Алгоритм работы с возражениями: Алгоритм работы с возражениями

alexxlab

Содержание

Алгоритм работы с возражениями

1. Возражение надо выслушать. Внимательно слушайте все, что вам говорят. Никогда не перебивайте клиента. Человек, перебивающий собеседника, вызывает отторжение и неприятие.

2. Возражение надо принять. Принять — не значит согласиться, так как действительно, объективно возможна такая ситуация. Мы признаем факт существования ситуации.

— Это действительно важный вопрос

— Давайте это обсудим подробнее

— Мне важно понять, почему у вас сложилось такое мнение. Давайте это обсудим

— Мне очень важно ваше мнение

— Я понимаю, что вам важно выбрать оптимальный вариант

— Да, я понимаю, что у вас был негативный опыт…

3. Надо проверить, возражение ли это или отговорка. Здесь важно понять, действительно ли это возражение имеет место, или это попытка избавиться от вас. Если мы это не выясним, то будем преодолевать возражение, которого на самом деле нет! Есть несколько способов это сделать:

— Единственная причина. «Это единственная причина, по которой вы не хотите принять мое предложение, или есть что-то еще?»

— Искренность. «Некоторые мои клиенты говорили то же самое, но, как потом выяснилось, они отказывались по другой причине. Скажите, это наш с вами случай?»

4. Возражение надо уточнить или конкретизировать. Задать уточняющий или наводящий вопрос.  При правильной реализации этого этапа вы уже можете справиться с возражением. Задавайте клиенту уточняющие вопросы, попробуйте сделать возражение более конкретным. Уточняя, вы вникаете в тонкости соображений клиента, то есть, по сути, начинаете лучше ориентироваться в его потребностях. При уточнении, из ложного,  может возникнуть истинное возражение. При уточнении, клиент может почувствовать в вас профессионала и изменить свое отношение к вам. Может статься, вы увидите другую тему для предложения.

  

Причины, по которым нужно уточнять возражения:

— Клиент сам не до конца понимает, о чем он говорит (такое бывает не редко).

— Клиент говорит одно, а имеет в виду другое.

— Клиент говорит одно, имеет в виду другое, а вы понимаете третье.

— Возражение слишком размытое.

— Второстепенное возражение, первостепенного он не произносит.

— Клиент говорит ложное возражение.

Примеры вопросов:

«Какие условия будет приемлемы для вас? Почему именно эти условия важны для вас?»

«На какую сумму  вы рассчитываете?»

«Вы можете сказать, какая компания вам дала большую скидку?»

«Как вы думаете, какая общепринятая гарантия на данную услугу в России?»

5. На возражение надо ответить или привести нужные аргументы. Аргументация должна быть позитивной. Факты, которые вы приводите, должны быть достоверными и проверенными.

Например:

«Мы как один из ведущих поставщиков данных услуг, предлагаем максимально выгодные условия и возможности в регионе».

 «Согласитесь, ____ лет на рынке данных услуг, являются серьезной гарантией».

 

Узнайте подробнее о программе обучения «Преодоление возражений клиентов»

 

Алгоритм работы с возражениями: 1, но самый сильный

Сегодня мы поговорим про алгоритм работы с возражениями. Точнее, об одном из множества. При этом самом универсальном и легко используемом. И, скорее всего, Вам покажется на первый взгляд, что теперь любое возражение Вам нипочём. В общем, все узнаете из статьи.

Когда использовать технику

Данная техника направлена, в первую очередь, на отработку истинных возражений. А что такое истинное возражение? Это когда клиент говорит прямо и в лоб, что ему не нравится, что его смущает, по какой причине он всё ещё не отдал Вам свои кровно заработанные деньги. Вот примеры:

  • “Меня не устраивают сроки”;
  • “Мне нужно платье по колено, ни больше, ни меньше”;
  • “Этот стол слишком белый. Я хочу вот этого оттенка (показывает оттенок)”;
  • “Этот фотоаппарат слишком хрупкий, а мне нужно, чтобы он мог выдержать падение с 2-х метровой высоты”.

Ну а теперь приблизимся к практике и обсудим, как же отрабатывать такой тип возражений.

АААА!!!!! Все, все…я спокоен

Этапы отработки возражений

Данный алгоритм отработки возражений можно условно поделить на четыре этапа, где каждый несёт свою ценность, которую не стоит пропускать. Иначе за последствия я не отвечаю.

1. Согласие

На первоначальном этапе наша задача – согласиться с клиентом с помощью таких слов, как:

  1. “Да, конечно”;
  2. “Вы правы”;
  3. “Возможно”;
  4. “Вполне допускаю”.

Почему мы не можем сказать клиенту “нет”? Потому что если мы скажем “Нет/Вы не правы/Это не так”,  то тем самым мы сразу встаем в оппозицию, обесцениваем его точку зрения вместо того, чтобы согласиться с ним и занять одну сторону обороны. Поэтому показываем тем самым, что Вы его поддерживаете и полностью понимаете его желание.

2. Переход

Нам же всё-таки нужно отработать возражение, а не просто согласиться с ним. Поэтому после согласия, мы делаем плавный переход к 3 и 4 шагу, с помощью таких выражений, как:

  1. “Именно поэтому”;
  2. “При этом”;
  3. “И”;
  4. “Для этого”.

Вариаций переходов может быть огромное количество, выше Вы видите примеры.

Единственное, стоит стараться избегать таких переходов, как “а/но”. Они не являются плохими, и я даже сам их часто использую. Просто звучат они немного противоположно мнению клиента.

3. Аргумент / альтернативное решение

Тут всё намного проще и прозаичнее: Ваша задача – выдать как можно более сильный аргумент в сторону Вашего предложения, либо предложить альтернативный продукт или его решение. Пример будет далее.

4. Вопрос / призыв

Когда Вы с ним согласились, сделали переход и привели сильный аргумент или альтернативное решение, нужно клиента подтолкнуть к дальнейшим действиям. Сделать это можно с помощью:

  1. Вопроса: “Вам насколько нравится этот цвет?”;
  2. Призыва: “Давайте пройдём к палитре и выберем подходящий цвет для Вас”.

Что лучше? Неправильный вопрос. Правильный вопрос – “В какой ситуации нужно произнести вопрос, а когда призыв?”

Вопрос мы задаем, когда клиент ещё не до конца сформировал желание купить, и нужно его ещё немного “раскрутить”. А призыв – когда клиент вот-вот купит, и нужно ему помочь (не только в выборе нужно помогать, но и в принятии решения).

Читать отзывы и выбрать подходящий конструктор скриптов продаж можно тут.

Примеры отработки

Чтобы Вы лучше всё усвоили, смотрите, как бы я действовал с тем или иным возражением.

1. Возражение – “Этот стол слишком белый, чуть чуть бы темнее”.

Ответ: “Тут Вы правы, он и вправду слишком белый (

согласие). Именно поэтому (переход), в нашей компании есть изготовление на заказ. Мы можем сделать любой цвет (альтернативное решение). Давайте пройдем к стойке, и я покажу Вам, какие цвета есть (призыв).

2. Возражение – “Не нужен мне Ваш тренинг по отработке возражений! Я и так все знаю”.

Ответ: “Вы и вправду хорошо разбираетесь в продажах, и это заметно (согласие). Именно поэтому (переход), в этом тренинге собраны не только классические схемы отработки возражений, но и личный опыт, личные наработки, которые мы используем в своих крупных консалтинговых проектах и получаем действительно впечатляющие результаты (

аргумент). Вы, кстати, уже ознакомились с этими результатами, были у нас на сайте (вопрос)?

Коротко о главном

Даже на этот алгоритм отработки большинства возражений Вы мне можете ответить: “Нет, мне не надо”.

А может быть пойдёт другое, следующее возражение. Самое главное – отрабатывать возражение, а не уходить от него. Пускай не очень хорошо, но делать, пробовать. А с опытом придёт и навык, который будет спасать Вас во многих ситуациях.

Ну а если Вам не хочется читать и тратить время на изучение техник продаж, то обратите внимание на нашу услугу “Скрипты продаж“, куда как раз и входит блок отработки всех возможных возражений в Вашей работе.

Алгоритм работы с возражениями: делай-раз, два, три, четыре!

Первый алгоритм работы с возражениями это четыре простых шага, состоящих из согласия (эмоционального присоединения менеджера к клиенту), мысленного перевода возражения в вопрос, общей цели с покупателем и предложения действия. Второй алгоритм работы с возражениями построен по другому принципу и используется при сильном эмоциональном негативном фоне.

 

Из этой статьи вы узнаете:

 

 

Алгоритм работы с возражениями: 4 простых шага
  1. Шаг. «Согласие» с клиентом
  2. Шаг. Мысленно переводим возражение в вопрос
  3. Шаг. Рисуем клиенту своим ответом общую цель, которая выгодна и вам и клиенту
  4. Шаг. Задаем вопрос клиенту или предлагаем совершить какое-нибудь действие

Спорить с клиентом не надо! Помните о том, что ваша цель не победа в споре, ваша цель — продать. Для этого задавайте себе время от времени вопрос «Я хочу быть правым или мне нужна продажа?!». Поддерживайте в себе доброжелательное отношение к заказчику. Помните о том, что человек, который вам возражает — он не против вас. Он всего лишь не согласен с тем, что вы ему только что сказали или это возражение это его запрос на дополнительную информацию.

Рассмотрим этот алгоритм более подробно:

  • Шаг №1. Согласие с клиентом

    Первый шаг в алгоритме работы с возражениями: это «согласие» с клиентом, присоединение к нему на эмоциональном уровне.

    Тут надо отметить важную вещь, обратите на это внимание: вы соглашаетесь не с тем, что вам говорит клиент. Вы соглашаетесь только с тем, что он имеет право на свое личное мнение, на такую свою позицию, и не более того. При этом вы аккуратно сдвигаете смысл сказанного в позитив и в свою выгодную вам сторону.

  • Шаг 2. Мысленно переводим возражение в вопрос

    Второй шаг в работе с возражениями — вы мысленно переводите возражение клиента в вопрос. Просто поставьте в конце возражения клиента не точку или восклицательный знак, а знак вопроса. То есть он у вас спрашивает.

    При этом постарайтесь определить, какой подтекст его возражения:

    — нет контакта (в этом случае делаем клиенту комплимент)

    — не видит выгоды (делаем фокус на выгоду)

    — негативный опыт в прошлом – личный или слышал об этом от других (выдвигаем клиенту доказательства, аргументы «ЗА»)

 

 

Как работает алгоритм — тут примеры возражений клиентов и ответы на них.

Еще один алгоритм работы с возражениями

Ниже для вас еще один алгоритм работы с возражениями. Когда есть сильная эмоциональная составляющая, но вам не нужно спорить:

  1. Первым шагом мы говорим о своих чувствах
  2. Далее задаем клиенту уточняющий вопрос
  3. После этого выдвигаем аргументы по технологии ХПВО (Характеристика Преимущество Выгода Обратная связь)

Как работает этот алгоритм — тут.

Еще раз обратите внимание, важный момент, внутреннее спокойное доброжелательное отношение к заказчику, алгоритм работы с возражениями поможет сделать вам еще один шаг навстречу к деньгам вашего клиента. Поддерживать доброжелательное отношение к клиенту, который, например, орет на вас, вам поможет вот простой прием «врач в психушке».

 

Представьте, что вы врач в психушке

Представьте, что вы врач в психушке, вживитесь в эту роль. Врач разговаривает с психом всегда вежливо и доброжелательно. Смысл орать на психа в ответ, он все равно не поймет, и может испугаться и, например, расшибить себе башку об стену или еще что.

Поэтому вежливо, приветливо, «хорошо, хорошо, согласен этот вопрос важный, не волнуйтесь, все хорошо, пойдемте Я вам укольчик сделаю». Именно эти слова конечно говорить клиенту не нужно, но надеюсь смысл этого приема работы с возражениями вам понятен.

Так же мысленно вы можете выписывать клиенту (он ваш пациент сейчас) лекарства какие вам приходят на ум, добавьте к ним еще усмиряющую рубашку и общеукрепляющую клизму на 5 литров, вообщем, не ограничивайте себе фантазию, главное, и это действительно важно, при этом нужно сохранять серьезный спокойный вид, глядя на клиента, и не ржать.

 

Умеешь применять алгоритм работы с возражениями — хорошо зарабатываешь!

И напоследок, спокойная и грамотная работа с возражения в продажах это залог хороших бонусов в конце месяца. Не бывает продаж без возражений, так же как не бывает футбола без засуживания, ударов по ногам и пьяных фанатов. Все это вместе, если любишь футбол, то смирись с этим, если занимаешься продажами спокойно относись к возражениям своих клиентов.

