: {
    most_common: { objection: string, count: integer, handle_effectiveness: string }
    handleable_objections: [ { objection: string, best_handle: string, conversion_rate: string } ]
    terminal_objections: [ { objection: string, implication: string } ]
  }

  sentiment_trend: {
    direction: "improving" | "stable" | "declining"
    evidence: string
  }

  email_skill_grade: "A" | "B" | "C" | "D" | "F"
  email_skill_summary: string
}

---

第 3 步：分析电话表现模式

目的： 如果有通话记录文本或录音，请分析用户在通话中的表现。如果没有通话数据，请跳过此步骤。

流程

A) 结构分析（基于通话记录文本）

针对每份通话记录文本，衡量：

指标	计算方法	揭示的信息
说话与倾听比例	你的词数 / 潜在客户的词数	说话占比 >60% = 说得太多。优秀销售代表的说话占比为 40-50%。
最长独白	销售人员连续不间断发言的最长时段	>90 秒 = 你在说教，而不是销售。控制在 60 秒以内。
提问数量	提出的问题数量	探索需求的通话应有 10-15 个问题。<5 = 没有进行需求探索。
问题深度	表面问题（“你是做什么的？”）与深层问题（“这个流程出问题时会发生什么？”）	深层问题 = 需求探索充分。表面问题 = 只是在走流程。
填充词频率	“嗯”、“呃”、“就像”、“你知道”、“基本上”、“说实话”的计数	频率高 = 缺乏信心或准备不足。
通话时长	总时长	太短（需求探索通话不足 15 分钟）= 探索不够深入。太长（超过 45 分钟）= 没有掌控通话。

B) 需求探索质量分析

根据通话记录文本评估：

维度	检查内容	好与坏的表现
痛点探索	是否发现了真正的痛点？	好：潜在客户用自己的话描述痛点。坏：你告诉他们痛点应该是什么。
影响量化	是否帮助他们量化问题造成的成本？	好：“所以这大约每月会让你损失 $X。”坏：从未量化。
决策流程	是否询问了还有谁参与、时间线和预算？	好：清楚了解 BANT。坏：通话结束后仍一无所知。
当前状况	是否了解他们目前如何解决这个问题？	好：了解他们目前使用的工具／流程。坏：完全不知道他们现在怎么做。
促成事件	是否找出他们为什么现在要采取行动？	好：了解触发因素（新任领导、融资、截止日期）。坏：没有建立紧迫感。
后续步骤	通话结束时，是否明确了双方一致同意的后续步骤？	好：具体日期／时间／行动。坏：“让我考虑一下”或“我会跟进”。

C) 通话中的异议处理

针对通话中提出的每个异议：

分析内容	评估要点
是否回应了异议？	好：“我明白，这是个合理的顾虑。”坏：立即反驳或置之不理。
是否进一步了解异议？	好：“能多说说吗？”坏：直接开始处理。
处理方式是否切合实际？	好：回应了对方的具体顾虑。坏：泛泛而谈。
是否提供了佐证？	好：“X 公司也有同样的顾虑，后来是这样的。”坏：“相信我。”
对话是否继续推进？	好：异议得到解决，回到正轨。坏：通话陷入停滞或结束。

D) 演示 / 展示分析

如果存在演示通话：

维度	检查内容
功能罗列	你是否展示了每项功能，还是只展示了与对方痛点相关的内容？
“所以呢？”测试	展示功能后，你是否说明了它如何满足对方的具体需求？
潜在客户参与度	演示过程中潜在客户是否发言，还是只有你在独自讲解？
定制化	演示是否针对对方的使用场景量身定制，还是千篇一律？
产品展示时长与幻灯片时长	你是在展示实际产品，还是在演示幻灯片？

E) 成功与失败通话模式

对比促成进展（下一步、赢单）的通话与停滞或失败的通话：

维度	成功通话	失败通话	差距
说话与倾听比例	[ratio]	[ratio]
提出的问题数	[count]	[count]
发现痛点	[yes/no %]	[yes/no %]
达成下一步共识	[%]	[%]
提出的异议数	[count]	[count]
通话时长	[avg min]	[avg min]

