ลูกค้าคำนวณคุ้มทุนโซลาร์กับ AI มาก่อน แล้วค่อยโทรหาช่าง

เดือนนี้มีคนโทรเข้ามาถามเรื่องติดโซลาร์เซลล์น้อยกว่าเดิม แต่ที่แปลกกว่านั้นคือคนที่โทรมา ไม่ได้ถามแบบเดิมอีกแล้ว

เมื่อก่อนคนโทรมาจะถามว่า "ติดโซลาร์ราคาเท่าไหร่" แล้วให้ทีมขายอธิบายตั้งแต่ต้น ว่าคุ้มยังไง กี่ปีคืนทุน ตอนนี้คนที่โทรมาพูดประโยคแรกว่า "ผมคำนวณมาแล้วว่าน่าจะติดขนาดหกกิโลวัตต์ คืนทุนประมาณห้าปีครึ่ง ขอนัดช่างมาสำรวจหน้างานเลยได้ไหม"

ทีมขายบางคนดีใจ คิดว่าลูกค้าทำการบ้านมาดี ปิดงานง่ายขึ้น แต่พอสำรวจหน้างานจริง ตัวเลขที่ลูกค้าคำนวณมามักจะคลาดเคลื่อน บางเคสคลาดเคลื่อนมากจนลูกค้ารู้สึกว่าโดนหลอก ทั้งที่ปัญหาไม่ได้อยู่ที่บริษัทคุณเลยสักนิด

เรื่องนี้ไม่ใช่เรื่องบังเอิญ และไม่ใช่เรื่องที่จะหายไปเอง เพราะมันคือผลจากพฤติกรรมที่เปลี่ยนไปทั้งวงการ ไม่ใช่แค่ธุรกิจคุณเจ้าเดียว

กลไกเบื้องหลัง ทำไมลูกค้าถึงคำนวณคุ้มทุนมาก่อนโทรหาช่าง

ก่อนหน้านี้การคำนวณความคุ้มทุนของโซลาร์เซลล์เป็นเรื่องที่ต้องพึ่งคนขาย เพราะสูตรคำนวณมีตัวแปรหลายตัว ทั้งขนาดระบบเป็นกิโลวัตต์พีค หรือ kWp (หน่วยวัดกำลังผลิตสูงสุดของแผงในสภาพแสงมาตรฐาน) อัตราค่าไฟฟ้าต่อหน่วย และพฤติกรรมการใช้ไฟฟ้าในบ้านหรือโรงงานนั้น ๆ

ตอนนี้ลูกค้าเปิดแชต AI พิมพ์บิลค่าไฟเฉลี่ยต่อเดือนลงไป บอกจังหวัดที่อยู่ บอกว่าหลังคาหันไปทางไหนคร่าว ๆ แล้วขอให้ช่วยคำนวณว่าควรติดกี่กิโลวัตต์ ใช้เงินลงทุนเท่าไหร่ คืนทุนกี่ปี AI จะประมวลจากสูตรทั่วไปที่มันเรียนรู้มา แล้วตอบเป็นตัวเลขที่ดูสมเหตุสมผล มีหน่วยครบ มีตารางเปรียบเทียบให้ด้วยซ้ำ

ปัญหาคือสูตรทั่วไปที่ AI ใช้ ไม่รู้จักหน้างานจริงของลูกค้าคนนั้นเลยสักนิด มันไม่รู้ว่าหลังคามีเงาต้นไม้บังช่วงบ่าย ไม่รู้ว่าโครงหลังคาเก่ารับน้ำหนักเพิ่มได้แค่ไหน ไม่รู้ว่าค่าไฟจริงในพื้นที่นั้นมีค่า Ft หรือค่าไฟฟ้าผันแปร (ต้นทุนค่าเชื้อเพลิงที่ปรับขึ้นลงทุกงวด) เท่าไหร่ในรอบบิลล่าสุด และไม่รู้ว่าบ้านหลังนั้นใช้ไฟกลางวันมากหรือน้อย ซึ่งเป็นตัวแปรสำคัญที่สุดตัวหนึ่งของความคุ้มทุน เพราะโซลาร์เซลล์แบบที่ติดกันทั่วไปผลิตไฟตอนกลางวัน ถ้าบ้านไหนกลางวันไม่มีคนอยู่ ไฟที่ผลิตได้ส่วนใหญ่จะไม่ได้ถูกใช้เอง