В следующей статье вы найдете:
примеры возражений клиентов и ответы на них,
техника работы с возражениями «А вот предположим», и
немного о психологии.

 

Видео о работе с возражениями в сцене из фильма «Продавец»

Ниже сцена из фильма «Продавец» в переводе Гоблина видео ролик на тему этой статьи

 

 

Алгоритм работы с возражениями

“А что подумал Кролик, никто не узнал, потому что он был очень воспитанный,” – чудесная цитата из книги о Винни-Пухе чудесным образом применима к продажам: воспитанность и молчание клиентов – худшие из возражений. Радуйтесь, когда у клиента есть, что Вам сказать и возразить. Работа с возражениями в продажах сводится к простому алгоритму: Согласие – Уточнение – Аргументация – Подведение итогов.

Шаг 1. Согласие

Скажите, Вам нравится, когда с Вами соглашаются? А когда спорят? Нет? Вашему клиенту это тоже не нравится. Одна из причин, почему продавец не соглашается с покупателем, заключается в том, что он не улавливает разницы между согласием с клиентом и согласием со словами клиента. А вот М.С. Горбачев улавливал это различие и успешно парировал: “Мне понятна Ваша реакция”. Соглашайтесь с клиентом, а не с его словами. Всегда ищите солидарности с клиентом.

Как можно выразить согласие с клиентом, а не с его словами?

– Да, я понимаю, как это важно для Вас. Давайте обсудим подробнее.

– Понимаю, что Вы хотите сказать. Такое мнение тоже оправданно.

– Полностью с Вами согласен, важно выбрать именно оптимальный вариант.

– Действительно, нужно удостовериться в качестве, прежде чем делать приобретение.

– Я прекрасно понимаю, что у Вас есть поставщик, с которым Вы постоянно сотрудничаете.

Проверьте себя, не грешите ли Вы в разговоре с клиентами следующими выражениями:

– Вы должны понимать…

– При моем опыте…

– Такого я еще никогда не слышал…

– Мы попытаемся сделать все, что в наших силах…

– Кто Вам это сказал?

– Вы не можете разбираться в этом, как мы…

В Ваших “продажных” интересах перестать использовать данные фразы. Будьте вежливы и будете вознаграждены. Как говорил Дон Кихот, ничто не обходится нам так дешево и не ценится так дорого, как простая вежливость.

Шаг 2. Уточнение

После согласия с клиентом, следует побольше узнать о том, из чего он исходит и почему думает именно так. Приведенные примеры можно дополнить такими уточнениями:

– Полностью с Вами согласен, важно выбрать именно оптимальный вариант. А что Вы считаете оптимальным?

– Я прекрасно понимаю, что у Вас есть поставщик, с которым Вы постоянно сотрудничаете. Что Вам нравится больше всего в работе с ним?

– Понимаю, что Вы хотите сказать. Такое мнение тоже оправданно. Скажите, из чего у Вас сложилось такое представление?

– Это дорого.
– Позвольте узнать, с чем Вы сравниваете?

– У нас уже есть партнер.
– Значит, Вы полностью им довольны и нет смысла в улучшении чего-либо?

Шаг 3. Аргументация

Часто продавцы в работе с возражениями пропускают этапы согласия и уточнения, и, не установив контакта с клиентом, пускаются в аргументацию, чем вызывают огонь на себя. Минусы такого подхода в том, что Вы провоцируете клиента, а спор приводит к тому, что приходится работать с ложными возражениями.

Следуете ли Вы основным правилам аргументации?

1. Правило обратной связи

Когда Вы с клиентом в диалоге, Вы удерживаете его внимание и с помощью вопросов можете подвести его к принятию нужного решения.

2. Правило подтверждения

Всегда стремитесь получить подтверждение клиента, каждое дополнительное согласие приближает Вас к продаже.

3. Правило соблюдения интересов клиента

Говорите с клиентом на языке выгод и преимуществ, опишите, как изменится его жизнь с приобретением Вашего товара.

4. Правило позитива

Аргументируйте и говорите позитивно. Положительный настрой продавца – половина успеха. Несите радость Вашим клиентам, станьте для них неисчерпаемым источником энергии и позитива.

Шаг 4. Подведение итогов

Замечали ли Вы, что мы лучше всего запоминаем последние и первые фразы? Такая особенность нашего восприятия называется “эффектом края”. Используйте ее для акцента на достигнутых результатах и открывающихся горизонтах сотрудничества. Словом, как говорил Винни-Пух, нужно делать так, как нужно. А как не нужно – делать не нужно. Делайте все, как нужно, и да прибудет с Вами клиент!

 

Обучение торговле на бирже

Алгоритм работы с возражениями клиентов

Люди знают, что в жизни существует два непреложных фактора – смерть и налоги. Если вы работаете в продажах, то должны добавить третий фактор. Старая фраза теперь приобретает новое звучание: «В жизни есть только три вещи: смерть, налоги и работа с возражениями заказчиков и клиентов». Это определенная гарантия, что если вы представляете какой-либо продукт или услугу кому-то и пытаетесь убедить его сделать покупку, то должны освоить основы работы с возражениями. Люди редко делают покупки с первого раза – поэтому освоение этой методики имеет исключительное значение, если вы хотите построить успешную карьеру в продажах.

Как и закрытие продажи, существует несколько техник и процессов, применяемых в работе с возражениями. Эти техники помогут вам преодолеть возражения без споров и агрессии. Одним из наиболее популярных алгоритмов работы с возражениями является техника E.C.I.R.R. Она легка для запоминания и показала наиболее высокие результаты.

E.C.I.R.R.

E.C.I.R.R. – это аббревиатура, которая расшифровывается и означает следующее:

  • Empathize – сопереживание;
  • Clarify – уточнение;
  • Isolate – обособление;
  • Respond – ответ;
  • Repeat – повтор.

В продажах немногие аспекты можно рассматривать как «серебряную пулю» или «единый подход ко всем случаям жизни», но в данном случае, метод E.C.I.R.R. позволяет преодолеть любое возражение, представленное вам. Используя его, в конечном итоге вы будете контролировать возражения и сможете сформулировать ответ таким образом, чтобы их можно было легко преодолеть.

Метод E.C.I.R.R. работает следующим образом:

1. Сопереживание

Первым шагом в этом методе является сопереживание покупателю/потенциальному клиенту относительно фактического возражения. Цель этого шага заключается в установлении определенного уровня доверия. Вам нужно стать более гуманным и продемонстрировать потенциальному клиенту, что хотя вы понимаете, о чем идет речь, предлагаемый продукт/услуга наилучшим образом подходит для него и решения конкретного вопроса.

Однако осуществление этого шага требует осторожности – вы же не хотите случайно согласиться с возражением! Вы можете сказать, что «все поняли» или «определенно понимаете», потому что это означает ваше согласие с клиентом и отступление. Эффективным способом избежать этого является метод Feel Felt Found («чувствуете, чувствовали, убедились»).

Пример применения этого метода выглядит следующим образом:

Потенциальный клиент: Спасибо за потраченное время, но сейчас я доволен положением дел. Компания, с которой я работаю, выполняет все задачи, и я не хочу менять ее.

Продавец: Хотя я понимаю ваши сомнения относительно перехода на наш сервис, я действительно считаю, что это хорошая идея. Я вижу нерешительность – многие подобные компании придерживались того же мнения, пока не обратились к нам, и поначалу колебались. Однако когда они воспользовались услугой, результат превзошел их ожидания, а производительность увеличилась на 75% и более.

2. Уточнение

Следующий шаг должен быть сделан сразу же, не давая потенциальному клиенту возможности ответить. Вы хотите внести ясность и убедиться, что вы поняли возражение, а также сформулировать его в свою пользу. Уточняющий вопрос является критически важным для этого процесса – вы хотите убедиться, что понимаете клиента. Кроме того этот шаг даёт вам понимание – клиент произнес отговорку или возражение?

Продавец: Я просто уточняю, потому что хочу понять вас. В настоящее время вы довольны текущей ситуацией и ваш поставщик обеспечивает максимально возможную продуктивность по справедливой цене.

Примечание. Обратите внимание, что продавец добавил к возражению определение «справедливая цена». Он не сказал об этом потенциальному клиенту, но начал формулировать возражение таким образом, чтобы легко справиться с ним.

3. Обособление

Так же, как и шаг уточнения, к шагу обособления нужно переходить сразу же. Вы хотите в буквальном смысле изолировать возражение и убедиться, что больше ничто не препятствует совершению сделки. Это самый простой шаг, потому что это одно предложение и самая безопасная часть работы с возражением.

Продавец: Это все, что препятствует использованию услуг нашей компании?

Это должно быть сказано с веселой интонацией. Вы должны сделать вид, что это не имеет большого значения!

4. Ответ

После того, как потенциальный клиент даст утвердительный ответ, вы можете приступить к работе с возражением на своих условиях и так, как вы репетировали.

Потенциальный клиент: Да.

Продавец: Давайте обсудим это. Хотя мое предложение может быть менее дорогостоящим, я уверен, что мы можем предложить для вас нечто новое и лучшее, и намного превзойти конкурента с точки зрения рентабельности. Как насчет того, чтобы проверить это? Мы можем предоставить вам тестовый период в течение 90 дней на бесплатной основе. Если наши услуги не увеличат производительность и не помогут превысить планы по рентабельности, мы аннулируем сделку. Если вы поймете, что наши услуги подходят вашей компании и позволяют получить эффективный конечный результат, мы заключим договор. Как вы к этому относитесь?

Обратите внимание, что продавец снова затронул тему ценового элемента.

5. Повтор

В некоторых случаях, невзирая на первоначальное заявление потенциального клиента о наличии единственного возражения на этапе обособления, появляется другое возражение. Именно в этот момент заурядные продавцы отступают. Им хватает смелости сделать первые четыре шага, но нередко они забывают о пятом шаге. Этот ключевой шаг особенно важен, если клиент указывает на еще одно возражение.

Если вы столкнулись с другим возражением, снова повторите предыдущие четыре шага относительного нового возражения.

Потенциальный клиент: Да, это звучит великолепно, но я уже пользуюсь услугами компании и заключил с ней контракт на 1 год. Я не хочу платить комиссию за досрочное расторжение договора. Приходите в следующем году, и мы пересмотрим ваше предложение.

Продавец: Конечно, такие контракты создают сложности. Многие организации должны были соблюдать контрактное соглашение, и у них были варианты отказаться от договора – они поняли, что мы можем помочь. Просто для ясности – вы не хотите разрывать контракт из-за комиссии за расторжение договора, и это настоящая причина, по которой вы не соглашаетесь на сотрудничество с нами?

Потенциальный клиент: Да.

Продавец: Нет проблем! У нас предусмотрена процедура, по которой мы выкупим ваши обязательства по контракту! Мы настолько уверены в сервисе, что сможем покрыть все расходы на аннулирование вашего текущего договора. Давайте начнем со следующей недели?

Повторите этот процесс при необходимости. Для вас может быть странным повторять снова и снова, если вы столкнетесь с тремя и более возражениями, однако придерживайтесь установленного алгоритма. В итоге, потенциальный клиент подумает, что оправдывается, и увидит изъяны в своих рассуждениях.

Заключение

Как нам всем известно, продажи – это жесткий бизнес. Вы слышите «нет» гораздо чаще, чем «да». В некоторых случаях, вы можете закрывать продажу каждые 10, 15, 20 и 30+ презентаций. При использовании этого метода, каждый раз, когда вы услышите «нет», переходите к следующему шагу. Важно заметить, что хотя эта техника является одним из лучших методов борьбы с возражениями, это не «золотой пистолет» в продажах. Независимо от вашего профессионализма, некоторые люди просто не совершат покупку.

Важный момент здесь заключается в том, что применяя этот метод, вы закроете больше продаж, чем если бы вы отступали сразу после получения возражения. Практикуя этот метод и пытаясь овладеть им, вы сможете закрыть больше продаж и столкнетесь с меньшим количеством возражений.

trainingtechnology.ru

5 шагов к согласию клиента

21.09.2020

Автор: Academy-of-capital.ru

Добавить комментарий Рейтинг:

(Голосов: 2, Рейтинг: 5)

Из этого материала вы узнаете:

  • Причины возражений клиентов в продажах
  • 5 этапов работы с возражениями клиента
  • Этапы техники работы с 5 самыми частыми возражениями
  • Работа с возражениями клиента в интернет-магазине

Этапы работы с возражениями строятся на простой логике и понимании психологии клиента. Ведь логично, что мы не станем возражать человеку, который с нами соглашается. А это лишь один из психологических приемов продавца, применяемых при отработке практически любых возражений покупателя.