输出约定

call_patterns: {
  structural: {
    avg_talk_ratio: percentage
    avg_longest_monologue_seconds: integer
    avg_questions_per_call: float
    filler_word_frequency: "low" | "moderate" | "high"
    common_fillers: string[]
    avg_call_duration: float
  }

  discovery_quality: {
    pain_discovery_rate: percentage    # % of calls where real pain was uncovered
    impact_quantification_rate: percentage
    decision_process_mapped_rate: percentage
    next_step_agreed_rate: percentage
    common_gaps: string[]             # What's consistently missed in discovery
  }

  objection_handling: {
    objections_per_call: float
    acknowledgment_rate: percentage   # % of times objection was properly acknowledged
    exploration_rate: percentage      # % of times the objection was explored before handling
    resolution_rate: percentage       # % of times the objection was successfully handled
    weakest_objection_type: string    # Which type of objection you handle worst
    best_objection_type: string       # Which type you handle best
  }

  demo_quality: {
    feature_dumping_detected: boolean
    prospect_engagement_level: "high" | "moderate" | "low"
    customization_level: "tailored" | "semi-generic" | "generic"
    common_demo_mistakes: string[]
  } | null

  winning_vs_losing: {
    key_differences: [ { dimension: string, winners: string, losers: string } ]
    biggest_predictor: string         # Single biggest differentiator between winning and losing calls
  }

  call_skill_grade: "A" | "B" | "C" | "D" | "F"
  call_skill_summary: string
} | null

---

第 4 步：分析交易模式

目的： 查看销售管道数据，找出成功交易与失败交易之间的模式。纯计算 + 大模型推理。

流程

A) 赢单 / 输单模式分析

维度	对比内容（赢单与输单）
来源渠道	哪些渠道带来的交易最终成交？
潜在客户角色 / 职位	哪些职位的潜在客户最终成交？
行业	你在哪些垂直行业中赢单？
公司规模	什么规模的公司最容易成交？
交易规模	大额交易的赢单率更高还是更低？
销售周期时长	更快成交的交易赢单率更高吗？
触达次数	成交前进行了多少次互动？
相关利益方	单线程与多线程
竞争情况	在有竞争还是无竞争的交易中，你的赢单更多？

B) 速度分析

模式	揭示的内容
交易停滞时间最长的阶段	你的瓶颈——需要提升在此阶段的技能
交易最常失败的阶段	你的失败区——这里出了什么问题？
成交最快的交易	你的“最佳区间”——轻松赢单有哪些共同点？
赢单前耗时最长的交易	这些交易为何如此困难？能否避免或加快进程？

C) 活动与结果的相关性

活动	与赢单的相关性
首次通话前发送更多邮件	正相关、负相关还是无相关性？
更快的首次响应时间	速度重要吗？
多渠道（邮件 + LinkedIn + 通话）	多渠道交易的赢单率更高吗？
联系的相关利益方数量	多线程沟通有帮助吗？
通话后的跟进速度	快速跟进能否预测赢单？

输出约定

deal_patterns: {
  win_profile: {
    best_source: string
    best_persona: string
    best_industry: string
    best_company_size: string
    avg_winning_cycle_days: float
    avg_touches_to_close: float
    common_traits: string[]
  }

  loss_profile: {
    top_loss_reason: string
    loss_stage: string                # Where deals die most
    common_loss_traits: string[]
    recoverable_losses: string        # "X% of lost deals were timing — could be re-engaged"
  }

  velocity: {
    bottleneck_stage: string
    kill_zone_stage: string
    sweet_spot: string                # Description of your easiest wins
  }

  activity_correlations: [
    { activity: string, correlation: "positive" | "negative" | "none", insight: string }
  ]

  deal_skill_grade: "A" | "B" | "C" | "D" | "F"
  deal_skill_summary: string
}

---

第 5 步：制定技能评估与辅导计划

目的： 综合邮件、通话和交易分析，形成个人销售技能评估和具体的辅导计划。纯大模型推理。

输入约定

email_patterns: { ... }              # From Step 2
call_patterns: { ... } | null        # From Step 3 (if calls available)
deal_patterns: { ... }               # From Step 4
user_role: string                    # From config
experience_level: string             # From config
product_description: string          # From config
self_assessed_weakness: string       # From config

