영업 코칭 - 영업 데이터에서 개인 코치를 만듭니다 — Claude Skill

영업 코칭

이메일, 통화, 거래 등 영업에서 하는 모든 것을 연구하고, 무엇이 작동하고 무엇이 작동하지 않는지 패턴을 찾아, 더 잘 팔기 위한 구체적이고 실행 가능한 코칭을 제공하는 AI 코치입니다.

이것은 일반적인 영업 조언("always be closing")이 아닙니다. 사용자의 데이터에서 나온 코칭입니다. 성과가 가장 좋은 이메일, 이긴 통화, 성공한 거래 패턴, 가장 자주 실패하는 반론 처리, 특정 제품의 시장에서 나온 내용입니다.

sequence-performance 및 sales-performance-review와 다른 점:

다른 composite은 작업을 분석합니다. 이 composite은 일하는 사람을 코칭합니다.

자동 로드 시점

다음 경우 이 composite을 로드합니다.

• 사용자가 "영업을 어떻게 개선할까요", "코칭해 주세요", "무엇을 잘못하고 있나요", "영업 코칭", "더 잘 팔 수 있게 도와주세요"라고 말함
• 사용자가 "내 판매 스타일을 리뷰해 주세요", "내 통화를 분석해 주세요", "내 영업에서 어떤 패턴이 보이나요"라고 말함
• 사용자가 "왜 거래를 지고 있나요", "왜 사람들이 답하지 않나요", "내 최고의 이메일은 무엇이 다른가요"라고 질문함
• 나쁜 분기/월 이후 사용자가 개인 성과를 진단하고 싶어 함
• 주기적(월간/분기) 자기 개선 연습으로 실행

---

0단계: 설정(1회)

사용자 프로필

역할 옵션:

• "sdr" - 잠재고객 발굴, 영업 연락, 적격 판정, 미팅 예약에 집중
• "ae" - discovery, 데모, 협상, 마감에 집중
• "founder" - 모든 것에 집중(여러 역할 겸임)
• "sales_leader" - 개인뿐 아니라 팀 패턴에 집중

데이터 소스

설정 저장 위치: clients/<client-name>/config/sales-coaching.json 또는 동등한 위치.

---

1단계: 영업 데이터 수집

목적: 분석 가능한 모든 영업 데이터를 가져옵니다. 데이터 유형이 많을수록 코칭이 풍부해집니다. 하지만 시스템은 사용 가능한 데이터만으로도 작동합니다.

입력 계약

data_sources: { ... }                 # 설정에서 가져옴
analysis_window: integer              # 되돌아볼 일수
user_role: string                     # 설정에서 가져옴

데이터 수집 매트릭스

설정된 각 소스에서 가져오기:

이메일 데이터

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 등
          touch_triggered: integer
        }
      ]
    }
  ]
  total_campaigns: integer
  total_emails_sent: integer
  total_replies: integer
  overall_reply_rate: percentage
}

통화 데이터

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       # 사용 가능한 경우 전체 transcript
      recording_url: string | null    # 사용 가능한 경우 recording link
      outcome: string                 # "next step agreed", "no next step", "closed won", "closed lost"
      notes: string | null            # 통화 후 메모
    }
  ]
  total_calls: integer
  avg_duration: float
  outcome_distribution: { ... }
}

영업 파이프라인 데이터

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           # 거래 유입 경로
      touches_before_close: integer | null
    }
  ]
  total_deals: integer
  win_rate: percentage
  avg_cycle_days: float
  avg_deal_size: number | null
}

출력 계약

collected_data: {
  email_data: { ... } | null
  call_data: { ... } | null
  pipeline_data: { ... } | null
  data_richness: "full" | "partial" | "minimal"
  data_summary: string                # "N일 동안 X개 캠페인, Y개 통화, Z개 거래 분석"
}

사람 확인 지점

## 데이터 수집 완료

| 소스 | 사용 가능 | 볼륨 |
|--------|-----------|--------|
| 이메일 캠페인 | 예 | X개 캠페인, Y개 이메일 발송, Z개 답장 |
| 통화 기록 | 예/아니오 | X건 통화, Y시간 |
| 영업 파이프라인 거래 | 예 | X건 거래(W건 수주, L건 실주, O건 진행 중) |

분석 기간: [start]~[end]
데이터 풍부도: [전체/부분/최소]

분석을 진행할까요? (Y/n)

---

2단계: 이메일 성과 패턴 분석

목적: 캠페인 수준 지표를 넘어섭니다. 사용자의 최고의 이메일이 왜 작동하고 최악의 이메일이 왜 실패하는지 패턴을 찾습니다. 순수 LLM 추론입니다.