При этом важно выстраивать такую работу постепенно, поэтапно. Если начать убеждать клиента в верности ваших суждений, пропустив стадию выявления потребностей, ничего путного из этого не выйдет. В лучшем случае покупатель вежливо откажется от ваших услуг, развернется и уйдет. Верный алгоритм вы узнаете из нашего материала.

Причины возражений клиентов в продажах


Представьте ситуацию в магазине. Только что удалось подобрать красивую модель юбки, дело за примеркой. Поэтому все ваше внимание на бирках, вы хотите найти требуемый размер. Продавец решает вам помочь и подходит.

Обычно в такой ситуации от помощи вы отказываетесь, даже если она вам очень необходима. Статистика утверждает, что подобным образом ведет себя около 75 % покупателей. Рассмотрим причины этого явления.

Бытует мнение, что менеджеру по продажам важно лишь количество денег, которое он может получить от клиента. Многим не нравится навязчивость продавцов, их желание узнать причину вашего отказа. Это основные негативные моменты общения с продающим персоналом.

Также часто причина отказа покупателя от взаимодействия с менеджером заключается в негативном прошлом опыте. Среди продавцов также встречаются недостаточно профессиональные. Если один раз покупатель уже купил ненужный или не совсем подходящий товар при активной помощи продавца, то и в будущем он будет воспринимать этот персонал как бесполезный или даже вредный.

Также клиент может сопротивляться взаимодействию с менеджером по причине плохой репутации компании. В нынешнюю информационную эру очень важно следить за данными в сети Интернет: комментарии о компании, формы обратной связи и другие виды сообщений. Бизнесу стоит всегда быстро публиковать ответы на плохие отзывы в свой адрес. Контрпродуктивно спорить с клиентами, лучше признавать и исправлять допущенные ошибки.

Кроме того, нельзя недооценивать влияние на поведение потребителя его предрассудков и страхов. Есть люди, просто избегающие общения. Кто-то боится обмана. Некоторые избегают лишнего внимания. Работать с этой причиной наиболее сложно. Первым делом продавцу требуется выяснить страхи клиента и только потом приступать к работе с возражениями.

Выделим причины, по которым менеджеры сталкиваются с возражениями и сомнениями.

Важность данного шага сложно переоценить, так как осмысление в корне поменяет отношение к поведению клиента. Таким образом, покупатель может высказать возражения по следующим причинам:

  • аргументы продавца вызывают несогласие;
  • условия неприемлемы;
  • не подходит цена;
  • отсутствует потребность в данном виде товара;
  • нет настроения;
  • попытка самоутвердиться через отказ;
  • желание сбить цену;
  • цель – оставить за собой преимущество.

Список далеко не полный, но в нем наиболее частые причины возражений от клиента. Проанализировав его, можно понять, что некоторые из них получится закрыть, другие – нет.

Конкретно есть смысл работать с первыми четырьмя причинами. Их можно закрыть правильными аргументами, изменениями условий сделки, снижением цены или созданием потребности.

А вот последние четыре причины никак побороть нельзя. К примеру, плохое настроение покупателя вряд ли сможет улучшить продавец любыми усилиями со своей стороны.

Если у клиента есть желание самоутвердиться или он торгуется специально для получения льготной цены – тут тоже нет рычагов для воздействия на его поведение.

Аналогичная ситуация, когда покупатель имитирует сомнения в поисках наилучших условий приобретения товара.

5 этапов работы с возражениями клиента


Рекомендуем следующий порядок работы с возражениями:

Этап 1. Выслушайте клиента.

Важность этого этапа работы с возражениями переоценить невозможно. А между тем уделяется ему внимание не всегда. Терпение покидает многих опытных менеджеров уже через 4-5 возражений клиента.

Несмотря на это, не надо пытаться угадать мысли клиента. Лучше просто выслушать все его аргументы. Ведь никогда до конца не известно, как можно подтолкнуть человека к покупке.

Есть немало примеров, когда удавалось совершить сделку именно из-за того, что продавец внимательно и участливо выслушал все «боли» и тревоги клиента.

Этап 2. Постарайтесь его понять.

Понимать клиента и соглашаться во всём с ним – это не одно и то же. Продавцу нужно сказать покупателю, что он его понимает, перед началом работы с возражениями. Эта простая фраза здорово располагает к себе, и причины у этого явления такие:

  • В жизни редко услышишь такую фразу.
  • Стремление понять клиента на самом деле встречается довольно редко.
  • В каждодневном общении далеко не каждый старается понять и тем более принять сторону собеседника.

Именно по этой причине менеджер удивляет покупателя, произнося фразу: «Я понимаю». Вероятность этого близка к 100 %. Но чтобы в ответ не услышать: «Ничего ты не понимаешь», нужно ненавязчиво перевести беседу на новый этап алгоритма работы с возражениями.

Рекомендуем

«В2В-продажи: техники, инструменты и поиск заказчиков» Подробнее

Этап 3. Завоюйте доверие клиента.


На этой стадии хорошо работает прием под названием «присоединение», который подразумевает формирование доверия к продавцу у клиента. Для этого нужно объяснить, что конкретно понимает продавец. Как результат – вызывается доверие, которым нужно воспользоваться для успешной продажи. Разберем вышесказанное на примере.

Возражение покупателя: «Ваши цены слишком высоки».

Ответ продавца: «Понимаю вашу точку зрения. Вы ищете товар с оптимальным сочетанием качества и цены».

Или:

Возражение покупателя: «Предлагаемый вами товар низкого качества».

Ответ продавца: «Понимаю вас. Вы хотите найти самую подходящую к вашим запросам модель. Давайте изучим характеристики вместе».

Этап 4. Приведите контраргументы.

Данный этап работы с возражениями заключается в диалоге с клиентами с использованием логических аргументов.

Возражение покупателя: «Ваша цена завышена».

  • Признаем, что по сравнению с конкурентами мы продаем по более высокой цене. Однако мы даем более продолжительную гарантию, что в итоге позволяет сэкономить. Отдав предпочтение более дешевому аналогу, вы с высокой вероятностью столкнетесь с ситуацией, когда техника выходит из строя как раз после окончания гарантийного срока. Поэтому ответьте сейчас на вопрос, что вам важнее – сиюминутная выгода или экономия в течение продолжительного срока эксплуатации? Если предпочтительнее второй вариант, то наше предложение гораздо выгоднее, чем у наших конкурентов.

Этап 5. Уточните, остались ли вопросы.

Проработав все возражения клиента, нужно уточнить: «Остались ли еще какие-либо вопросы у вас?» При наличии таковых возвращаемся на второй этап и прорабатываем их.

Возражение покупателя: «Знаете, я предпочту экономию прямо сейчас».

Ответ продавца: «Прекрасно понимаю ваше желание. Цена слишком высокая для вас. Если я правильно понял, нужно подобрать более доступный вариант или изменить способ платежа. Знаете, у нас имеется возможность купить в рассрочку. В этом случае прямо сейчас нужно отдать совсем немного – к примеру 10 тысяч. Оставшиеся 90 будут разбиты на некоторое количество платежей.

Если цель в том, чтобы не потратить сейчас большую сумму, тогда предложенный вариант очень выгодный. У конкурентов придется одномоментно заплатить 70 тысяч. Итоговая стоимость у нас будет, конечно, больше, но прямо сейчас достаточно небольшой суммы, и вы получите товар в пользование. Есть ли у вас дополнительные вопросы? Или подробнее рассказать вам про условия приобретения в рассрочку?»

Пройти от первого до последнего этапа работы с возражениями нужно не один раз, а несколько. Три раза – это минимум. Однако не стоит делать это до бесконечности – 10–20 раз уже перебор.

Этапы техники работы с 5 самыми частыми возражениями


Возражение № 1: «Мне ничего не нужно».

Если же человек отказывается в ответ на все ваши предложения, следует использовать один из нижеприведенных доводов:

  • Скажите, что делать покупку в текущий момент нет никакой необходимости. Однако не исключена возможность, что немного позже товар понадобится клиенту или он захочет наладить взаимодействие в будущем.
  • Сообщите покупателю, что просто хотите рассказать ему о возможностях, которые предлагает ваша компания по покупке какого-то товара.
  • Подробно и детально изложите все преимущества и дайте обзор богатого функционала продвигаемого продукта.
  • Задайте прямой вопрос: «Что может подвигнуть вас подробно изучить наше коммерческое предложение?»

Возражение № 2: «Нет денег».

В случае если потенциальный покупатель жалуется на недостаток финансов, нужно пустить в ход следующие доводы:

  • Высказать мысль, что причина финансовых трудностей в работе с другими компаниями, где он переплачивает за аналогичную продукцию.
  • Повторите описание всех преимуществ вашего продукта и сделайте акцент на выгодных условиях оплаты в случае заключения сделки.
  • Предоставьте возможность более привлекательных вариантов оплаты. При желании таковые всегда можно найти.

Возражение № 3: «Слишком дорого».

Широко распространенное возражение – слишком высокая стоимость товара. Нужно объяснить это богатым функционалом, преимуществом в характеристиках и высоким качеством изготовления продукта. Если же этих аргументов недостаточно, следует пустить в ход что-то из приведенного ниже:

  • «У каждого в жизни бывают моменты, когда расходы превышают первоначальный план…» Используйте историю из своего опыта, когда довелось переплатить за что-то, но радость от покупки с лихвой компенсировала все траты.
  • «Можно продать в любое время…» Многие бывшие в употреблении вещи всё еще пользуются спросом на вторичном рынке, причем цена продажи может даже превышать первоначальную.
  • «Какова, по вашему мнению, справедливая цена?» Внимательно выслушайте мнение клиента и согласитесь, что стоимость товара немаленькая. После чего подробно разберите механизм ценообразования на данную товарную позицию.
  • Подчеркните свою готовность обсуждать более выгодные условия сделки.

Возражение «Денег нет»

Возражение № 4: «Я работаю с другим поставщиком». 

Если же потенциальный покупатель уже сотрудничает с конкурентом:

  • подскажите, что можно сделать заказ и в другом месте. Хотя бы для того, чтобы сравнить качество продукции и условия сотрудничества в целом;
  • приведите пример других крупных бизнесов, которые по соображениям безопасности и удобства работают одновременно с несколькими снабженцами;
  • дайте понять, что ваше коммерческое предложение вполне может пригодиться немного позже, поэтому прекращать деловой контакт прямо сейчас недальновидно;
  • уговорите не принимать поспешных решений. Посоветуйте поразмышлять, какие недостатки есть в работе с текущим контрагентом и как их можно исправить.

Рекомендуем

«Как убедить клиента купить товар или услугу: 27 полезных советов» Подробнее

Возражение № 5: «Я подумаю».

Хороший продавец должен знать, какой сигнал несет фраза «Я подумаю» во время основных этапов работы с возражениями. Буквально это значит, что покупателя одолевают сомнения, решение еще не принято. Поэтому менеджеру тут нужно согласиться с мнением потенциального клиента, а затем убедить его в своей точке зрения, используя мягкие аргументы:

  • Опишите свой собственный опыт использования продукции, которую продвигаете.
  • Нужно вскрыть настоящие причины сомнений. Неплохо дать некоторое время для раздумий, однако не нужно назначать следующий разговор на слишком отдаленное время.
  • Подайте идею сделать пробный заказ для оценки качественных характеристик товара.
  • Акцентируйте внимание на возможном изменении цены (к примеру, в результате витка инфляции), поэтому есть вероятность потерять выгодное предложение.

Работа с возражениями клиента в интернет-магазине 

Специфика работы интернет-магазина заключается в работе с клиентами онлайн. Все взаимодействие происходит в текстовом виде, поэтому необходимы навыки грамотного письма у продающего персонала.

На сайте должна присутствовать следующая информация:

  • Ответы на самые частые вопросы клиентов. Лучше собрать это в разделе FAQ. Информацию использовать из реального опыта, а не копировать с сайта конкурирующей организации. Провести работу по выявлению наиболее острых и частых вопросов покупателей, затем опубликовать их вместе с подробными ответами.
  • Настоящие отзывы от клиентов. Такая обратная связь хорошо работает, если действительно оставлена потребителями. Хотя не каждый клиент читает текст отзывов, однако если на сайте вовсе нет подобной информации – это вызывает недоверие новых покупателей.
  • Ответ на замечание о высокой цене продукции должен быть опубликован заранее. То есть не дожидаясь таких вопросов от покупателей. Потому что определенная часть посетителей интернет-магазина просто уходит, так и не озвучив свое возмущение по этому поводу. Поэтому данное возражение следует предвидеть и разместить на сайте подробную информацию о механизме формирования цены на товар или услугу. В данном случае на пользу идет внимание к мелочам, потому что у потенциального покупателя нет возможности вживую рассмотреть товар.

