Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →타겟 기업·접근 전략·이의처리 시나리오·성공 지표까지 담은 실전 영업 플레이북(전략서)을 만들어 드립니다. 다음과 같은 요청 시 사용하세요: - "영업 플레이북 만들어줘" - "세일즈 전략서 써줘" - "B2B 영업 계획 세워줘" - "타겟 기업 분석해서 영업 전략 짜줘" - "영업 이의처리 시나리오 만들어줘" - "접근 전략 수립해줘" - "영업 성공 지표 설정해줘" 타겟 분석·접근 전략·이의처리·성공 지표를 한 문서로 묶고, PPT 변환이나 AI 표현 다듬기로 이어집니다.
.claude/skills/modu-ai-sales-playbook/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-01 | ✗→✓ | ▲ Improved | 97% | 0% |
| case-08 | ✗→✓ | ▲ Improved | 137% | 0% |
| case-12 | ✗→✓ | ▲ Improved | 179% | 0% |
| case-15 | ✗→✓ | ▲ Improved | 152% | 0% |
| case-19 | ✗→✓ | ▲ Improved | 109% | 0% |
타겟 기업, 산업군, 제품 정보, 영업 목표를 종합 분석하여 실전 즉시 활용 가능한 맞춤형 영업 전략서를 생성합니다. 접근 전략부터 이의처리 시나리오, 성공 지표까지 영업 성공에 필요한 모든 요소를 포함합니다.
이 스킬은 타겟 고객 프로파일링부터 접근 전략, 이의처리 시나리오, 성공 지표까지 영업 성공에 필요한 모든 요소를 포함한 종합 문서를 출력합니다. Producer-Reviewer 패턴으로 체계적인 워크플로우를 제공합니다.
B2B는 B2C의 확장이 아니라 완전히 다른 게임입니다. 평균 6-10명의 의사결정자가 관여하는 구매 위원회를 다루는 게임이고, 2026년 한국은 RevOps + AI 세일즈 에이전트가 표준이 되고 있습니다. 영업 사이클은 2022년 이후 22% 길어져 평균 84일, 87% 기업이 매출 목표 미달성이라는 환경에서 살아남는 패턴들입니다.
① B2B vs B2C: 영업 호흡과 결정 구조
| 차원 | B2C | B2B (한국 대기업) | |---|---|---| | 호흡 | 즉시 결제 | 미팅 → 견적·제안서 → 데모 → 담당자 기안 → 임원 승인 → 구매부 최종 승인 (평균 84일, 대기업 6개월+) | | 의사결정자 수 | 1명 | 6-10명 구매 위원회 (Gartner) | | 메시지 | 브랜드 일관성 | 고객사·부서·역할별 완전 재구성 | | 판단 근거 | 욕구·감정·이미지 | 숫자·논리·합리성, 매출·비용 효과 계량화 | | AI 활용 (2026) | 추천·맞춤 | AI 에이전트가 BDR 전 과정 자동화 |
② 100개 고객사 = 100개 다른 메시지 (재구성 의무)
같은 B2B SaaS라도 고객사별 도입 맥락이 다름:
제공 서비스 동일해도 메시지 톤·예시·강조점이 완전히 달라야 함. AI 시대에는 AI 도구로 빠르게 변형 생산 가능 — 한국 시장의 1st party data 결합 시 효과 ↑.
③ 고객사 사전 분석 5종 (한국 표준)
| 항목 | 도구 | 주의 | |---|---|---| | 무엇을 하는 회사인가 | DART 공시·한경컨센서스·홈페이지 | 외부 알려진 사업 ≠ 핵심 사업 (사업보고서 매출 비중 확인) | | 직원 수 | 크레딧잡 (국민연금 연동) | 정규직·계약직 비율 | | 매출·비용 | DART·네이버 기업 검색 | 최근 2년 신설 사업 매출 급증 = 진짜 집중 영역 | | 투자 단계 (스타트업) | The VC·플래텀·벤처스퀘어 | 시리즈 단계 + 누적 투자금액 | | 기업가치·MAU | 혁신의 숲 | 객단가·소비자층 |
2026 추가: AI 도구(딥세일즈·셀데이)가 4억+ 글로벌 의사결정자 데이터로 리드 추천·콜드콜 스크립트·미팅 예약까지 자동화. 사전 분석 시간을 90%+ 단축 가능.