프로세스

A) 상위 성과 이메일 식별

모든 캠페인에서 찾습니다.

• 가장 높은 답장률 제목 - 공통점은 무엇인가요?
• 가장 높은 답장률 이메일 본문 - 어떤 패턴이 있나요?
• 긍정 답장을 만든 이메일 - 무엇이 구체적으로 관심을 유발했나요?
• 미팅을 만든 이메일 - 표준 사례. 무엇을 말했나요?

각 상위 성과 이메일에서 추출:

B) 최저 성과 이메일 식별

하위 성과 이메일도 같은 방식으로 분석합니다.

• 낮은 답장 이메일의 공통점은 무엇인가요?
• 안티패턴이 있나요? 긴 이메일, 일반적 첫 문장, 약한 CTA, 증거 없음
• 캠페인 전반에 일관된 결함이 있나요?

C) 승자 vs 패자 비교

D) 반론 패턴 분석

반론으로 분류된 모든 답장에 대해:

E) 답장 감성 분석

핵심 질문: 긍정 답장 대 부정 답장 비율이 시간이 지나며 개선되고 있나요? 관심을 만드는 이메일을 더 잘 쓰고 있나요, 아니면 정체되어 있나요?

출력 계약

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
}

---

3단계: 통화 성과 패턴 분석

목적: 통화 transcript 또는 recording이 있으면 사용자가 통화에서 어떻게 수행하는지 분석합니다. 통화 데이터가 없으면 이 단계를 건너뜁니다.

프로세스

A) 구조 분석(기록 기준)

각 통화 기록에서 측정:

B) 디스커버리 품질 분석

통화 기록에서 평가:

C) 통화 중 반론 처리

통화에서 제기된 각 반론에 대해:

D) 데모 / 발표 분석

데모 통화가 있으면:

E) 승리 vs 패배 통화 패턴

진행으로 이어진 통화(다음 단계, 수주)와 멈추거나 실주된 통화를 비교:

출력 계약

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    # 진짜 고통이 발견된 통화 비율
    impact_quantification_rate: percentage
    decision_process_mapped_rate: percentage
    next_step_agreed_rate: percentage
    common_gaps: string[]             # discovery에서 반복적으로 놓치는 것
  }

  objection_handling: {
    objections_per_call: float
    acknowledgment_rate: percentage   # 반론을 제대로 인정한 비율
    exploration_rate: percentage      # 처리 전 반론을 탐색한 비율
    resolution_rate: percentage       # 반론을 성공적으로 처리한 비율
    weakest_objection_type: string    # 가장 약한 반론 유형
    best_objection_type: string       # 가장 잘 처리하는 반론 유형
  }

  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         # 이긴 통화와 진 통화를 가르는 가장 큰 차이
  }

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

---

4단계: 거래 패턴 분석

목적: 영업 파이프라인 데이터를 보고 어떤 거래를 이기고 어떤 거래를 지는지 패턴을 찾습니다. 순수 계산 + LLM 추론입니다.

프로세스

A) 승패 패턴 분석

B) 속도 분석

C) 활동-결과 상관

출력 계약

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                # 거래가 가장 많이 죽는 곳
    common_loss_traits: string[]
    recoverable_losses: string        # "lost deals의 X%가 timing - 재참여 가능"
  }

  velocity: {
    bottleneck_stage: string
    kill_zone_stage: string
    sweet_spot: string                # 가장 쉬운 승리의 설명
  }

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

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

---

5단계: 역량 평가 및 코칭 계획 구축

목적: 이메일, 통화, 거래 분석을 개인 영업 역량 평가와 구체 코칭 계획으로 종합합니다. 순수 LLM 추론입니다.