技能评估框架

根据与用户角色相关的销售技能维度进行评估：

SDR 技能维度

维度	数据来源	评估内容
潜客开发质量	邮件定向 → 回复相关性	你联系到合适的人了吗？
邮件文案撰写	邮件模式分析	你的邮件有说服力吗？
个性化	邮件模式分析	你是否超越了合并字段？
信号识别	邮件营销活动切入点	你是否利用了相关信号？
（书面）异议处理	回复分析、跟进邮件	你是否能妥善处理邮件中的异议？
资格判断	销售管道数据 — 符合资格与不符合资格的会议	你预约的会议质量高吗？
跟进纪律	营销活动结构、时间安排、序列长度	你的跟进是否有效？
工作量与稳定性	一段时间内的活动指标	你的工作量足够且稳定吗？

AE 技能维度

维度	数据来源	评估内容
需求挖掘	通话记录 — 提出的问题、发现的痛点	你能发现真正的痛点吗？
积极倾听	通话记录 — 发言比例、潜客参与度	你的倾听时间多于发言时间吗？
演示效果	通话记录 — 功能相关性、参与度	你的演示是否针对他们的痛点？
（口头）异议处理	通话记录 — 异议解决率	你能妥善应对反对意见吗？
谈判	交易数据 — 折扣模式、成交率	你能守住价值吗？
交易管理	销售管道数据 — 推进速度、阶段进展	你能推动交易向前吗？
多线联系	交易数据 — 已联系的利益相关者	你能在客户组织内广泛建立联系吗？
促成成交	交易数据 — 成交率、下一步行动约定	你能自信地促成成交吗？

创始人技能维度

包含所有 SDR 和 AE 维度，另加：

维度	数据来源	评估内容
讲故事	通话记录、邮件文案	你能讲述引人入胜的产品故事吗？
市场定位	邮件切入点、竞争相关提及	你能在竞争中做好定位吗？
适应能力	不同营销活动和通话中的表现变化	你能针对不同潜客调整方法吗？

评分

为每个维度评定等级：

等级	标准
A	表现位居前 25%。优势明显，数据充分证明表现出色。
B	高于平均水平。具备胜任能力，还有少量改进空间。
C	平均水平。能够胜任，但缺乏差异化。仍有明确的提升空间。
D	低于平均水平。数据中可见持续存在的问题，需要有针对性的改进。
F	存在明显弱项。数据表明这正在损害业绩，应优先解决。

辅导计划

对于评级为 C 或更低的每个维度，生成：

Skill: [dimension name]
Current grade: [grade]
Evidence: [specific data points that drive the grade]
Root cause: [why this is happening — not just what, but why]

Coaching recommendation:
1. [Specific, actionable thing to do differently]
2. [Exercise or practice to build this skill]
3. [Example from their own data of when they did this well vs. poorly]

Model to follow:
[Pull from their own top-performing emails/calls as examples.
"Your email in Campaign X did this perfectly — replicate that approach."]

Measurable goal:
[Specific metric to track improvement. E.g., "Increase question count per
discovery call from 6 to 12 over the next 30 days."]

个性化实战手册

将用户的制胜模式提炼成个人实战手册：

## Your Winning Formula

Based on analyzing [X emails, Y calls, Z deals], here's what works for YOU:

### Your Best Email Pattern
Subject line style: [pattern]
Opening approach: [pattern]
Proof point that resonates: [specific proof]
CTA that converts: [specific CTA]
Ideal length: [word count]
Best framework: [framework]

Template (built from your own top performers):
> [Reconstructed template from their best emails]

### Your Best Call Pattern (if calls available)
Discovery approach: [how you open well]
Strongest questions: [questions that work for you]
Objection handle that works: [specific handle]
Demo style that converts: [approach]
Close technique: [how you get next steps]

### Your Win Profile
You close best when:
- The prospect is [title/seniority]
- The company is [size/industry]
- The deal came from [source]
- The cycle is [length]
- You [specific behavior that correlates with winning]