มีศัพท์ที่ควรรู้อีกคำคือ self-consumption หรือ อัตราการใช้ไฟที่ผลิตเองทันที หมายถึงสัดส่วนไฟที่แผงผลิตได้แล้วถูกใช้ในบ้านทันทีโดยไม่ต้องขายคืนหรือทิ้งไป ตัวเลขนี้ส่งผลต่อระยะคืนทุนโดยตรง แต่เป็นตัวเลขที่ต้องดูจากพฤติกรรมจริงของแต่ละบ้าน AI เดาได้แค่ค่าเฉลี่ยทั่วไปเท่านั้น ไม่มีทางรู้พฤติกรรมเฉพาะของบ้านหลังนั้น

อีกจุดที่ต่างกันมากคือเรื่องมาตรการสนับสนุนของภาครัฐและกฎเกณฑ์การขายไฟคืน ซึ่งเปลี่ยนแปลงและมีเงื่อนไขเฉพาะพื้นที่บ่อยพอสมควร AI ที่เรียนรู้ข้อมูลมาถึงช่วงเวลาหนึ่ง อาจตอบตามเงื่อนไขเก่าที่ใช้ไม่ได้แล้ว โดยที่ลูกค้าเองก็ไม่รู้ว่าข้อมูลนั้นล้าสมัยไปแล้ว

สิ่งที่เกิดขึ้นจริงคือ ลูกค้าเดินเข้ามาหาคุณพร้อมความมั่นใจในตัวเลขที่ตัวเองไม่ได้คำนวณเองแต่เชื่อว่าถูกต้อง แล้วรอให้ทีมสำรวจหน้างานมายืนยันตัวเลขนั้น ไม่ใช่มาช่วยคำนวณใหม่ตั้งแต่ต้น พอตัวเลขจริงต่างจากที่คุยไว้ในหัวมาก ลูกค้าจะรู้สึกผิดหวังเร็วกว่าเดิม และบางคนจะโทษว่าบริษัทติดตั้งคำนวณผิด ทั้งที่จริงแล้วต้นตอคือตัวเลขตั้งต้นที่ผิดตั้งแต่ก่อนโทรมา

ผมเห็นบริษัทติดตั้งโซลาร์หลายเจ้าพยายามแก้ปัญหานี้ด้วยการอธิบายซ้ำตั้งแต่ต้นทุกครั้งที่ลูกค้าโทรมา ซึ่งเสียเวลาทั้งสองฝ่าย ทางที่ตรงกว่าคือเตรียมรับมือกับลูกค้าที่มีตัวเลขมาก่อนแล้วให้ถูกจุด

ตรวจทีมขายตัวเอง ว่าพร้อมรับลูกค้าที่มีตัวเลขจาก AI มาก่อนแล้วหรือยัง

ให้ลองเช็กเจ็ดข้อนี้ ใช้เวลาประมาณครึ่งชั่วโมง คุยกับทีมขายหรือทีมรับสายเป็นหลัก

ถ้าตกข้อสองกับข้อสามเป็นหลัก ให้แก้สองข้อนี้ก่อน เพราะเป็นจุดที่กระทบความเชื่อใจของลูกค้าโดยตรง ตั้งแต่วินาทีแรกที่คุยกัน

ขั้นตอนที่ทำเองได้ ไม่ต้องจ้างเอเจนซี

หนึ่ง ลองถาม AI ด้วยโจทย์บ้านลูกค้าจริงสักสิบเคส

ใช้เวลาประมาณสองชั่วโมง ต้องมีข้อมูลบิลค่าไฟจริงของลูกค้าเก่าสักสิบราย ที่คุณรู้ผลลัพธ์หลังติดตั้งจริงอยู่แล้ว