Подобными способами, конечно, все возражения покупателей отработать не получится, однако клиент захочет получить недостающие ответы при личном обращении. Например, это можно осуществить через чат с менеджером. Тут самое главное оперативно отвечать на поступающие вопросы. В противном случае потенциальный покупатель теряет терпение и покидает сайт магазина.


Получите персональный аудит отдела продаж от Сергея Азимова для 3-кратного роста продаж в 2021 году совершенно бесплатно

Проведем аудит Вашего отдела продаж по 24 пунктам и дадим четкий план по увеличению прибыли!

Этап 4 Работа с возражениями техники повышения эффективности

10 Сен Этап 4. Работа с возражениями — алгоритмы и техники повышения эффективности

Опубликовано: 22:49 В категории: Активные продажи, переговоры, презентации, возражения Опубликовал: admin

Возражения клиентов — это хорошо или плохо? Я считаю так: умеренное количество возражений — это хорошо. Это значит, что клиент не просто слушает Вас, он общается с Вами, высказывает свою позицию, хочет получить дополнительную информацию о Вашем банковском предложении. Если же возражений слишком много — возможно, Вы не совсем полно выявили потребности и презентовали не актуальные для клиента свойства. Обратите на это внимание. В любом случае, не зависимо от того, какое по счету возражение озвучивает клиент, — обязательно делайте следующую вещь.

Радуйтесь 🙂
Да-да. Радуйтесь!
Все очень просто. Каждое возражение воспринимайте с позитивом, чтобы клиент чувствовал Вашу уверенность и профессионализм. Радуйтесь, и Вам никогда не захочется вступать с клиентом в спор и находится в противоборстве, что-то доказывать.
Когда вы находитесь в таком состоянии, вы можете максимально уверенно, максимально естественно, ни на секунду не смутившись, принять это возражение и провести с ним грамотную работу.

Далее давайте обсудим, какие конкретные шаги Вам нужно сделать, чтобы повысить результативность работы с возражениями.

Шаг 1.
Выпишите на лист те продукты, которые Вы продаете. И основные, и кросс-продукты. Это может выглядеть примерно так:

Шаг 2.
Вспомните, какие возражения слышали от клиентов при продаже этих продуктов: за вчерашний день, за последнюю неделю, за последний месяц. Напишите эти возражения по каждому продукту.

Шаг 3.
Определите тип возражения и поставьте рядом с каждым возражением соответствующую букву.
Ц — возражения, связанной с ценой;
Б — возражения, связанные с безопасностью, надежностью;
У — возражения, связанные с комфортом и удобством.

Шаг 4.
В третьем столбце выпишите минимум по 2 аргумента для ответа на каждое возражение.
Обратите внимание, что аргументы должны относиться к той же букве, что и возражение.
Если возражение по цене, то аргументы должны быть тоже по цене, а не по удобству обслуживания.
Грубо говоря, если клиент возражает, что у Вас высокая ставка — аргументы о том, Вы работаете по субботам и воскресеньям, да еще и круглосуточно будут не уместны. Аргументы должны быть тоже из категории Ц: нет комиссий, можно сэкономить при досрочном погашении, получить доп продукт на льготных условиях или вообще в подарок и т.д.
На этом этапе у Вас должна быть вот такая картина:

Шаг 5. Техника «Конфетка» 🙂
Вам нравятся Ваши аргументы? Они убедительны и сильны?
Тогда преподнесите их клиенту на красивом блюдце, заверните в красивую упаковку.

Сравните два варианта:
1 вариант:
— У Вас высокая ставка
— Да, но зато у нас нет комиссий и Вы получаете дебетовую карту в подарок
(анализ ситуации: менеджер вступил в противоборство с клиентом, признал, что ставка высокая и привел контраргументы.. реакция клиента может быть «нуу не знаююю… надо подумать..» или продолжить спор)

2 Вариант
— У Вас высокая ставка
— Иван Иваныч, правильно, что обращаете внимание на % ставку при оформлении кредита, при этом обратите также внимание, что это величина относительная и очень часто не отражает реальной переплаты. Очень важны разные комиссии, которых кстати у нас в банке нет. Вам не придется нести никаких доп расходов, более того, при оформлении кредита Вы получаете подарок от Банка — вот такую карту, она идеально дополняет сам потреб кредит.. (и так далее)

И в первой, и во второй ситуации мы произносили одни и те же аргументы (отсутствие комиссий и дебетовая карта в подарок), только делали это по-разному.
И так можно сделать по каждому продукту.
Если Вы еще не пользуетесь этой замечательной техникой — берите на вооружение.
Вы удивитесь, как Вам станет приятно и легко отвечать на любые возражения клиентов. НЕ спешите озвучивать даже самые сильные аргументы — сначала заверните их в красивую упаковку.

Шаг 6. Просто уверенно произнесите то, что у Вас получилось.

Тут без комментариев.

Коллеги, основные выводы по работе с возражениями клиентов:
1) не вступать в спор и конфронтацию
2) позитивно реагировать на возражения и с желанием отвечать
3) поддержать точку зрения клиента (но не соглашаться полностью с его правотой)
4) держать в голове пару сильных аргументов по каждому продукту
5) не путаться с типами возражений (Ц, Б, У)
6) использовать технику «конфетка»
7) практиковаться!

Для более глубокого изучения темы рекомендую курс «Более 150 готовых ответов на любые возражения клиентов в банковских продажах» с двумя бонусами, благодаря которым Вы сможете не просто отвечать на возражения, но и определять их искренность.

P.s. Не понимаю, почему многие менеджеры боятся возражений или по каким-то другим причинам проваливают этот этап. Лично у меня это самый любимый этап в продажах. Надеюсь, у Вас теперь тоже 🙂

Используйте этот алгоритм, продавайте красиво и легко!

 

P.s. Если Вам понравилась эта статья, поддержите «лайком»! 

И напоследок – самое интересное!

СКАЧАЙТЕ 2 ШПАРГАЛКИ ПО РАБОТЕ С ВОЗРАЖЕНИЯМИ И ЧЕК-ЛИСТ С ПОШАГОВЫМ АЛГОРИТМОМ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ РАБОТЫ С ВОЗРАЖЕНИЯМИ. АБСОЛЮТНО БЕСПЛАТНО.

ЧТОБЫ РАЗБЛОКИРОВАТЬ ДОСТУП, СДЕЛАЙТЕ 2 ПРОСТЫХ ШАГА:

1. НАЖМИТЕ ЛАЙК (сразу после этого на странице появится ссылка для скачивания)

2. СКАЧАЙТЕ СРАЗУ 3 ПОЛЕЗНЫХ ВЕЩИ (2 ШПАРГАЛКИ И ЧЕК-ЛИСТ)

 

 

 

[sociallocker]

Спасибо! Вот Ваша ссылка для скачивания бонуса:

https://docs.google.com/file/d/0B0mjJx3AjbQGOElkV0JQOUFteFk/edit?usp=sharing

[/sociallocker]

 

5 Ключевые идеи по устранению возражений в продажах

Время чтения: около 7 минут

Автор: Lucid Content Team

«Кажется, успех связан с действием. Успешные люди продолжают двигаться. Они делают ошибки, но не сдаются ».

—Конрад Хилтон

Без сомнения, продажи — сложная профессия. Даже высокопроизводительные команды по развитию бизнеса подвержены периодическим спадам или сокращению объемов продаж.

В такие времена организации сильно полагаются на своих руководителей по продажам, чтобы изменить ситуацию.Это естественно, особенно с учетом того, что большинство менеджеров по продажам и руководителей взяли на себя свои роли, основываясь на собственном мастерстве продаж и выдающихся результатах.

Конечно, простое владение навыками и опытом, необходимыми для успешного специалиста по продажам, не всегда гарантирует плавный переход к эффективному наставнику или наставнику. Это действительно требует согласованных усилий, чтобы дать вашей команде преимущества ваших знаний о продажах.

Когда дело доходит до передачи методов продаж, преодоление возражений — отличное место для начала.Несмотря на свое влияние, рассмотрение возражений при продажах является одним из самых недооцененных из семи этапов процесса продаж. Тем не менее, именно знание того, как реагировать на возражения против продаж и решать проблемы клиентов, действительно отделяет хороших продавцов от плохих.

Развитие уверенности, проницательности и способности справляться с возражениями о продажах — это также то, что отличает хороших продавцов от хороших. В этой статье мы подробно рассмотрим пять навыков, которыми должна обладать каждая команда, чтобы справиться с возражениями против продаж.

Постепенно у вас также будет возможность стать более ценным и высокоэффективным лидером продаж — способным определять, исправлять или укреплять поведение в вашей команде.

Начнем.

1. Разговор не продает. Послушайте, прежде чем подавать.

Прежде чем ваша команда сможет полностью понять, как обрабатывать возражения против продаж, им может быть полезно ответить только на один очевидный вопрос для себя: что такое возражение против продаж?

За каждым «нет», которое дает покупатель, каждое возражение против продажи предлагает намек на то, какие барьеры существуют между текущей ситуацией и условиями, которые должны быть выполнены перед покупкой.Выдвигая возражение, клиент также указывает на то, что он все еще помолвлен.

Это когда продавец должен прислушиваться к потребностям или проблемам, о которых говорят его клиенты. К сожалению, многие продавцы считают, что разговоры о продукте продают.

По словам легендарного гуру продаж Боба Франко, это далеко не так.

«Когда я ехал с некоторыми из моих продавцов, совершая торговые звонки, первое, что они делали после знакомства, — начинали« рвать »на характеристики и преимущества продаваемых нами продуктов.Часто клиенты не хотят обсуждать товар ».

Если ваши торговые представители хотят понимать своих клиентов, им следует уделять им больше внимания.

Это означает, что нужно чаще молчать в пользу активного слушания. Попросите их задать вопросы в надежде узнать, чего хотят их клиенты. При правильном применении активное слушание может позволить вашей команде закрывать продажи, не прибегая к стандартной коммерческой подаче.

Узнайте больше о ведущих торговых переговорах с нашим планом от Winning by Design.

Talker Conversations — Победа по дизайну (Щелкните изображение, чтобы изменить онлайн)

2. Всегда будьте отзывчивы. Не оправдывайся.

На протяжении почти 40-летней карьеры продавца Франко отмечал, что его устойчивый успех был достигнут благодаря следованию простому принципу: делайте то, что обещаете.

Для обработки возражений по поводу продаж это означает своевременное реагирование на запросы клиентов.

«Меня всегда удивляет, что люди не отвечают на телефонные звонки своевременно», — говорит он.В своей книге «Продажи : самая сложная работа в мире » Франко вспоминает, как пытался связаться с продавцом, у которого он купил миллионы раньше. Иногда проходили дни, и Франко приходилось снова обращаться к продавцу, чтобы он перезвонил.

«Не то чтобы я звонил, чтобы обсудить погоду… Мне что-то нужно».

Отговорки, которые Франко получал на протяжении многих лет, могут показаться знакомыми тем, кто в прошлом имел дело с неопытными или неискушенными продавцами.Эти оправдания включают:

  • «Я был на собраниях всю неделю».
  • «Извините, я был очень занят».
  • «Вы знаете, у меня много клиентов».

Отговорки не улучшают ситуацию. Отвечая на вопросы или рассматривая возражения в продажах, всегда советуйте своим продавцам вернуться к своим клиентам в течение 24 часов.

Если во время телефонного разговора не хватает времени для обработки возражений по поводу продаж, есть другие эффективные способы общения с покупателями.Продавцы могут оставить сообщение, текстовое сообщение или отправить электронное письмо. Когда дело доходит до поддержания продаж, важно установить контакт.

3. Держите разговоры о продажах реальными. Используйте сценарий.

Это может показаться нелогичным, но хорошо продуманный сценарий продаж может помочь вашим продавцам вести более естественный, значимый и эффективный диалог с потенциальными клиентами.

