Clay

အောင်မြင်သော ဈေးကွက်ဗျူဟာ (GTM) အဖွဲ့များသည် ပြည့်စုံပြီး အရည်အသွေးမြင့် ဒေတာလိုအပ်သော်လည်း၊ ဤဒေတာကို စုဆောင်းခြင်း၊ အတည်ပြုခြင်းနှင့် ဖြည့်စွက်တိုးချဲ့ခြင်း လုပ်ငန်းစဉ်မှာ ကိရိယာများစွာအနှံ့ ခွဲထွက်နေတတ်သည်။ ဤပိတ်ဆို့မှုက အရောင်းဆက်သွယ်မှု၏ အရှိန်ကို နှေးကွေးစေသည်။ Clay⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) သည် lead အချက်အလက်များကို ဗဟိုပြုစုပေါင်းပေးခြင်းနှင့် တစ်ဦးချင်းစိတ်ကြိုက် မက်ဆေ့ချ်ပို့ခြင်းကို လုပ်ဆောင်နိုင်စေခြင်းဖြင့် GTM အဖွဲ့များ၏ outreach ကို ချဲ့ထွင်နိုင်ရန် ကူညီပေးသည်။

Clay သည် GPT‑4 နှင့် ပေါင်းစည်းကာ မည်သည့်အရာမဆို သုတေသနလုပ်နိုင်သော AI အေးဂျင့် တစ်ခုဖြစ်သည့် Claygent ကို ဖန်တီးခဲ့သည်။ Claygent သည် သက်ဆိုင်ရာ အချက်အလက်များကို ရှာဖွေပြီး အကျဉ်းချုပ်ရန် ဝဘ်ဆိုက်များသို့ ဝင်ရောက်ကာ၊ sales development သုတေသီများ အလုပ်လုပ်ပုံကို ပြန်လည်ဆောင်ရွက်ပေးသော်လည်း ပိုမိုမြန်ဆန်ပြီး ကုန်ကျစရိတ်လည်း ပိုနည်းသည်။ Claygent ဖြင့် လူတစ်ဦးတည်းကပင် အဖွဲ့တစ်ဖွဲ့လုံး၏ အလုပ်ကို ကိုင်တွယ်နိုင်သည်。

ကုမ္ပဏီသည် လွန်ခဲ့သော နှစ်နှစ်လုံးတွင် နှစ်စဉ် 10x တိုးတက်မှု ရရှိခဲ့ပြီး Intercom၊ Verkada နှင့် Notion ကဲ့သို့ အဓိကဖောက်သည်များအပါအဝင် အသုံးပြုသူ 100 thousand ကျော်ရှိသည်။

GTM အဖွဲ့များသည် မကြာခဏ ခွဲထွက်နေသော ဒေတာနှင့် လက်ဖြင့်လုပ်ရသော အလုပ်များကြောင့် ၎င်းတို့၏ outreach ကြိုးပမ်းမှုများ နှေးကွေးသွားသည်ကို ရင်ဆိုင်နေရသည်။ Clay ၏ ပူးတွဲတည်ထောင်သူနှင့် CEO ဖြစ်သူ Kareem Amin က ရှင်းပြသကဲ့သို့ “LLM များ မတိုင်မီရှိခဲ့သော tool အားလုံးသည် Sales Development Representatives (SDRs) သို့မဟုတ် Business Development Representatives (BDRs) များ၏ သုတေသနလုပ်ငန်းကို အလိုအလျောက်လုပ်ဆောင်ရန် ကြိုးစားခဲ့သော်လည်း အဆုံးတွင် တစ်နေရာတွင် ပိတ်မိသွားတတ်သည်။ ဒေတာပံ့ပိုးသူများက ကုမ္ပဏီတစ်ခုလျှင် ဒေတာအချက် 100 အထိသာ ပေးနိုင်ခဲ့သည်။ အင်ဂျင်နီယာများက scraper များ တည်ဆောက်နေကြသော်လည်း ၎င်းမှာ မတည်ငြိမ်ဘဲ အချိန်ကုန်များသည်။”

Clay သည် ဤအဖွဲ့များကို အားဖြည့်ပေးရန် အဓိကသော့ချက်မှာ ရင်းမြစ်များစွာမှ ဒေတာကို စုပေါင်းခြင်းနှင့် အချိန်ကုန်သော သုတေသနအလုပ်များကို အလိုအလျောက်လုပ်ဆောင်ခြင်းဖြစ်ကြောင်း သဘောပေါက်ခဲ့သည်။ ၎င်းတို့သည် GPT‑4 ကို ပေါင်းစည်းရန် ရွေးချယ်ခဲ့ကြသည်၊ အကြောင်းမှာ ၎င်းတွင် စျေးကွက်ထဲရှိ အကောင်းဆုံး language model ရှိပြီး ၎င်း၏ API documentation တွင် tool calling ကို လက်တွေ့ပြသထားသော ဥပမာများစွာ ပါရှိခဲ့သောကြောင့် ဖြစ်သည်။