เปิดแชต AI ที่คนทั่วไปใช้กัน ป้อนข้อมูลบิลค่าไฟ จังหวัด ทิศหลังคา แบบเดียวกับที่ลูกค้าจริงมักป้อน แล้วดูว่ามันแนะนำขนาดระบบและระยะคืนทุนเท่าไหร่ จดตัวเลขไว้ เทียบกับตัวเลขจริงที่คุณติดตั้งให้ลูกค้ารายนั้นไปแล้ว

สิ่งที่ต้องดูไม่ใช่แค่ว่าตัวเลขต่างกันแค่ไหน แต่ต้องดูว่าต่างกันไปทางไหนเป็นส่วนใหญ่ เช่น AI มักประเมินระยะคืนทุนสั้นกว่าความจริงเสมอ หรือมักแนะนำขนาดระบบใหญ่เกินความจำเป็นของบ้านที่ใช้ไฟกลางวันน้อย รูปแบบความคลาดเคลื่อนนี้แหละที่คุณจะเอาไปใช้เตรียมทีมขายในข้อถัดไป

ดูยังไงว่าได้ผล คุณจะมีประโยคสั้น ๆ ที่อธิบายส่วนต่างได้ชัดเจน แทนที่จะพูดกว้าง ๆ ว่า "ตัวเลขจริงอาจต่างจากที่ประเมิน"

สอง เขียนหน้าเว็บอธิบายปัจจัยที่ทำให้ตัวเลขคุ้มทุนต่างจากที่คำนวณคร่าว ๆ

ใช้เวลาประมาณสามชั่วโมง ใช้ผลจากข้อหนึ่งเป็นวัตถุดิบหลัก

เขียนหน้าเดียวที่อธิบายว่าทำไมตัวเลขคุ้มทุนที่คำนวณคร่าว ๆ ทางออนไลน์ ถึงต่างจากตัวเลขหลังสำรวจหน้างานจริง ระบุปัจจัยที่มีผลจริงทีละข้อ เช่น เงาบดบังในแต่ละช่วงเวลาของวัน สภาพโครงหลังคาที่รับน้ำหนักได้ต่างกัน สัดส่วนการใช้ไฟกลางวันเทียบกับกลางคืน และอัตราค่าไฟที่เปลี่ยนแปลงตามรอบบิล

เขียนด้วยภาษาที่เจ้าของบ้านทั่วไปอ่านเข้าใจ ไม่ใช่ภาษาช่างไฟ อธิบายศัพท์ทุกคำที่ใช้ เช่น ถ้าพูดถึง self-consumption ให้อธิบายต่อทันทีว่าหมายถึงอะไรในหนึ่งประโยค

หน้านี้ทำงานสองอย่างพร้อมกัน ช่วยให้ลูกค้าที่มีตัวเลขจาก AI มาก่อนเข้าใจว่าทำไมต้องมีคนมาสำรวจหน้างานจริง และเป็นเนื้อหาที่ระบบ AI เองอาจหยิบไปอ้างอิงในอนาคต ถ้าเขียนตรงประเด็นพอ

ดูยังไงว่าได้ผล ลองถามลูกค้าที่โทรเข้ามาว่าเคยอ่านหน้านี้ก่อนโทรไหม ถ้าเริ่มมีคนบอกว่าเคยอ่านและเข้าใจแล้วว่าทำไมต้องสำรวจหน้างาน แปลว่าหน้านี้ทำงานได้จริง

สาม ทำแบบฟอร์มเก็บข้อมูลหน้างานเบื้องต้นก่อนนัดสำรวจ

ใช้เวลาตั้งระบบประมาณสองชั่วโมง จากนั้นเป็นงานที่ลูกค้ากรอกเอง

ทำแบบฟอร์มสั้น ๆ ให้ลูกค้ากรอกก่อนนัดสำรวจหน้างาน ถามเรื่องพฤติกรรมใช้ไฟ ช่วงเวลาที่บ้านมีคนอยู่มากที่สุด อายุหลังคาโดยประมาณ และมีสิ่งบดบังแสงแดดหรือไม่ แนบรูปบิลค่าไฟล่าสุดมาด้วยได้ยิ่งดี