Сценарий также предоставляет новым продавцам схему проведения торговых звонков, а также отличный ресурс для обучения тому, как обрабатывать возражения против продаж, уникальные (или неизбежные) в отношении продуктов или услуг, предлагаемых вашей организацией.Основы большинства сценариев продаж включают:

  • Введение
  • Причина звонка
  • Опровержения возражений
  • Методы закрытия

Независимо от того, управляете ли вы пятью продавцами или отделом из 100 человек, вам нужно будет найти способ производить и организуйте различные сценарии, необходимые для обмена вашими методами продаж и преодоления возражений. Ознакомившись с нашими идеями о том, как создать успешный сценарий продаж, поэкспериментируйте с шаблоном сценария продаж Lucidchart.

Дерево разговоров (Щелкните изображение, чтобы изменить в Интернете)

Оно не только предлагает быстрый и интуитивно понятный способ создания сценария продаж, но также позволяет вам поделиться этими сценариями со всей командой из легкодоступного онлайн-места. В своем сценарии продаж вы также можете указать ссылку на обеспечение продаж, которое поможет торговым представителям бороться с возражениями.

Помните, вашим продавцам не обязательно следовать вашим сценариям продаж в точности. Вопросы или ответы потенциального клиента в конечном итоге будут определять ход разговора.Скрипты продаж просто предназначены для обеспечения большей согласованности обмена сообщениями в вашей организации.

Пример блок-схемы возражений (Щелкните, чтобы просмотреть интерактивные ссылки и настроить)

4. Продажи — это игра с числами. Не бойтесь отказа.

Когда кому-то поручают что-то продать, неизбежно возникает миллион причин, по которым покупатель не купит это. Обучая свою команду, как справляться с возражениями против продаж, подчеркивайте важность смелости встречаться с каждым потенциальным отказом.

Продажи всегда были игрой в числа.Отказ приходит с территорией.

Продавец не может быть эффективным, пока не примет отказ как часть процесса. Чтобы помочь вашему отделу продаж избавиться от страха услышать «нет», познакомьте его с режимом практики, который может включать индивидуальные ролевые игры или еженедельное групповое собрание.

Эффективный метод построения духа товарищества с вашей командой, когда вы демонстрируете, как справляться с возражениями в продажах, — это вовлекать себя в практические занятия.Положитесь на свой прошлый опыт, чтобы справиться с критическими возражениями, выдвигаемыми вашими продавцами. Возьмите за правило прыгать на практические занятия или попросить вашу команду подслушивать торговый звонок.

Участие и демонстрация на собственном опыте, как обрабатывать возражения против продаж, помогает вам укрепить связь со своей командой. Кроме того, продавцы обращаются к своим руководителям как на модели успеха.

В отчете, опубликованном Frontiers in Psychology, говорится, что, когда сотрудники рассматривают своих лидеров как способных и способных, в свою очередь, они начинают работать более активно.Этот образ мышления может также проявляться в других желаемых формах поведения — таких как поиск отзывов о производительности, проявление большей организационной приверженности и принятие на себя ответственности за их улучшение.

Высокоэффективных работников также следует включить в свой режим тренировок и коучинг. Ежеквартальное исследование повышения эффективности после проверки опыта и срока пребывания в должности показало, что наставник по продажам показал среднее улучшение производительности от 2,9% до 6,2%. В конкурентной среде любой выигрыш может иметь огромное значение.

5. Никто не побеждает в одиночку. Добейтесь большего успеха в команде.

В конце концов, лучшие команды продаж — это просто команды. Независимо от того, насколько талантливы ваши отдельные высокопоставленные исполнители, никто не добьется успеха в одиночку. От первого холодного звонка до рассмотрения возражений по поводу продаж и окончательного заключения сделки — большинство из нас получало всевозможную поддержку на своем пути — помощь, которую мы часто принимаем как должное.

На определенном уровне каждый продавец получает административную или ИТ-поддержку, руководство от своих коллег и высшего руководства.Давайте также не упускать из виду поддержку, которую мы получаем от наших друзей и родственников. Никто не остров. Продавцы не должны пытаться действовать как единое целое.

Когда члены вашей команды добиваются успеха, напомните им о признании вклада других. По мере того, как они приобретают уверенность и опыт, поощряйте их делиться своим успехом. Показывая другим, как справляться с возражениями против продаж, мы укрепляем передовые методы организации и закладываем прочную основу для большей командной работы и взаимного уважения.

Все это самые желанные атрибуты динамичной команды продаж.

Рассмотрение возражений — это лишь небольшая часть процесса продажи. Узнайте, как улучшить каждый аспект вашего покупательского опыта.

Читать сейчас

12 главных возражений в сфере недвижимости после 2020 года: бесплатные сценарии (почти) для любой ситуации

Великие агенты по недвижимости знают, что возражение — это не более чем возможность, скрытая на виду. Фактически, рассмотрение возражений в сфере недвижимости с сочувствием и опытом может быть самым быстрым способом превратить незаинтересованных потенциальных клиентов в заинтересованных и лояльных клиентов.

Но с учетом того, что местные рынки и предпочтения при покупке жилья меняются с молниеносной скоростью, как вы запоминаете ответы на сотни различных ответов, защищенные от возражений?

Два слова: нет.

Несмотря на то, что существует бесчисленное множество вариантов возражений против недвижимого имущества, реальных причин для них немного. Все, что вам нужно сделать, это найти основную причину , по которой ваш потенциальный клиент сопротивляется, чтобы вы могли ответить на их самые важные вопросы и помочь им расслабиться.

В этой статье мы поделимся четырьмя основными типами возражений и двенадцатью сценариями, которые помогут вам создавать больше возможностей при каждом взаимодействии.Готовы пресечь эти возражения в зародыше и повысить свою прибыль? Давайте нырнем!

Содержание
  • Возражение о деньгах: преодоление возражений комиссии по недвижимости
  • Возражение «не на рынке»: реагирование на потенциальных клиентов, которые уже приняли решение
  • Возражение «другого агента»: Укрепление доверия и взаимопонимания с вашими потенциальными клиентами
  • Другие сценарии: как справиться с непредвиденными возражениями по поводу недвижимости

Как справиться с возражениями о недвижимости в эпоху неопределенности

Скрипты, которые вы собираетесь увидеть, являются ответами на сочетание классических возражений в сфере недвижимости, которые существуют уже несколько десятилетий, и новых, меняющих правила игры факторов, таких как влияние Zillow и влияние пандемии Covid-19.

Прежде чем мы перейдем к рассмотрению каждого из возражений и сценариев, мы хотели бы дать несколько советов от тренера по недвижимости и ведущего обработчика возражений Дейла Арчдекина.

Вот взгляд Дейла на обработку возражений в мире после 2020 года:

«Коронавирус научил всех нас новому уровню работы с возражениями в нашем бизнесе. Заявление «Я ничего не делаю, пока не закончится кризис» — довольно сложное утверждение для большинства продавцов или даже людей в целом.Нам пришлось действительно улучшить и усовершенствовать нашу способность не продавать, а вместо этого помогать и консультировать клиентов. Это требует, чтобы мы раскрыли истинные желания и потребности человека и согласовали это с реальными жизненными препятствиями. Такова природа современного профессионального продавца. Дело не в продажах, а в том, чтобы помочь людям добиться успеха, несмотря на невзгоды ».

Прежде чем взять трубку, помните, что мы все вместе. А если вам нужна помощь в создании стратегии продаж, отвечающей новым нормам, ознакомьтесь с нашей бесплатной ресурсной платформой, предназначенной только для пользователей, Conversion University.

Возражение о деньгах: преодоление возражений комиссии по недвижимости

Естественно, большинство ваших потенциальных клиентов захотят сэкономить. Проблема в том, что некоторые из них будут рассматривать агента по недвижимости как человека, который снимает свою тарелку.

Хорошая новость в том, что финансовое возражение может быть одним из самых простых для преодоления, если вы правильно разыграете свои карты. Давайте рассмотрим некоторые из различных форм возражения против денег.

1. «Можете ли вы снизить комиссию?»

Когда вы сталкиваетесь со сценарием «более низкой комиссии», естественный инстинкт состоит в том, чтобы начать доказывать свою ценность, объясняя, что вы делаете и почему вы этого стоите.

Но при этом может показаться, что вы извиняетесь.

Вместо того, чтобы превращать весь разговор в самопрезентацию, сосредоточьтесь на потенциальном клиенте и их главной цели : сэкономить деньги, работая с вами.

Проспект: Я не уверен, что могу позволить себе ваши услуги прямо сейчас. Может быть, мы могли бы изменить вашу комиссию?
Вы: Я понимаю ваше желание сэкономить больше денег, но позвольте мне спросить вас: хотите ли вы работать с агентом, который продает ваш дом, или с агентом, который продаст ваш дом за лучшая цена на рынке? На каждом этапе процесса я буду в вашем углу и буду следить за тем, чтобы вам заплатили справедливую цену, но я могу сделать это только тогда, когда знаю, что вы мне доверяете и знаете мою ценность.Хотите продать свой дом по лучшей цене?

2. «Другие агенты готовы брать меньше».

По правде говоря, в большинстве случаев других агентов нет. Потенциальные клиенты обычно предполагают, что они могут найти более дешевого агента, потому что многие рассматривают агентов по недвижимости как услугу, которую они могут получить в другом месте за меньшие деньги.

Ваша цель — переосмыслить их образ мышления. Покажите потенциальным клиентам, что вы не услуга, а возможность.

Проспект: я разговаривал с другими агентами. Я им нравлюсь, и они готовы снизить комиссию.
Вы: Понятно. Спасибо, что были со мной откровенны, и я прекрасно понимаю ваше намерение сэкономить. Я всегда честен со своими потенциальными клиентами, поэтому есть причина, по которой я не буду менять свою комиссию. Видите ли, когда я работаю с вами, я привожу к вашему порогу много перспективных покупателей. Но если честно, практически все желающие захотят его дешевле. Я намерен каждый раз договариваться о лучшей цене для вашего дома.В каком-то смысле я буду защищать свои доходы так же, как и ваши. Имеет ли это смысл? Если вам нужен кто-то в вашем углу, который не отступит, я вам предоставлю эту работу.

3. «Я сам хочу продать».

Это часто означает, что потенциальный клиент недооценил объем работы, которую делают агенты по недвижимости, чтобы продать дом.

Вероятно, они читали об этом процессе в Интернете и решили, что в конце концов он не кажется таким уж сложным.Или, может быть, у них был негативный опыт общения с агентом в прошлом. В любом случае, постарайтесь мягко раскрыть, почему они хотят продавать самостоятельно, и побудите их увидеть, как они могут выиграть больше, если они решат работать с вами.

Проспект: Честно говоря, мой дом настолько хорош, что я думаю, что смогу продать его самостоятельно. В конце концов, это всего лишь дворовая вывеска и пара телефонных звонков.
Вы: Эй, я скажу вам то же самое, что говорю всем, кто хочет продать свой дом самостоятельно: сделайте это.Потому что я знаю, что вы делаете это не ради денег. Моя работа — помочь вам получить лучшую цену за свой дом и заработать больше на продаже. Процесс продажи занимает довольно много времени, поэтому позвольте мне отправить вам чит, который я использую, чтобы все было организовано. Это на мне.

Или задайте вопрос, чтобы уточнить детали.

Вы: О, конечно! Послушайте, у вас отличный дом, и я думаю, вы сможете его довольно быстро продать. Единственный вопрос: по какой цене вы его выставите? [Если цена ниже рыночной, докажите, что вы можете заработать им больше денег / Если цена выше рыночной, объясните, как вы сэкономите время и деньги на листах с истекшим сроком действия.]

4. «Zillow говорит, что это того стоит …»

Мы все знаем, что на Zestimate нельзя положиться. Но нравится нам это или нет, Zillow — самая широко используемая платформа для недвижимости в мире, поэтому потенциальные клиенты склонны ей доверять.

Помните, даже если в этом сценарии вы будете лицом к лицу с Zillow, вы не должны рассматривать платформу как своего конкурента. Вместо этого представьте себя партнером Zillow, тем, кто помогает людям максимально использовать возможности платформы.

Как только вы завоюете доверие потенциального клиента, вы можете начать объяснять ему, почему Zestimate не является самой точной оценкой его собственности и что делает ваш выбор лучшим.