입력 계약

email_patterns: { ... }              # 2단계에서 가져옴
call_patterns: { ... } | null        # 3단계에서 가져옴(통화가 있으면)
deal_patterns: { ... }               # 4단계에서 가져옴
user_role: string                    # 설정에서 가져옴
experience_level: string             # 설정에서 가져옴
product_description: string          # 설정에서 가져옴
self_assessed_weakness: string       # 설정에서 가져옴

역량 평가 프레임워크

역할에 맞는 영업 역량 차원별로 사용자를 평가합니다.

SDR 역량 차원

AE 역량 차원

Founder 역량 차원

모든 SDR + AE 차원에 더해:

점수화

각 차원에 등급을 부여합니다.

코칭 계획

C 이하로 평가된 각 차원에 대해:

역량: [dimension name]
현재 등급: [grade]
근거: [specific data points that drive the grade]
근본 원인: [why this is happening — not just what, but why]

코칭 권장안:
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]

따라 할 모델:
[본인의 상위 성과 이메일/통화에서 예시를 가져옵니다.
"Campaign X의 이메일은 이 점을 완벽히 수행했습니다. 그 접근을 반복하세요."]

측정 가능한 목표:
[개선을 추적할 구체 지표. 예: "다음 30일 동안 discovery call당 질문 수를
6개에서 12개로 늘리기."]

개인화 playbook

사용자의 승리 패턴을 개인 playbook으로 정제합니다.

## 당신의 승리 공식

[X emails, Y calls, Z deals] 분석 기준, 당신에게 작동하는 것은 다음입니다.

### 당신의 최고의 이메일 패턴
제목 스타일: [pattern]
opening 접근: [pattern]
반응을 얻는 proof point: [specific proof]
전환되는 CTA: [specific CTA]
이상적 길이: [word count]
최고 framework: [framework]

템플릿(본인의 상위 성과에서 구축):
> [Reconstructed template from their best emails]

### 당신의 최고의 통화 패턴(통화가 있으면)
discovery 접근: [how you open well]
가장 강한 질문: [questions that work for you]
작동하는 반론 처리: [specific handle]
전환되는 데모 스타일: [approach]
마감 기법: [how you get next steps]

### 당신의 승리 profile
당신이 가장 잘 마감하는 경우:
- 잠재고객이 [title/seniority]
- 회사가 [size/industry]
- 거래가 [source]에서 옴
- cycle이 [length]
- 당신이 [specific behavior that correlates with winning]

출력 계약

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                 # 자기 평가 약점
    data_says: string                 # 데이터가 실제로 보여주는 것
    aligned: boolean                  # 둘이 일치하는가?
    surprise_finding: string | null   # 본인이 몰랐던 발견
  }
}

---

6단계: 코칭 보고서 생성

목적: 최종 코칭 보고서를 만듭니다. 개인적이고 실행 가능하며 격려하는 보고서입니다. 성과 평가가 아니라 코칭 세션입니다.

보고서 구조

# 영업 코칭 보고서 — [User Name]
**기반 데이터:** [analysis window] 동안 [X emails, Y calls, Z deals]
**역할:** [SDR/AE/Founder]
**제품:** [what they sell]

---

## 당신의 영업 점수표

| 역량 | 등급 | 추세 | 메모 |
|-------|-------|-------|-------|
| [skill 1] | [grade] | [improving/stable/declining] | [one-line note] |
| [skill 2] | [grade] | [trend] | [note] |
| ... |

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

---

## 잘하고 있는 것

데이터가 아래 영역에서 명확한 강점을 보여줍니다. 계속 유지하세요.

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

### 2. [Strength #2]
**근거:** [data]
**왜 작동하는가:** [explanation]

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

---

## 개선할 곳

가장 영향이 큰 coaching 영역입니다. 한 번에 하나에 집중하세요.

### 우선순위 1: [Biggest Weakness]
**현재 등급:** [grade]
**근거:** [specific data points — not vague criticism, specific examples]
**근본 원인:** [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."]

**다르게 할 것:**
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."]

**작동한다는 자기 데이터 증거:**
> [Quote from their own top-performing email or call where they did this well]

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

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

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

---

## 승리 패턴(개인 playbook)

이 패턴은 교과서가 아니라 당신의 최고 성과에서 나왔습니다.