④ 부서별 메시지 재구성 (한국 대기업 B2B)
같은 IT 솔루션 제안:
| 부서 | 무엇을 강조 | |---|---| | 구매부 | 우리 회사·시스템 안정성, 입금·계약 이행 리스크 관리 | | 홍보부 | 회사 이미지, 기술 혁신성, 마케팅 파급 효과 | | 현업부 | 업무 효율, 시간 절감, 학습 곡선 | | 임원 | ROI 숫자, 경쟁사 도입 사례, 사회적 증거 | | 보안·정보보호 | 한국 개인정보법 준수, 데이터 처리 위탁 검토 | | 법무 | 표준 계약 vs 커스텀, SLA, 책임 한도 |
PT 직전 "오늘 누가 참석하나요?" 질문 → 즉시 장표 순서·강조점 조정.
⑤ 잠재고객 3대 고민 ↔ 맞춤 대응
| 담당자 고민 | 잘못된 대응 | 효과적 대응 | |---|---|---| | "혼자 결정 못 함, 내부 설득 어떻게?" | 우리 제품 자랑 | 담당자가 윗선에 보고할 결재 자료 1pager 제공 | | "잘못될까 걱정" | 미리 만든 FAQ로 일방 답변 | 걱정을 진지하게 듣기 → 사례·레퍼런스로 우려 해소 | | "새로 배우는 게 부담" | 기능 설명 일방 | 현재 방식 청취 → "30분 안에 적용" 부담 완화 + 오너십 |
⑥ 제안서 다이어트 (Quality > Quantity)
채우는 데 2시간 들였다면 빼고 다듬는 데 3시간 투자.
⑦ 무료 체험·자료 = 광고비 (2026 한국)
B2B 고객은 "공짜는 없다"는 것을 알아 미지근. 그럼에도 무료 제공해야 하는 이유:
첫 목표는 매출이 아니라 담당자 마음에 우리 각인.
| 영역 | 역할 | |---|---| | 데이터 통합 | 마케팅·영업·CS 단일 계정 뷰 (CRM·자동화 도구 연동) | | AI 코파일럿 | 실험 → 필수 도구. 깨끗한 데이터에 연결되어야 효과 | | 예측 정확도 | 90%+ 달성 기업은 7%뿐 — 데이터 품질이 변별 | | GTM 운영체제 | 가격·시장 확장·국제 사업 의사결정에 RevOps 참여 | | CRM 데이터 품질 | 91%가 불완전 (Salesforce) → 1순위 보수 영역 |
Gartner: 2026 말 기업 앱의 40%가 AI 에이전트 포함. McKinsey: B2B 영업팀 21%만 완전 통합, 22%는 파일럿.
> 💡 2026 한국 B2B 영업 차별점: (1) 6-10명 구매 위원회 매핑 (2) 부서·담당자 맞춤 메시지 재구성 (3) AI 도구로 BDR 자동화 (4) CRM 데이터 품질 관리 (5) RevOps 통합 운영. 이 다섯이 영업 사이클 단축 + 전환율 향상의 기본기.
입력받은 회사명과 타겟 산업을 기반으로 타겟 기업의 비즈니스 모델, 시장 위치, 주요 경쟁사, 성장 단계를 분석합니다. 조직 내 의사결정 권한자(Decision Maker)와 영향력자(Influencer)의 역할을 식별합니다.