Проспект: Zillow говорит, что мой дом стоит 500 000 долларов.
Вы: Да, я видел этот Zestimate! Собственно, это то, что я хотел немного объяснить. В конце концов, в прошлом году мы перечислили 30 домов с помощью Zillow. Это отличная платформа. Но я хотел бы поделиться с вами, что для всех 30 домов начальная оценка Zestimate была не так, как минимум, на 15%.В одном случае на 40%. Почему? Потому что нет агентов Zillow, которые живут в этом районе или приходят к вам домой, чтобы оценить это! Zillow просто пытается вычислить среднерыночное значение на основе алгоритма. Но ваших покупателей не волнует Zestimate, потому что их агенты не обращают на это внимания. Если Zestimate на 15% ниже, вы потеряете 15% при продаже. Если он на 15% выше, никто не купит дом, и тогда вы потеряете деньги на переговорах. Разве вы не предпочтете просто продать свой дом по лучшей цене и получить как можно больше денег?
Ищете другие типы возражений продавца в отношении недвижимости? Проверьте 5 ответов риэлтора на наиболее частые возражения продавца .

Возражение «не на рынке». Отвечать лидам, которые уже приняли решение.

Лидеры по недвижимости могут поступать из любого количества источников, и в зависимости от их ситуации может быть много причин, по которым проспект в настоящее время решает уйти с рынка.

Попытайтесь раскрыть их текущую ситуацию. Следующие скрипты помогут вам выявить настоящую причину, по которой их нет в игре.

5. «Сдаю дом.”

Вековые споры об аренде и владении недвижимостью являются жесткими, если вы точно не знаете, почему люди предпочитают сдавать в аренду. Не кажется ли вам процесс покупки слишком напряженным? Они предпочитают гибкость справедливости?

Узнайте как можно больше о мышлении своих потенциальных клиентов и действуйте соответственно.

Проспект: Знаете, мне очень нравится то место, которое я сейчас снимаю.
Вы: Да, я видел это место, и оно мне тоже нравится! Однако позвольте мне спросить вас: зачем платить по чужой ипотеке, если вы можете заплатить за свою и получить еще лучший дом за меньшую сумму в месяц?

6.«Не думаю, что я готов».

Как и в случае с большинством возражений «нет на рынке», обычно можно понять, почему люди не думают, что готовы покупать или продавать.

Например, если вы обнаружите, что они думают, что могут получить недвижимость за большие деньги в будущем, покажите, как вы можете обеспечить большую ценность, даже до того, как начнется процесс продажи. Таким образом, никто не должен чувствовать, что он совершает что-то, к чему на самом деле не готов.

Проспект: мне нравится то, что вы говорите, но я не уверен, что готов к перечислению прямо сейчас. Мне нужно убраться в доме, подготовиться …
Вы: Это прекрасно. И я думаю, что это очень полезный подход, который поможет вам получить еще лучшую цену на распродаже. Так что нам не нужно сейчас это перечислять. Вместо этого, как насчет того, чтобы я подогрел для вас рынок? У меня есть несколько агентов-покупателей, которые могут быть заинтересованы в этой собственности. Я могу вызвать шумиху о вашей собственности, прежде чем она будет выставлена ​​на продажу и у вас уже будут определены квалифицированные покупатели.Как вы думаете, когда будете готовы?

7. «Не интересно».

Давайте будем честными. В большинстве случаев «не заинтересован» означает просто «не заинтересован в агентах». Как только вы обнаружите, что именно было плохим предыдущим опытом для потенциального клиента, обязательно вытащите это на свет и обратитесь к нему прямо в своей презентации.

Проспект: Не очень заинтересован в продаже моего дома сейчас. И я все равно не уверен, что хочу иметь дело с агентами.
Вы: Похоже, у вас был плохой опыт. Да, хорошо это или плохо, ваш опыт во многом зависит от агента, с которым вы работаете. Не возражаете, когда я спрашиваю, в чем проблема?

Совет для профессионалов: Докажите свою ценность, поддерживая связь с потенциальными клиентами более последовательно, чем любой другой агент в вашем регионе. С правильной торговой платформой оставаться на связи намного проще, чем вы думаете. Ознакомьтесь с нашим руководством по по выбору лучшей CRM для недвижимости , чтобы получить (в основном беспристрастный) обзор текущих инструментов автоматизации продаж, представленных на рынке.

Возражение «Другой агент»: построение доверия и взаимопонимания с вашими потенциальными клиентами

С этими возражениями лучше всего попытаться узнать, какие обязательства имеет потенциальный клиент и можете ли вы стать его частью или предложить лучший.

8. «Я уже поручил другому агенту».

Когда упоминаются другие агенты, всегда проверяйте, есть ли договоренность. После этого создайте свой кейс и не бойтесь немного посоревноваться.

Вы: Отлично! Вы уже подписали договор листинга? Вполне естественно иметь выбор, с каким агентом работать, и я думаю, что это единственный способ найти агента, который предложит вам наиболее выгодную сделку. Я хотел бы поделиться маркетинговым планом, который я составил для вашего дома. Что вы думаете об этом?

9. «Друг помогает мне …»

Дружба — это велика, и ее следует уважать. Но вы можете использовать их в своих интересах, когда станете частью обязательства.Например, продемонстрируйте, что вы можете помочь другу ваших потенциальных клиентов получить им самое лучшее предложение.

Вы: Вы обязаны своим друзьям дружбой, и я полностью понимаю это. Но если бы мои друзья хотели для меня самого лучшего, я думаю, они хотели бы, чтобы на меня работал лучший агент. Позвольте мне связаться с ними от вашего имени и предложить некоторую помощь!

Или вы можете попробовать следующий сценарий:

Вы: Я уверен, что ваши друзья сделают все возможное, чтобы помочь вам. Я могу только помочь этому делу.Могу ли я связаться с ними и узнать, могу ли я предоставить дополнительную ценность от вашего имени?

Другие сценарии: как справляться с непредвиденными возражениями по недвижимости

Некоторые возражения нелегко охарактеризовать, но с ними вы обязательно столкнетесь, обращаясь к потенциальным клиентам.

Вот несколько наиболее частых, но неожиданных возражений.

10. «Не уверен, что мой кредит позволяет».

Некоторые потенциальные клиенты хотят покупать или продавать, но у них просто не было нужной поддержки.Иногда все, что вам нужно, — это осторожно обучать потенциальных клиентов и стать частью решения.

Вы: Я искренне призываю вас не прекращать поиски лучшего дома из-за этого. Есть компании по ремонту кредитов, с которыми я работал, которые успешно помогли моим потенциальным клиентам повысить свои кредитные рейтинги. Вы хотите, чтобы я попросил [Компанию] посмотреть, что они могут сделать для вас?

11. Возражения, связанные с COVID-19

Нет никаких сомнений в том, что недавняя пандемия оказала очень реальное влияние на рынок недвижимости.

Процесс покупки и продажи дома вызывает стресс даже в лучшие времена, поэтому важно понимать, что ваши потенциальные клиенты могут испытывать дополнительные сомнения и беспокойство при покупке и продаже на нестабильном рынке.

Постарайтесь оказать максимально возможную поддержку перед тем, как участвовать в продаже. Расскажите своим потенциальным клиентам о том, как ведется бизнес в это время, устраните неопределенность и, прежде всего, не стесняйтесь предлагать свою помощь.

Проспект: Не уверен, что хочу что-то делать, пока этот кризис не пройдет.
Клиент: Совершенно верно! Поверьте, я не хочу добавлять в вашу тарелку. На самом деле, я хочу сделать это как можно проще. В настоящее время мы проводим виртуальные туры для наших продавцов и даем несколько советов о том, как повысить продажи во время еженедельных веб-семинаров. Хотите, я пришлю вам приглашение?

12. «Я не слышал ни о вас, ни о вашей компании!»

Есть иллюзия, что большие компании автоматически делают дела лучше.

Например, наиболее распространено мнение, что более крупные брокерские компании тратят больше денег на маркетинговые компании.Хотя это может быть правдой, если вы посчитаете все объекты недвижимости в их портфеле, это, вероятно, не так с точки зрения того, сколько они вкладывают в маркетинг отдельных домов.

Тщательно проинформируйте своих потенциальных клиентов и докажите, что все дело в агенте , а не в компании.

Вы: Видите ли, мне не нужно делиться своей комиссией с брокерской фирмой только для того, чтобы указать ее имя рядом с моим профилем. Поверьте, я потрачу гораздо больше времени и усилий, чтобы получить лучшее предложение для вашего дома, и я всегда буду на расстоянии одного телефонного звонка.На самом деле, как насчет того, чтобы мы обсудили подробный план продажи вашего дома завтра?

Помните, опытный агент по недвижимости видит каждое возражение как возможность. Рассмотрев основные возражения ваших потенциальных клиентов и доказав свою ценность, вы можете создать возможность, в которой многие другие агенты могли потерпеть неудачу.

Каковы наиболее частые возражения против использования цифровой рекламы?

Все больше и больше компаний включают цифровую рекламу в свои маркетинговые стратегии.Тем не менее, есть компании, которые еще не присоединились или, может быть, присоединились и им не понравились результаты.

Мы знаем, насколько важны цифровые технологии и насколько они могут повлиять на малый и средний бизнес, поэтому важно знать, как преодолевать возражения, когда клиент отказывается от вашего предложения.

Вот комбинация возражений, которые мы чаще всего слышим от наших партнеров, а также стратегии, которые помогут их преодолеть, и способы вернуть разговор в нужное русло.

«Когда я показываю рекламу на телевещании, я точно знаю, в какой программе она будет показываться, и я не могу знать это с помощью видеорекламы OTT или медийной рекламы»

  • Затем поговорите с этим клиентом о запуске медийной или видеорекламы на Facebook или Instagram, о плате за клик (реклама работает только в Google) или о SEO.

«Я не могу оправдать затраты x долларов на x количество кликов»

  • Вы должны оправдывать свои расходы не количеством кликов по объявлению, а скорее количеством потенциальных клиентов или увеличением продаж.
  • Продать этому клиенту что-нибудь с очень ощутимыми, прямо коррелированными результатами. Например; Mobile Conquesting ™, где мы отслеживаем посещения сайта; Рекламные объявления Facebook; Объявления с оплатой за клик с расширениями для потенциальных клиентов; и отслеживание конверсий, например заполнение формы для лида на их веб-сайте.
  • Вы должны оправдывать свои расходы не количеством кликов, полученных вашим объявлением, а количеством
    • .

«Все продают цифровые технологии, почему я должен делать это с вами?»

  • Расскажите о необычных продуктах, таких как Social Mirror ™ и реклама Amazon — вы всегда улучшаете свои предложения продуктов.
  • Расскажите о клиентах, для которых вы работали с цифровыми технологиями, и об их успехах.
  • Расскажите о своем цифровом опыте. Вы получаете «меня», мою преданность делу и знания.
  • Я всегда готов стать вашим гуру маркетинга, помочь вам в этом процессе и ответить на ваши вопросы.
  • Мы будем отслеживать определенные показатели из ваших кампаний, чтобы показывать вам каждый месяц, например, конверсии на вашем веб-сайте и просмотры по посещениям. Мы даже можем предложить функцию Live Chat для отслеживания потенциальных клиентов.
  • Мы работаем с 444 частными торговыми площадками (PMP) и 1385 рекламными биржами через наших партнеров по платформам со стороны спроса (DSP), чтобы у нас был доступ к людям, которых вы хотите привлечь с помощью своей рекламы.

«Я не хочу сейчас тратить на рекламу, потому что не знаю, какие продукты у меня будут в наличии»

  • Важно, чтобы ваш бренд был в центре внимания общественности. Ваша реклама должна быть больше ориентирована на сообщение, а не на продукт.
  • Опрос пользователей Twitter обнаружил:
  • 64% заявили, что бренды должны продолжать рекламировать свою продукцию в обычном режиме
  • 52% согласны с тем, что просмотр / прослушивание рекламы дает им ощущение нормальности
  • 77% согласились, что они более позитивно относятся к брендам, которые в настоящее время прилагают усилия для поддержки общества

«Какой процент от того, что я плачу вам, идет на рекламу и какова ваша прибыль?»

  • Единственный продукт, по которому я могу дать вам фиксированный ответ, — это если вы используете Google Pay Per Click, мы взимаем с вас 30% комиссию за управление.
  • Для всех других наших рекламных продуктов все оценивается по цене за тысячу показов, которую мы взимаем с вас как фиксированную ставку. Однако мы платим сильно колеблющуюся ставку при использовании ставок в реальном времени / программных покупок, что означает, что маржа часто колеблется в зависимости от того, на кого мы ориентируемся и какой продукт.
  • Наша цель — предоставить нашим клиентам фиксированную стоимость за тысячу показов, чтобы вы ТОЧНО знали, сколько вы платите каждый месяц, чтобы мы могли работать и накапливать затраты на производство вашей рекламы, покупку, оптимизацию и отчетность.
  • Если мы когда-нибудь запустим больше показов — они бесплатны, — тем более вам вернут деньги, чтобы вы точно знали, что получаете, еще до того, как мы начнем.
  • Вы раскрываете своим клиентам размер своей прибыли?