输出约定

skill_assessment: {
  overall_grade: "A" | "B" | "C" | "D" | "F"
  overall_summary: string

  dimensions: [
    {
      name: string
      grade: string
      evidence: string[]
      strength_or_weakness: "strength" | "neutral" | "weakness"
    }
  ]

  top_strengths: [
    { skill: string, evidence: string, advice: string }  # "Keep doing this"
  ]

  top_weaknesses: [
    {
      skill: string
      grade: string
      evidence: string[]
      root_cause: string
      coaching: string[]
      model_from_own_data: string | null
      measurable_goal: string
    }
  ]

  personalized_playbook: {
    best_email_pattern: { ... }
    best_call_pattern: { ... } | null
    win_profile: string
    template_from_top_performers: string
  }

  self_assessment_validation: {
    user_said: string                 # Their self-assessed weakness
    data_says: string                 # What the data actually shows
    aligned: boolean                  # Do they match?
    surprise_finding: string | null   # Something they didn't know about themselves
  }
}

---

步骤 6：生成辅导报告

目的： 生成最终辅导报告，内容应贴合个人、可付诸行动并富有鼓励性。这不是绩效评估，而是一场辅导交流。

报告结构

# Sales Coaching Report — [User Name]
**Based on:** [X emails, Y calls, Z deals] over [analysis window]
**Role:** [SDR/AE/Founder]
**Product:** [what they sell]

---

## Your Sales Scorecard

| Skill | Grade | Trend | Notes |
|-------|-------|-------|-------|
| [skill 1] | [grade] | [improving/stable/declining] | [one-line note] |
| [skill 2] | [grade] | [trend] | [note] |
| ... |

**Overall:** [grade] — [one-sentence summary]

---

## What You're Great At

Your data shows clear strengths in these areas. Keep doing these things.

### 1. [Strength #1]
**Evidence:** [specific data — "Your Signal-Proof-Ask emails generate 2.3x the reply rate of your other emails"]
**Why it works:** [brief explanation]
**Advice:** [How to lean into this strength even more]

### 2. [Strength #2]
**Evidence:** [data]
**Why it works:** [explanation]

### 3. [Strength #3]
...

---

## Where to Improve

These are your highest-impact coaching areas. Focus on one at a time.

### Priority 1: [Biggest Weakness]
**Current grade:** [grade]
**Evidence:** [specific data points — not vague criticism, specific examples]
**Root cause:** [Why this is happening. E.g., "You're asking 4 questions per discovery call. The calls
where you asked 10+ had a 3x higher progression rate. You're not going deep enough on pain."]

**What to do differently:**
1. [Specific, actionable change]
2. [Practice exercise]
3. [Example from their own data: "In your call with [prospect] on [date], you DID do this well — here's the transcript excerpt. Replicate that approach."]

**Your own proof it works:**
> [Quote from their own top-performing email or call where they did this well]

**Goal:** [Measurable goal with timeframe]

### Priority 2: [Second Weakness]
[Same structure]

### Priority 3: [Third Weakness]
[Same structure]

---

## Your Winning Patterns (Personal Playbook)

These patterns come from YOUR best work — not a textbook.

### Your Best Email Template
[Reconstructed from their top-performing emails]

**Subject:** [pattern]
> [Reconstructed body using their winning patterns]

**Why this works for you:** [pattern analysis]

### Your Best Discovery Approach (if calls available)
[Distilled from their winning calls]

1. **Open with:** [how they open their best calls]
2. **Key questions to always ask:** [their best questions]
3. **When you hear [objection], say:** [their best objection handle]
4. **Close the call with:** [how they get next steps in winning calls]

### Your Win Profile
**You close best when:**
- Prospect is [title] at a [size] [industry] company
- Deal came from [source/channel]
- Cycle is [X] days
- You [specific winning behavior]

**You struggle when:**
- Prospect is [profile]
- Deal involves [situation]
- You [specific losing behavior]

---

## Surprise Finding

[Something the data reveals that the user probably doesn't know about themselves.
E.g., "You think your weakness is closing, but your data shows your close rate is
above average. Your actual bottleneck is discovery — you're booking meetings that
aren't qualified. Improving qualification would have 3x more impact than working
on closing technique."]