출력 항목:
타겟 분석 결과를 바탕으로 최적의 접근 채널과 타이밍을 결정합니다. 콜드 이메일, 소개 네트워크, LinkedIn, 산업 행사 등 다양한 채널의 우선순위를 매깁니다.
출력 항목:
고객이 제기할 수 있는 공통적인 이의사항을 5-7개 식별하고, 각각에 대한 구체적인 대응 스크립트를 제공합니다. 가격, 경쟁사 제품, 내부 개발, 타이밍 등 주요 이의사항을 다룹니다.
출력 항목:
영업 활동의 성공을 측정할 수 있는 정량적 지표와 정성적 지표를 정의합니다. 리드 생성, 미팅 확보, 제안 전송, 계약 성사 등 각 단계별 전환율 목표를 설정합니다.
출력 항목:
위 4단계의 분석 결과를 종합하여 실전 즉시 활용 가능한 영업 플레이북 문서를 생성합니다. Markdown 형식으로 구조화된 출력물은 후속 PPT 변환이나 팀 내 공유에 최적화되어 있습니다.
입력:
회사명: 삼정물산
타겟 산업: 물류/유통
제품 정보: AI 기반 물류 최적화 SaaS (월 구독형, 직원 50인 이상 기업 타겟)
영업 목표: 3개월 내 5개사 계약 성사, 평균 계약 금액 500만원/월출력 요약:
입력:
회사명: 코레일테크 (가상의 철도기관 자회사)
타겟 산업: 공공/국내 대기관
제품 정보: 철도역 스마트 주차 관리 플랫폼 (초기 설치비 + 월 유지보수)
영업 목표: 공공 입찰 참여 우승, 3개 역 시범 도입 후 전국 확장출력 요약:
markdown# [타겟 기업명] 영업 플레이북 ## 1. 타겟 기업 분석 ### 1.1 기업 개요 ### 1.2 비즈니스 모델 ### 1.3 시장 위치 ### 1.4 조직도 및 의사결정권자 ## 2. 접근 전략 ### 2.1 채널 우선순위 ### 2.2 초기 접근 메시지 ### 2.3 최적 접근 타이밍 ### 2.4 영업 주기별 전략 ## 3. 이의처리 시나리오 ### 3.1 가격 관련 이의사항 ### 3.2 경쟁사 제품 관련 이의사항 ### 3.3 내부 개발 관련 이의사항 ### 3.4 타이밍 관련 이의사항 ### 3.5 ROI 증명 관련 이의사항 ## 4. 성공 지표 ### 4.1 리드 생성 지표 ### 4.2 미팅 확보 지표 ### 4.3 제안 전송 지표 ### 4.4 계약 성사 지표 ### 4.5 활동 지표 ## 5. 실행 체크리스트 ### 5.1 주별 활동 계획 ### 5.2 월별 목표 검토 ### 5.3 분기별 전략 조정 ## 6. 부록 ### 6.1 경쟁사 분석 ### 6.2 용어 사전 ### 6.3 관련 자료 링크
| 변수 | 설명 | 예시 | |------|------|------| | {target_company} | 타겟 기업명 | 삼정물산 | | {industry} | 타겟 산업 | 물류/유통 | | {product} | 제품/서비스 정보 | AI 기반 물류 최적화 SaaS | | {sales_goal} | 영업 목표 | 3개월 내 5개사 계약, 500만원/월 | | {deal_size} | 목표 계약 금액 | 500만원/월 |
다음 4가지 입력값 중 하나라도 누락되면 플레이북 품질이 현저히 저하됩니다. 반드시 입력을 확보한 후 진행하세요.
생성된 영업 플레이북은 반드시 moai-core:ai-slop-reviewer → moai-content:humanize-korean 체인을 통해 후처리해야 합니다. moai-core:ai-slop-reviewer로 AI 패턴(반복적 표현, 과도한 형용사, 추상적 문장)을 제거하고 moai-content:humanize-korean으로 한국어 표현을 자연스럽게 다듬어 실전 즉시 활용 가능한 구체적이고 명확한 문서로 변환합니다.