«Я (кредитный союз, банк, финансовая компания, риэлтор, компания по недвижимости) и слышал, что больше не могу размещать рекламу в Google и Facebook»

  • Google и Facebook внедрили новые правила, которые ограничивают некоторые типы таргетинга, если вы финансовая или жилищная компания (применимо также к объявлениям о найме:
  • Вы не можете настроить таргетинг по возрасту, семейному доходу, полу, семейному положению или почтовому индексу.Однако мы можем нацеливаться на город, штат или радиус (мин. 15 миль).
  • Все остальные категории таргетинга остаются доступными.
  • Это применимо только для этих платформ (Facebook, Instagram, PPC и YouTube) — ВСЕ категории остаются доступными для использования с другими нашими продуктами.

«Мне нужно настроить таргетинг на людей, говорящих на ________ языке или проживающих за пределами США в ________»

  • Нет проблем — мы можем ориентироваться на людей, говорящих на разных языках, как в США, так и в других странах.

«Зачем мне платить более высокую цену за тысячу показов, чтобы использовать медийную рекламу с Amazon Targeting, чтобы быть на некоторых из тех же веб-сайтов, на которых я могу быть, за более низкую цену в минуту при обычном отображении?»

  • Сеть Amazon Publishers ДЕЙСТВИТЕЛЬНО включает многие веб-сайты, которые мы покупаем для регулярного показа, такие как CNN. Разница в том, что вы платите за конкретного ПОЛЬЗОВАТЕЛЯ AMAZON, когда он заходит на этот веб-сайт.
  • Сеть Amazon Publishers также включает множество функций, недоступных для других наших продуктов.

«Я понятия не имею, сколько мне нужно потратить, чтобы увидеть результаты»

  • Обсуждение географической области, на которую клиент хочет нацелиться. Он маленький (один почтовый индекс или радиус нескольких миль) или большой (весь город, несколько почтовых индексов, большой радиус)?
  • Обсудите диапазон цен на продукты и то, как определенные продукты стоят больше или меньше в зависимости от того, какие из них интересуют клиента.
  • Используйте график прогнозирования показов в Планировщике кампании, чтобы обосновать расходы на рекламу.

«Я нервничаю из-за цифровой рекламы из-за всех законов о конфиденциальности. Как мне узнать, что является законным?»

  • Все рекламные биржи, на которых мы покупаем, соответствуют всем законам и руководящим принципам, касающимся конфиденциальности пользователей и клиентов (например, не раскрывают данные рекламодателя и конфиденциальную информацию другим рекламодателям).
  • Независимо от того, занимаетесь ли вы цифровой рекламой или нет, у вас должна быть Политика конфиденциальности на вашем веб-сайте, в которой описывается, как вы храните и собираете данные (т.д., формы для связи с нами, подписка на рассылку новостей, отслеживание Google Analytics и т. д.)
  • Существуют онлайн-генераторы Политики конфиденциальности, которые клиент может использовать для ее создания.
  • Если у вашего клиента есть конкретный вопрос по поводу ATT Apple, прекращения поддержки файлов cookie Google и т. Д., У нас есть ответы на часто задаваемые вопросы!

«Меня не волнуют показы, мне нужны клики»

  • Измерение эффективности рекламной кампании по количеству кликов — устаревший показатель: клики не равны продажам.Менее 1 человека из 1000 нажимают на объявление (0,07%).
  • Клик бессмысленен, если он не приводит к конверсии. Мы отслеживаем любые конверсии, которые вы хотите.
  • Вы платите за многократный таргетинг своей рекламы на определенную аудиторию, которая, вероятно, купит ваш продукт или услугу — точно так же, как если бы вы поступали с теле- или радиорекламой.
  • Плата «за клик» стоит дорого, особенно если человек не совершает конверсию.
  • Единственный истинный показатель эффективности любой рекламы — это количество продаж.

«Если никто не нажимает на рекламу, зачем мне покупать цифровую рекламу?»

  • То, что кто-то не нажал кнопку, не означает, что объявление не зарегистрировано у человека. Исследования айтрекинга доказывают, что люди замечают цифровую рекламу!
  • В центре внимания цифровой рекламы — показ вашей рекламы нужным людям и побуждение их покупать у вас. Это может быть то, что они направили их на ваш веб-сайт, или попросили их позвонить, или пришли к вам в офис.

«Почему я не могу сделать это за 500 долларов в месяц?»

  • Объясните потенциальному клиенту: «Мы хотим дать вам максимальные шансы на успех, и мы обнаружили, что меньшие инвестиции, чем это, имеют меньше шансов на получение результатов».
  • «Я не собираюсь брать ваши деньги, если я не считаю, что они подходят для того, что вы пытаетесь достичь».
  • Стоит ли тратить время на погоню за аккаунтами, которые не могут обеспечить приличный уровень расходов?
  • Один из наших самых маленьких рынков является одним из наших лидеров по объему выставленных счетов.Если потенциальные клиенты говорят, что у них недостаточно денег, значит, вы либо не осознали потребности, либо говорите не с тем потенциальным клиентом.
  • Низкие $ кампании = без продлений.

«Почему я не могу сделать это в течение месяца и проверить результаты?»

  • Если у вас нет большого бюджета, вы не увидите значительных результатов в первый месяц. Это процесс, очень похожий на процесс SEO.
  • Вы охватываете очень целевую аудиторию ваших потенциальных клиентов, этим людям нужно видеть рекламу как можно больше раз.
  • В рамках этого трехмесячного обязательства вы и мы можем внести изменения в зависимости от того, что работает лучше всего. Оптимизируем.
  • По мере продвижения кампании алгоритмы бирж обучаются и могут лучше предсказывать, кто будет реагировать на рекламу, на основе предыдущей эффективности.
  • Digital — это частотный носитель. Чем больше кто-то видит рекламу, тем больше у него шансов сделать следующий шаг.

Вам нужна частота, чтобы пробить рекламный «шум»

«Я нацелен на компании, а не на потребителей, поэтому цифровая реклама мне не поможет, так как я занимаюсь B2B»

  • Используйте презентацию возможностей клиента B2B, чтобы показать все способы, которыми мы можем ориентироваться на определенные типы предприятий и должности.
  • Сообщите своим потенциальным клиентам, что национальные расходы на цифровую рекламу B2B выросли в 2020 году по сравнению с 2019 годом!

«Мы делаем только объявления с платой за клик / платные поисковые объявления»

  • Довольны ли вы результатами, которые видите? Кто-нибудь вместе с вами просматривает ежемесячные отчеты?
  • Оптимизируются ли ваша кампания и ключевые слова?
  • Какая плата за управление взимается с вас?
  • Используете ли вы в своих объявлениях расширения, такие как адреса, номера телефонов, формы для потенциальных клиентов или объявления только с номером телефона?
  • Вы размещаете ТОЛЬКО рекламу с оплатой за клик, а не другие виды цифровой рекламы?
  • Платные поисковые объявления охватывают только 5% пользователей, которые нажимают на поисковые объявления. Могу ли я показать вам несколько способов привлечь людей, нажимающих на обычные результаты? (Таргетинг на ключевые слова)
  • Люди, которые нажимают на объявления с оплатой за клик, находятся внизу воронки покупки, они готовы принять решение.Как добраться до людей, находящихся на вершине и середине пути к покупке?
  • Люди будут нажимать на платную поисковую рекламу, только если они знают ваш бренд — как вы даете людям понять, кто вы и что вы предлагаете?
  • Вы получаете много потенциальных клиентов или много кликов? Клики не означают конверсии / продажи — вы должны отслеживать, сколько из этих кликов на самом деле приводит к конверсиям.

«Вы дороже своего конкурента»

  • Вы сравниваете яблоки с яблоками? Многие цифровые продукты звучат одинаково, но сильно отличаются.
  • Например, если вы покупаете газету в цифровом формате, это может быть дешевле, потому что большинство показов происходит на веб-сайте их газеты.
  • Какие отчеты вы получаете?
  • Вы отслеживаете и получаете конверсии?
  • Кто-нибудь просматривает результаты вместе с вами?
  • Получаете ли вы качественный инвентарь?
  • С цифровыми технологиями, как и с большинством вещей, вы получаете то, за что платите. Если дешево, на то есть причина.
  • Для некоторых потенциальных клиентов было бы разумно попросить их попробовать дешевого конкурента, а затем проверить их через месяц или два и спросить, работает ли он.

«Я никогда не вижу свою рекламу на веб-сайте»

  • Можно, но маловероятно.
  • Назначение ставок в реальном времени означает, что мы делаем ставки «в реальном времени», без возможности предсказать, где будут выполнены показы в точное время.
  • Доступны миллионы показов объявлений, и ваш бюджет составляет небольшой процент от этих миллионов показов.
  • Мы не выигрываем все показы и не делаем ставки на все доступные показы.
  • Вы будете получать подробные ежемесячные отчеты, в которых будет отображаться множество различных показателей, включая конверсии на вашем веб-сайте.
  • Вы также можете отслеживать трафик в Google Analytics и в профиле Google My Business.
  • Хотите сделать снимок экрана вашего объявления на веб-сайте?

«Цифровая реклама не сообщает мне, становятся ли люди, видящие мою рекламу, покупателями», иначе «Как вы можете доказать, что это работает?»

  • Как вы в настоящее время отслеживаете свою рекламу, чтобы определить, сколько людей превращаются в клиентов и что «это работает»?
  • Google Analytics.
  • Что мы можем отследить.Конверсии на сайте. Чем больше человек заинтересован на веб-сайте, тем больше у него шансов стать его клиентом.
  • Привлечение трафика на ваш сайт помогает вашему органическому SEO.
  • Речь идет не только о посещаемости веб-сайта, о том, чтобы показать ваше рекламное сообщение нужным людям, как и в других рекламных носителях.
  • Digital лучше отслеживается, чем другие типы рекламных носителей.
  • Мы можем сопоставлять отчеты с вашим «проданным списком», если мы используем предоставленный вами список людей для таргетинга с помощью HHIP, Facebook Custom Audience, Amazon Custom Audience, Mobile Conquesting ™ Address Targeting или Native Email Matching.Отслеживание посещений на месте с помощью Mobile Conquesting ™.
  • Facebook Lead Ads / PPC Lead Extensions

«Мы работаем с поставщиком цифровой рекламы, который специализируется на нашей отрасли»

  • Получаете ли вы желаемый результат?
  • Насколько оперативно и своевременно компания реагирует, когда вам что-то нужно?
  • Наша партнерская технологическая компания имеет опыт проведения кампаний для вашего типа бизнеса по всей стране.
  • Хотели бы вы поделиться со мной тем, что вы делаете с ними, и я могу сравнить и сопоставить это с тем, что мы предлагаем?

«Ваше SEO дороже других»

  • Что входит в вашу SEO-кампанию?
  • На странице и вне страницы оптимизация?
  • Оптимизация Google Мой бизнес?
  • Только каталоги и объявления?
  • Оптимизируется ли он для голосового поиска?
  • Управление репутацией?
  • Отчетность?
  • Прошлые результаты от этого поставщика?
  • Есть ли на вашем сайте виджет обзора?
  • Включает ли это отправку запросов на проверку в ваш список адресов электронной почты прошлых клиентов?

«Я спрашивал людей, как они узнали о нас, но никто не говорит о цифровой рекламе.”

Почему спрашивают клиента: «Как вы узнали о нас?» Не работает…

Из книги Майкла Корбетта «33 безжалостных правила местной рекламы».

– Правило №16: не спрашивайте клиентов, что их привело

Большинство рекламодателей пытаются отслеживать результаты, спрашивая своих клиентов, что их привело. Позвольте нам поделиться опытом: когда Майкл только начинал заниматься рекламой, он отвечал за успешное торжественное открытие нового «пиломатериала». хранить.Это был полноценный магазин, в котором было почти все, что только можно вообразить. Майкл, его босс и владелец магазина стояли у парадной двери этого огромного заведения и опрашивали покупателей, когда они входили на выходных, посвященных торжественному открытию. Когда они вошли в магазин, каждого покупателя спросили: «Что вас привело?» Примерно 50% сказали о радио, 30% сказали о телевидении и 20% сказали о газете.

Больше всего участников опроса интересовало то, что они никогда не показывали рекламу по телевидению. О торжественном открытии говорилось только по радио и в газетах.Как могло случиться так, что 30% людей, пришедших в этот магазин в те выходные, сказали, что видели рекламу там, где ее никогда не было? И когда их спросили о том, насколько они уверены, они были уверены.