ประโยชน์คือทีมขายจะรู้ล่วงหน้าว่าตัวเลขที่ลูกค้าคำนวณมาจาก AI นั้น พลาดปัจจัยไหนไปบ้าง แล้วเตรียมคำอธิบายเฉพาะเคสนั้นไว้ล่วงหน้า แทนที่จะต้องเดาสดหน้างาน

ดูยังไงว่าได้ผล เวลาที่ใช้คุยโทรศัพท์รอบแรกก่อนนัดสำรวจสั้นลง เพราะข้อมูลพื้นฐานถูกกรอกมาก่อนแล้ว

สี่ ฝึกทีมขายให้เริ่มบทสนทนาด้วยการตรวจตัวเลขลูกค้า ไม่ใช่เริ่มจากศูนย์

ใช้เวลาฝึกประมาณสองชั่วโมงต่อคน ไม่ต้องใช้เครื่องมือเพิ่ม

สอนให้ทีมขายเปิดบทสนทนาด้วยคำถามว่า "ตัวเลขที่คุณคำนวณมา ใช้ข้อมูลอะไรบ้าง" แทนที่จะรีบอธิบายทุกอย่างใหม่ตั้งแต่ต้น วิธีนี้ทำให้ลูกค้ารู้สึกว่าตัวเองไม่ได้เสียเวลาคำนวณมาเปล่า ๆ และทำให้ทีมขายรู้ทันทีว่าจุดไหนที่ต้องแก้ตัวเลขให้ตรงความจริง

จุดที่ต้องระวังคือห้ามพูดในทำนองที่ลูกค้าโง่หรือถูก AI หลอก เพราะลูกค้าส่วนใหญ่ไม่ได้อยากรู้ว่าใครผิดใครถูก เขาแค่อยากรู้ว่าสรุปแล้วเขาควรติดขนาดไหน คุ้มจริงไหม

ดูยังไงว่าได้ผล ระยะเวลาเฉลี่ยตั้งแต่โทรครั้งแรกถึงปิดการขายสั้นลง เพราะไม่ต้องเสียเวลาอธิบายซ้ำตั้งแต่ต้นทุกครั้ง

ห้า เก็บเคสเปรียบเทียบตัวเลขประเมินกับตัวเลขจริงไว้เป็นชุดข้อมูล

ใช้เวลาสะสมต่อเนื่อง ครั้งละสิบนาทีหลังปิดงานแต่ละเคส

ทุกครั้งที่ติดตั้งเสร็จ ให้บันทึกไว้ว่าตอนแรกลูกค้าประเมินคุ้มทุนไว้กี่ปี สุดท้ายตัวเลขจริงหลังสำรวจหน้างานออกมาเท่าไหร่ และต่างกันเพราะปัจจัยอะไร สะสมไปเรื่อย ๆ จนมีฐานข้อมูลของตัวเอง

ข้อมูลชุดนี้ใช้ได้สองทาง ทางแรกเอาไปทำเป็นตัวอย่างในหน้าเว็บตามข้อสอง ทางที่สองใช้เป็นข้อมูลอ้างอิงภายในทีม เพื่อรู้ว่ารูปแบบความคลาดเคลื่อนของ AI เปลี่ยนไปตามเวลาหรือไม่ เพราะระบบ AI เองก็ถูกปรับปรุงเรื่อย ๆ เช่นกัน

ดูยังไงว่าได้ผล ครบสามเดือนแล้วมีเคสสะสมอย่างน้อยสิบเคส พอจะสรุปแนวโน้มความคลาดเคลื่อนได้ชัดขึ้นกว่าตอนเริ่มต้น