후처리 체크포인트:
| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→pass | 33,823 | 36,939 | +9% | 1 | 1 | 0% | 5,142 | 10,118 | +97% | 0 | 0 | — |
case-02 | fail→fail | 27,796 | 38,822 | +40% | 1 | 1 | 0% | 4,439 | 9,785 | +120% | 0 | 0 | — |
case-03 | fail→fail | 24,854 | 38,401 | +55% | 1 | 1 | 0% | 3,894 | 10,900 | +180% | 0 | 0 | — |
case-04 | fail→fail | 21,218 | 27,021 | +27% | 1 | 1 | 0% | 3,378 | 8,867 | +162% | 0 | 0 | — |
case-05 | pass→pass | 36,183 | 33,611 | -7% | 1 | 1 | 0% | 4,722 | 9,878 | +109% | 0 | 0 | — |
case-06 | pass→pass | 27,286 | 30,919 | +13% | 1 | 1 | 0% | 3,985 | 9,339 | +134% | 0 | 0 | — |
case-07 | pass→pass | 21,683 | 63,961 | +195% | 1 | 1 | 0% | 3,493 | 10,579 | +203% | 0 | 0 | — |
case-08 | fail→pass | 29,472 | 36,881 | +25% | 1 | 1 | 0% | 4,382 | 10,384 | +137% | 0 | 0 | — |
case-09 | fail→fail | 28,555 | 39,710 | +39% | 1 | 1 | 0% | 4,741 | 10,933 | +131% | 0 | 0 | — |
case-10 | fail→fail | 32,330 | 41,954 | +30% | 1 | 1 | 0% | 4,966 | 10,941 | +120% | 0 | 0 | — |
case-11 | pass→fail | 27,063 | 35,873 | +33% | 1 | 1 | 0% | 4,332 | 10,596 | +145% | 0 | 0 | — |
case-12 | fail→pass | 22,247 | 33,666 | +51% | 1 | 1 | 0% | 3,760 | 10,506 | +179% | 0 | 0 | — |
case-13 | pass→pass | 21,283 | 31,591 | +48% | 1 | 1 | 0% | 3,241 | 9,871 | +205% | 0 | 0 | — |
case-14 | pass→pass | 23,030 | 34,531 | +50% | 1 | 1 | 0% | 3,856 | 10,430 | +170% | 0 | 0 | — |
case-15 | fail→pass | 27,578 | 38,411 | +39% | 1 | 1 | 0% | 4,335 | 10,934 | +152% | 0 | 0 | — |
case-16 | pass→pass | 23,023 | 28,045 | +22% | 1 | 1 | 0% | 3,548 | 9,586 | +170% | 0 | 0 | — |
case-17 | pass→pass | 17,819 | 20,194 | +13% | 1 | 1 | 0% | 3,073 | 8,152 | +165% | 0 | 0 | — |
case-18 | pass→fail | 23,437 | 25,163 | +7% | 1 | 1 | 0% | 3,648 | 8,719 | +139% | 0 | 0 | — |
case-19 | fail→pass | 33,526 | 39,436 | +18% | 1 | 1 | 0% | 5,154 | 10,771 | +109% | 0 | 0 | — |
case-20 | fail→pass | 29,940 | 40,089 | +34% | 1 | 1 | 0% | 4,423 | 10,946 | +147% | 0 | 0 | — |
case-21 | fail→pass | 28,431 | 34,860 | +23% | 1 | 1 | 0% | 4,254 | 10,019 | +136% | 0 | 0 | — |
case-22 | fail→fail | 24,464 | 35,077 | +43% | 1 | 1 | 0% | 3,751 | 10,338 | +176% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted. The headline lift of +23 percentage points is the difference between those two pass rates over the 22 comparable cases. 2 cases got worse with the skill loaded, and they are included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.