### 당신의 최고의 이메일 템플릿
[Reconstructed from their top-performing emails]

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

**왜 당신에게 작동하는가:** [pattern analysis]

### 당신의 최고의 discovery 접근(통화 데이터가 있으면)
[Distilled from their winning calls]

1. **이렇게 시작:** [how they open their best calls]
2. **항상 물을 핵심 질문:** [their best questions]
3. **[objection]을 들으면 이렇게 말하기:** [their best objection handle]
4. **통화는 이렇게 마감:** [how they get next steps in winning calls]

### 당신의 승리 profile
**당신은 이런 경우 가장 잘 마감합니다:**
- 잠재고객이 [title]이고 [size] [industry] 회사에 있음
- 거래가 [source/channel]에서 옴
- cycle이 [X]일
- 당신이 [specific winning behavior]

**이런 경우 어려움을 겪습니다:**
- 잠재고객이 [profile]
- 거래가 [situation]을 포함
- 당신이 [specific losing behavior]

---

## 놀라운 발견

[데이터가 드러내지만 사용자가 아마 모를 내용.
예: "당신은 closing이 약점이라고 생각하지만 데이터상 close rate는 평균 이상입니다.
실제 bottleneck은 discovery입니다. qualified되지 않은 미팅을 예약하고 있습니다.
closing technique보다 qualification 개선이 3배 더 큰 영향을 냅니다."]

---

## 30일 코칭 계획

| 주 | 초점 | 연습 | 측정 목표 |
|------|-------|----------|-------------------|
| 1주차 | [skill] | [specific exercise] | [metric to hit] |
| 2주차 | [skill] | [exercise] | [metric] |
| 3주차 | [skill] | [exercise] | [metric] |
| 4주차 | review + 조정 | 이 분석 다시 실행 | 등급 비교 |

---

## 다시 확인

30일 후 이 코칭 분석을 다시 실행해 개선을 측정하세요.
다음 구체 지표를 추적하세요.
1. [Metric 1 — current: X, target: Y]
2. [Metric 2 — current: X, target: Y]
3. [Metric 3 — current: X, target: Y]

톤 가이드

이것은 코칭 세션이지 성과 평가가 아닙니다.

사람 확인 지점

[점수표 + 상위 강점 + 상위 약점 rendered]

---

놀라운 발견: [the thing they didn't know]

전체 코칭 보고서에는 다음이 포함됩니다.
- [X]개 차원에 대한 상세 역량 평가
- 상위 성과에서 재구성한 winning email template
- 통화 데이터가 있으면 winning call pattern
- 승리 profile(어떤 거래를 가장 잘 마감하는지)
- 주간 exercise가 포함된 30일 코칭 계획
- 개선 추적용 측정 목표

전체 코칭 보고서를 볼까요?

---

실행 요약

전체 사람 검토 시간: 약 15-20분. 보통 숙련된 영업 관리자가 몇 주간의 활동을 리뷰해야 가능한 코칭입니다.

---

데이터 가용성에 따른 조정

최소 실행 가능: 이메일 데이터, 통화 데이터, 영업 파이프라인 데이터 중 하나 이상.

---

팁

• 지속 개선을 위해 매월 실행하세요. 코칭 계획은 30일 cycle로 설계되었습니다. 다시 실행하고 등급을 비교하세요.
• "놀라운 발견"이 가장 가치 있는 부분인 경우가 많습니다. 사람들의 영업 약점 자기 평가는 약 60% 틀립니다. 데이터가 진짜 bottleneck을 드러냅니다.
• 자기 데이터에서 나온 최고 성과 이메일 템플릿이 어떤 템플릿 라이브러리보다 낫습니다. 이미 귀사 시장과 제품에서 테스트되었습니다.
• 통화 데이터가 있으면 통화 코칭을 우선하세요. 통화는 이메일보다 개선 여지가 넓고, 통화 개선은 수정당 ROI가 더 높습니다.
• 개인화 playbook은 저장하고 재사용하세요. 사용자 역량이 발전할수록 함께 진화하는 living document입니다.
• 코칭 보고서를 매니저 또는 멘토와 공유하세요. 구조화된 1:1 코칭 대화를 위한 데이터를 제공합니다.
• 한 번에 하나의 약점에 집중하세요. 코칭 계획은 우선순위를 둡니다. 모든 것을 한 번에 고치려 하지 마세요. 그러면 아무것도 고쳐지지 않습니다.