Clay သည် GPT‑4 ကို အသုံးပြုပြီး ဝဘ်ဆိုက်များမှ အလွန်တိကျသော အချက်အလက်များကို နားလည်ကာ ထုတ်ယူနိုင်သည့် AI web scraper ဖြစ်သော Claygent ကို တည်ဆောက်ခဲ့သည်။ Claygent ကို အတတ်နိုင်ဆုံး ထိရောက်စေရန် Clay သည် GPT‑4 သို့ ပို့ပေးသော တိုကင် အရေအတွက်ကို အကောင်းဆုံးဖြစ်အောင် ပြင်ဆင်ပြီး အသုံးပြုမှုအလိုက် သင့်တော်သော မော်ဒယ်ကို ရွေးချယ်သည်။

ဝဘ်ဆိုက်တစ်ခုကို scraping လုပ်ရာတွင် site တစ်ခုလုံးကို GPT‑4 သို့ ပို့ခြင်းမှာ ထိရောက်မှုမရှိပါ။ ထို့အစား Claygent သည် လိုချင်သော အချက်အလက် ပါဝင်နိုင်ချေ အများဆုံးရှိသည့် ဝဘ်ဆိုက်၏ အပိုင်းကို GPT‑4 ထံ မေးမြန်းသည်။ ဥပမာအားဖြင့် GPT‑4 က SOC-2 compliance အချက်အလက်သည် ယေဘုယျအားဖြင့် footer တွင် တွေ့ရတတ်သည်ဟု ညွှန်ပြနိုင်သည်။ ထို့နောက် Claygent သည် ဝဘ်ဆိုက်တစ်ခုလုံးအစား footer ကိုသာ သီးသန့် scraping လုပ်နိုင်သည်။

Claygent သည် binary search နည်းလမ်းကိုလည်း အသုံးပြုသည်။ ၎င်းသည် ဝဘ်ဆိုက်၏ အစိတ်အပိုင်းတစ်ခုကို ယူကာ လိုအပ်သော ဒေတာ ရှိမရှိ စစ်ဆေးပြီး၊ မရှိပါက အခြားအစိတ်အပိုင်းတစ်ခုသို့ ရွှေ့သည်။ ဤနည်းလမ်းသည် လိုအပ်သော အချက်အလက်ကို တွေ့သည်အထိ ရှာဖွေရေးနေရာကို တဖြည်းဖြည်း ကျဉ်းမြောင်းစေသည်။

Clay သည် ကုန်ကျစရိတ်ကို အကောင်းဆုံးဖြစ်စေရန် product task တစ်ခုချင်းစီအတွက် အသင့်တော်ဆုံး AI မော်ဒယ်ကို ရွေးချယ်သည်။ ဥပမာအားဖြင့် နည်းပညာမကျွမ်းကျင်သော အသုံးပြုသူများကို ရိုးရိုးအင်္ဂလိပ်ညွှန်ကြားချက်များနှင့် ဥပမာများဖြင့် ဒေတာပြောင်းလဲနိုင်စေသော ၎င်းတို့၏ AI Formula Generator tool သည် ပိုသက်သာပြီး ပိုသေးငယ်သော မော်ဒယ်ဗားရှင်းများပေါ်တွင် လုပ်ဆောင်သည်။ ထို့နောက် Clay သည် GPT‑4 Turbo ၏ မြန်နှုန်းနှင့် ဉာဏ်ရည်ကို ပိုမိုရှုပ်ထွေးသော အခြားလုပ်ငန်းတာဝန်များအတွက် သီးသန့်ထားသည်။

Claygent ၏ ဒေတာယုံကြည်စိတ်ချရမှုကို သေချာစေရန် Clay သည် ဒေတာပံ့ပိုးသူများစွာမှ အချက်အလက်များကို ပေါင်းစပ်ပြီး ၎င်းကို အပြန်အလှန် အတည်ပြုရန် မော်ဒယ်အမျိုးမျိုးကို အသုံးပြုသည်။ scraping လုပ်ထားသော ရလဒ်များကို အခြားရင်းမြစ်များမှ scraping လုပ်ထားသော အချက်အလက်များနှင့် နှိုင်းယှဉ်ခြင်းဖြင့် Claygent သည် ၎င်းတို့၏ product မှ ထုတ်ပေးသော insight များ၏ ယုံကြည်စိတ်ချရမှုနှင့် တစ်သမတ်တည်းဖြစ်မှုကို အကဲဖြတ်နိုင်သည်။