อะไรที่ยังไม่ต้องรีบทำ

เห็นบางบริษัทรีบกระโดดไปทำของใหญ่ทันทีที่ได้ยินว่าลูกค้าใช้ AI คำนวณคุ้มทุน ทั้งที่ยังไม่จำเป็นเลยตอนนี้

ยังไม่ต้องรีบสร้างเครื่องคำนวณคุ้มทุนแบบ AI ของตัวเอง เครื่องมือแบบนี้ต้องใช้ข้อมูลจริงจำนวนมากถึงจะแม่นกว่าของทั่วไป ถ้ายังไม่มีฐานข้อมูลเคสสะสมพอตามข้อห้า ทำไปก็ได้เครื่องคำนวณที่แม่นไม่ต่างจากที่ลูกค้าใช้อยู่แล้ว เสียเงินแต่ไม่ได้แก้ปัญหาจริง

ยังไม่ต้องรีบลดราคาแข่งเพราะกลัวลูกค้าเทียบราคาจาก AI ลูกค้าที่ถือตัวเลขคุ้มทุนมาก่อน ต้องการความมั่นใจว่าตัวเลขจริงเป็นยังไงมากกว่าราคาถูกที่สุด ถ้าลดราคาโดยไม่แก้เรื่องความน่าเชื่อถือของตัวเลข ปัญหาความไม่ไว้ใจก็ยังอยู่เหมือนเดิม

ยังไม่ต้องรีบซื้อเครื่องมือติดตามว่า AI พูดถึงแบรนด์คุณยังไง เครื่องมือกลุ่มนี้มีประโยชน์จริงในระยะยาว แต่ตอนนี้สิ่งที่กระทบธุรกิจคุณโดยตรงคือความคลาดเคลื่อนของตัวเลขคุ้มทุน ไม่ใช่การถูกพูดถึงมากหรือน้อย แก้จุดที่กระทบก่อน แล้วค่อยดูเรื่องนี้ทีหลัง

ยังไม่ต้องรีบเปลี่ยนขั้นตอนการสำรวจหน้างานทั้งหมด การสำรวจหน้างานแบบเดิมยังจำเป็นอยู่ เพราะเป็นขั้นตอนเดียวที่ยืนยันตัวเลขได้แม่นที่สุด สิ่งที่ต้องปรับคือช่วงก่อนสำรวจ ไม่ใช่ตัวการสำรวจเอง

เริ่มตรงไหนอาทิตย์นี้

ถ้าอาทิตย์นี้มีเวลาว่างสักครึ่งวัน ให้เริ่มจากข้อหนึ่งก่อน คือลองถาม AI ด้วยโจทย์บ้านลูกค้าเก่าสักสิบเคสที่มีข้อมูลจริงอยู่แล้ว งานนี้ใช้เวลาไม่นานและเป็นฐานของงานข้ออื่นทั้งหมด

เมื่อได้ตัวเลขความคลาดเคลื่อนที่ชัดเจนแล้ว ค่อยเอาไปฝึกทีมขายในข้อสี่ต่อ เพราะเป็นจุดที่ลูกค้าสัมผัสได้เร็วที่สุดตั้งแต่การโทรครั้งแรก ส่วนหน้าเว็บอธิบายปัจจัยกับแบบฟอร์มเก็บข้อมูลหน้างาน ค่อยทำในสัปดาห์ถัดไปเมื่อมีเวลามากกว่านี้

เรื่องนี้ไม่ใช่เรื่องที่จะแก้จบในครั้งเดียว เพราะพฤติกรรมลูกค้าจะเปลี่ยนต่อเนื่อง และรูปแบบคำตอบที่ AI ให้ก็จะเปลี่ยนตามไปเรื่อย ๆ สิ่งที่ทำได้ตอนนี้คือวางระบบให้ทีมขายรับมือได้ทุกครั้ง ไม่ใช่ต้องแก้ปัญหาเฉพาะหน้าทุกครั้งที่มีเคสใหม่