---

## 30-Day Coaching Plan

| Week | Focus | Exercise | Measurable Target |
|------|-------|----------|-------------------|
| Week 1 | [skill] | [specific exercise] | [metric to hit] |
| Week 2 | [skill] | [exercise] | [metric] |
| Week 3 | [skill] | [exercise] | [metric] |
| Week 4 | Review + adjust | Re-run this analysis | Compare grades |

---

## Check Back In

Run this coaching analysis again in 30 days to measure improvement.
Track these specific metrics:
1. [Metric 1 — current: X, target: Y]
2. [Metric 2 — current: X, target: Y]
3. [Metric 3 — current: X, target: Y]

语气指南

这是一场辅导交流，不是绩效评估。

要做	不要做
先肯定优势	一开始就指出弱项
用对方自己的数据举例	给出泛泛的建议
具体说明（“你的 Signal-Proof-Ask 邮件回复率高出 2.3 倍”）	含糊其辞（“你的邮件还可以写得更好”）
提供练习和实践机会	只说“改进”
用对方自己的工作成果证明他们能够做到	让对方觉得自己正在失败
一次聚焦一个优先事项	一口气提出 10 项需要改进的内容，让对方不堪重负
将弱项表述为“影响最大的提升机会”	称其为“失败”

人工检查点

[Scorecard + top strengths + top weakness rendered]

---

Surprise finding: [the thing they didn't know]

Full coaching report includes:
- Detailed skill assessment across [X] dimensions
- Your winning email template (reconstructed from top performers)
- Your winning call pattern (if call data available)
- Your win profile (what deals you close best)
- 30-day coaching plan with weekly exercises
- Measurable goals to track improvement

View the full coaching report?

---

执行摘要

步骤	工具依赖	人工检查点	典型耗时
0. 配置	无	仅首次运行	5 分钟（一次性）
1. 收集数据	可配置（外联工具、通话工具、CRM）	验证数据量	2-3 分钟
2. 邮件模式	无（大模型推理）	无——结果将用于评估	自动
3. 通话模式	无（基于转录文本的大模型推理）	无——结果将用于评估	自动
4. 商机模式	无（计算 + 大模型推理）	无——结果将用于评估	自动
5. 技能评估	无（大模型推理）	无——结果将用于报告	自动
6. 辅导报告	无（大模型推理）	审阅报告	10-15 分钟

人工审阅总耗时：约 15-20 分钟，即可完成通常需要经验丰富的销售经理审阅数周工作记录才能完成的辅导。

---

根据数据可用情况调整

可用数据	分析深度	报告质量
邮件 + 通话 + 销售管道	覆盖所有维度的全面辅导	最佳
邮件 + 销售管道（无通话）	邮件技能 + 商机模式。跳过通话部分。	良好
仅邮件	邮件技能评估。跳过商机和通话部分。	有限，但仍有用
通话 + 销售管道（无邮件数据）	通话技能 + 商机模式。跳过邮件部分。	良好
仅销售管道	仅商机模式。辅导有限，但仍可揭示赢单/输单模式。	最低

最低可行条件： 至少具备以下一项：邮件数据、通话数据或销售管道数据。

---

提示

• 每月运行一次，持续改进。 辅导计划按 30 天周期设计。重新运行并比较评分。
• “意外发现”往往最有价值。 人们对自身销售弱项的自我评估，约有 60% 的时候是错的。数据能揭示真正的瓶颈。
• 来自你自身数据的高绩效邮件模板，胜过任何模板库。 这些模板已经在你的市场和产品上经过测试。
• 如果有通话数据，优先进行通话辅导。 通话中可改进的方面比邮件更多，而且每项改进带来的投资回报更高。
• 应保存并重复使用个性化操作手册。 这是一份动态文档，会随着用户技能的提升而不断完善。
• 与经理或导师分享辅导报告。 报告提供了开展结构化一对一辅导对话所需的数据。
• 一次只专注于一个弱项。 辅导计划会确定优先事项。不要试图一次解决所有问题——那样往往什么都解决不了。