Clay ၏ GPT‑4 ပေါင်းစည်းမှုကြောင့် ခိုင်မာသော တိုးတက်မှုနှင့် ဖောက်သည်အောင်မြင်မှုများ ရရှိလာခဲ့သည်။ ကုမ္ပဏီ၏ ဝင်ငွေမှာ လွန်ခဲ့သော နှစ်နှစ်လုံးတွင် နှစ်စဉ် 10x တိုးတက်ခဲ့ပြီး  2024 ၏ ပထမ ငါးလအတွင်းတွင်သာ 2.5x တိုးတက်ခဲ့သည်။

Claygent ကို ကျယ်ကျယ်ပြန့်ပြန့် လက်ခံအသုံးပြုခြင်းသည် ဤတိုးတက်မှု၏ အရေးပါသော မောင်းနှင်အားတစ်ခု ဖြစ်ခဲ့သည်။ Clay ၏ ဖောက်သည်များအနက် 30% သည် Claygent ကို နေ့စဉ် အသုံးပြုကြပြီး တစ်နေ့လျှင် research နှင့် outreach task 500,000 အထိ ဖန်တီးလျက်ရှိသည်။ ၎င်း၏ သက်ရောက်မှုမှာ ထင်ရှားသည် — လူတစ်ဦး သို့မဟုတ် နှစ်ဦးပါ အဖွဲ့များသည် ယခင်က အင်ဂျင်နီယာ ဒဇင်ပေါင်းများစွာ လိုအပ်ခဲ့သော ရလဒ်များကို ရရှိနိုင်သည်။

Clay သည် ၎င်း၏ product ကို အခြေခံပြီး Claygencies သို့မဟုတ် “Clay agencies” ဟု သိကြသော အသုံးပြုသူ ecosystem တစ်ခုလုံး ပေါ်ထွက်လာခြင်းကို မြင်တွေ့ခဲ့သည်။ ဤဖောက်သည်များ — မကြာခဏ SDR ဟောင်းများမှ စတင်တည်ထောင်ထားသူများ — သည် Clay ကို အသုံးပြု၍ data enrichment၊ lifecycle campaigns၊ search engine optimization (SEO) စသည်တို့အပါအဝင် ပြည့်စုံသော GTM agency များကို တည်ဆောက်နိုင်ကြောင်း တွေ့ရှိခဲ့သည်။ Clay နှင့်အတူ လူတစ်ဦး သို့မဟုတ် နှစ်ဦးသာရှိသော အဖွဲ့တစ်ဖွဲ့က agency အပြည့်အစုံတစ်ခုက ပုံမှန်ကိုင်တွယ်ရသော လုပ်ငန်းတာဝန်များကို ဆောင်ရွက်နိုင်ပြီး လူသားစွမ်းဆောင်ရည်နှင့် လုပ်ဆောင်နိုင်စွမ်းကို သိသိသာသာ မြှင့်တင်ပေးသည်။

အနာဂတ်တွင် Clay သည် ဒေသအလိုက် fitness gym များ၊ ဆရာဝန်များ သို့မဟုတ် သူနာပြုများကို ရှာဖွေခြင်းကဲ့သို့ သီးသန့်ကဏ္ဍများအတွက် ၎င်းတို့၏ AI အေးဂျင့်ကို fine-tune လုပ်ရန် စီစဉ်ထားသည်။ ၎င်းတို့သည် Claygent က “ပြီးခဲ့သော တစ်လအတွင်း အင်ဂျင်နီယာ 10 ဦး ခန့်အပ်ထားသော ကုမ္ပဏီအားလုံးကို ရှာပေးပါ” ကဲ့သို့ ရှုပ်ထွေးသော တောင်းဆိုချက်များကို ကိုင်တွယ်စေလိုသည်။ ထို့အပြင် Clay သည် signal များနှင့် trigger များကို အသုံးပြု၍ Claygent ကို ပိုမို proactive ဖြစ်စေရန် နည်းလမ်းများကို စူးစမ်းနေပြီး၊ ဥပမာ ဖောက်သည်တစ်ဦး ဝဘ်ဆိုက်သို့ ဝင်ရောက်သည့်အချိန်ကို ဖော်ထုတ်ကာ တစ်ဦးချင်းစိတ်ကြိုက် outreach message များ ဖန်တီးပေးခြင်း သို့မဟုတ် အလားအလာရှိသော အခွင့်အလမ်းများကို အချိန်နှင့်တပြေးညီ အရောင်းအဖွဲ့များအား အသိပေးခြင်းတို့ ဖြစ်သည်။