Поговорив с множеством местных рекламодателей, у которых был аналогичный опыт, когда они опрашивали своих клиентов, пытаясь оценить эффективность их рекламы, мы узнали кое-что об опросах и о людях, а также о том, что нельзя делать с результаты опроса:

  • Люди не знают, что их привело.
  • Люди не знают, что не знают, что их привело.
  • Людям не нравится незнание, что их привело, и они хотят быть полезными, поэтому они все придумывают.
  • Никогда не меняйте планы размещения рекламы в нескольких СМИ на основании того, что люди говорят, что их привлекло.

Единственный надежный способ оценить эффективность рекламы — это установить измеримые цели роста вашего бизнеса и отслеживать результаты в кассовом аппарате. Период.”

«Раньше я пробовал использовать цифровой формат, и он не работал»

  • Какой цифровой рекламой вы занимались? Сотни видов цифровой рекламы.
  • Как это было нацелено?
  • Как долго вы этим занимались и с каким бюджетом?
  • Каким был призыв к действию в рекламном объявлении?
  • Как вы это отследили? Откуда вы знаете, что это не сработало?
  • Digital действительно работает для местных предприятий, они не стали бы покупать, если бы это не работало.

«Мы получаем отличные результаты от Boosted Post, и это стоит меньше»

  • Вы видите рост продаж или конверсий или просто получаете много лайков?

Что вы делаете, чтобы обойти привратника, который говорит: «Нам это не интересно»?

  • Используйте действительную бизнес-причину, вставляя категории, относящиеся к их типу бизнеса, в котором они будут заинтересованы.(Найдите их список на вашем общем диске в папке «Prospecting»)
  • Посмотрите на их веб-сайте предстоящие распродажи или акции, создайте непосредственность.
  • Обсуждение решений, а не продуктов.
  • Сначала продайте привратника и создайте внутренний карет.
  • Напишите историю успеха по электронной почте.

«Мы довольны тем, кем пользуемся сейчас»

  • Тогда вы познаете всю мощь цифровых технологий!
  • У нас есть несколько уникальных продуктов, и мы делаем некоторые вещи иначе, чем другие поставщики цифровых услуг.
  • Могу я показать вам, что у нас есть, и что вы можете сравнить и сопоставить?

«Мы выполняем всю цифровую работу дома»

  • Какие виды цифровой рекламной продукции вы используете?
  • Мы можем делать некоторые вещи, которые отличаются от того, что делаете вы, могу я вам показать?
  • Управление цифровыми рекламными кампаниями занимает много времени — мы можем с этим помочь.
  • У нас есть возможность управлять сотнями и сотнями кампаний.
  • Мы следим за изменениями в продуктах, новых продуктах и ​​изменениями алгоритмов
  • «Можно» или «Должно»

«Мне не нравится агрессивность цифровой рекламы»

«Реклама раздражает»

  • Даже если вам это не нравится, ваши конкуренты используют это и имеют преимущество перед вами. Кроме того, большинству потребителей нравится персонализированная реклама:

«Мой рекламный бюджет выделен на другие средства массовой информации, и он работает»

  • Если вы не привлекаете людей в Интернете с помощью цифровой рекламы, вы упускаете важный способ общения с потенциальными клиентами.
  • Цифровая реклама работает с традиционными СМИ, обеспечивая частоту целевого сообщения .

«У меня плохой веб-сайт»

  • Большинство людей, заходя на веб-сайт, ищут часы работы, номер телефона, адрес и / или страницу контактов. Есть ли у вашего сайта основы?
  • Люди заходят на ваш сайт, хотите вы этого или нет. Никакая реклама не улучшит ситуацию.Если все так плохо, сними.
  • Используйте или создайте бизнес-страницу Facebook и привлекайте туда людей, пока не получите лучший веб-сайт.

8 лучших алгоритмов обнаружения объектов, которые нужно знать

Обнаружение объектов стало свидетелем быстрых революционных изменений в области компьютерного зрения. Его участие в сочетании классификации объектов и их локализации делает эту тему одной из самых сложных тем в области компьютерного зрения.Проще говоря, цель этого метода обнаружения состоит в том, чтобы определить, где находятся объекты на данном изображении, что называется локализацией объекта, и к какой категории принадлежит каждый объект, что называется классификацией объектов.

В этой статье мы перечисляем 8 лучших алгоритмов обнаружения объектов, которые необходимо знать.

  Зарегистрируйтесь на наш предстоящий мастер-класс >>

(список в алфавитном порядке)

1 | Быстрый R-CNN

Написано на Python и C ++ (Caffe), метод Fast Region-Based Convolutional Network или Fast R-CNN — это обучающий алгоритм для обнаружения объектов.Этот алгоритм в основном устраняет недостатки R-CNN и SPPnet, улучшая их скорость и точность.

Преимущества Fast R-CNN: —

  • Более высокое качество обнаружения (mAP), чем R-CNN, SPPnet
  • Обучение является одноэтапным, с использованием потери многозадачности
  • Обучение может обновлять все сетевые уровни
  • Для кэширования функций не требуется дискового хранилища

Щелкните здесь, чтобы узнать больше.

2 | Быстрее R-CNN

Faster R-CNN — это алгоритм обнаружения объектов, похожий на R-CNN.В этом алгоритме используется сеть региональных предложений (RPN), которая использует сверточные функции полного изображения с сетью обнаружения более экономичным способом, чем R-CNN и Fast R-CNN. Сеть предложений регионов — это, по сути, полностью сверточная сеть, которая одновременно прогнозирует границы объекта, а также оценки объектности в каждой позиции объекта и проходит сквозное обучение для генерации предложений регионов высокого качества, которые затем используются Fast R -CNN для обнаружения объектов.

Щелкните здесь, чтобы узнать больше.

3 | Гистограмма ориентированных градиентов (HOG)

Гистограмма ориентированных градиентов (HOG) — это в основном дескриптор функции, который используется для обнаружения объектов при обработке изображений и других методах компьютерного зрения. Метод дескриптора гистограммы ориентированных градиентов включает в себя вхождения ориентации градиента в локализованных частях изображения, таких как окно обнаружения, интересующая область (ROI), среди прочего. Одним из преимуществ HOG-подобных функций является их простота и более легкое понимание информации, которую они несут.

Щелкните здесь, чтобы узнать больше.

4 | Региональные сверточные нейронные сети (R-CNN)

Метод сверточной сети на основе регионов (RCNN) представляет собой комбинацию предложений регионов со сверточными нейронными сетями (CNN). R-CNN помогает в локализации объектов с помощью глубокой сети и обучении высокопроизводительной модели только с небольшим количеством аннотированных данных обнаружения. Превосходная точность обнаружения объектов достигается за счет использования глубокой ConvNet для классификации предложений по объектам.R-CNN может масштабироваться до тысяч классов объектов, не прибегая к приблизительным методам, включая хеширование.

Щелкните здесь, чтобы узнать больше.

5 | Полностью сверточная сеть на основе регионов (R-FCN)

Полностью сверточные сети на основе области или R-FCN — это детектор на основе области для обнаружения объектов. В отличие от других детекторов на основе области, которые применяют дорогостоящую подсеть для каждой области, такую ​​как Fast R-CNN или Faster R-CNN, этот детектор на основе области является полностью сверточным, и почти все вычисления используются для всего изображения.

R-FCN состоит из совместно используемых полностью сверточных архитектур, как и в случае FCN, который, как известно, дает лучший результат, чем Faster R-CNN. В этом алгоритме все обучаемые весовые уровни являются сверточными и предназначены для классификации областей интереса по категориям объектов и фонам.

Щелкните здесь, чтобы узнать больше.

6 | Детектор одиночного выстрела (SSD)

Single Shot Detector (SSD) — это метод обнаружения объектов на изображениях с использованием одной глубокой нейронной сети.Подход SSD разделяет выходное пространство ограничивающих рамок на набор рамок по умолчанию с разными соотношениями сторон. После разделения метод масштабируется в соответствии с местоположением на карте объектов. Сеть Single Shot Detector объединяет прогнозы из нескольких карт объектов с разным разрешением для естественной обработки объектов различных размеров.

Смотрите также

Преимущества SSD: —

  • SSD полностью исключает создание предложения и последующие этапы повторной выборки пикселей или функций и инкапсулирует все вычисления в единой сети.
  • Простота обучения и простота интеграции в системы, требующие компонента обнаружения.
  • SSD имеет конкурентоспособную точность по сравнению с методами, использующими дополнительный этап предложения объекта, и он намного быстрее, обеспечивая единую структуру как для обучения, так и для вывода.

Щелкните здесь, чтобы узнать больше.

7 | Объединение пространственных пирамид (SPP-net)

Spatial Pyramid Pooling (SPP-net) — это сетевая структура, которая может генерировать представление фиксированной длины независимо от размера / масштаба изображения.Считается, что объединение пирамид устойчиво к деформациям объектов, а SPP-net улучшает все методы классификации изображений на основе CNN. Используя SPP-net, исследователи могут вычислить карты признаков всего изображения только один раз, а затем объединить объекты в произвольных областях (суб-изображениях), чтобы сгенерировать представления фиксированной длины для обучения детекторов. Этот метод позволяет избежать повторного вычисления сверточных функций.

Щелкните здесь, чтобы узнать больше.

8 | ЙОЛО (Ты смотришь один раз)

You Only Look Once или YOLO — один из популярных алгоритмов обнаружения объектов, используемых исследователями по всему миру.По словам исследователей из Facebook AI Research, унифицированная архитектура YOLO работает очень быстро. Базовая модель YOLO обрабатывает изображения в режиме реального времени со скоростью 45 кадров в секунду, в то время как меньшая версия сети Fast YOLO обрабатывает поразительные 155 кадров в секунду, при этом достигая при этом вдвое большей карты доступа по сравнению с другими детекторами реального времени. Этот алгоритм превосходит другие методы обнаружения, включая DPM и R-CNN, при обобщении естественных изображений на другие области, такие как произведения искусства.

Щелкните здесь, чтобы узнать больше.

Завершение

Ассоциация ученых-данных (ADaSci), ведущая глобальная профессиональная организация специалистов в области науки о данных и машинного обучения, объявляет о запуске своей полностью виртуальной онлайн-конференции Computer Vision DEVCON или CVDC 2020 для энтузиастов компьютерного зрения по всему миру. Эта двухдневная конференция призвана объединить практиков и новаторов в области компьютерного зрения на единой платформе, чтобы поделиться и обсудить последние разработки в этой области.Конференция будет проходить виртуально 13-14 августа 2020 года .

Присоединяйтесь к нашему серверу Discord. Станьте частью интересного онлайн-сообщества. Присоединиться здесь.

Подпишитесь на нашу рассылку новостей

Получайте последние обновления и актуальные предложения, поделившись своей электронной почтой. Амбика Чоудхури

Технический журналист, который любит писать о машинном обучении и искусственном интеллекте. Любитель музыки, сочинения и обучения чему-то нестандартному.

Обработка возражений и использование методов закрытия

Современный процесс продаж завораживает.Как только вы определитесь с правильными методами для каждого шага, вы начнете увеличивать объем продаж, и у вас будет больше времени работать со своими потенциальными клиентами.

В наши дни у клиентов так много ресурсов для исследования покупок, что они склонны затягивать процесс продажи. Во время разговора о продажах хорошо изученные клиенты могут иметь больше возражений, когда продавцы представляют решения. Однако некоторым продавцам не нравится эволюция этого процесса, потому что они не знают, как использовать возражения в своих интересах.

Вот сделка:

Дело в том, что возражения хорошие. Возражения указывают на интерес. А успешные продажи вызывают вдвое больше возражений, чем неудачные.

Для эффективного рассмотрения возражений вы должны выслушать их полностью, не перебивая. Помните, что слушание укрепляет доверие, даже если есть возражения.

Похвалите возражение, сказав: «Хороший вопрос! Дай мне посмотреть, смогу ли я тебе ответить.

Как работать с возражениями против продаж

Вот три ответа, которые вы можете использовать на любое возражение.

1) Что ты имеешь в виду?

Сначала вы можете сделать паузу, улыбнуться, а затем спросить: «Что вы имеете в виду?» На этот вопрос практически невозможно не ответить. Вы можете использовать его снова и снова. «Что ты имеешь в виду?» Или «Как именно?»

2) У вас есть веская причина?

Другим ответом на возражение может быть: «Очевидно, у вас есть веская причина так сказать, не возражаете, если я спрошу, что это?» Часто у клиента нет веской причины для возражения, и это поможет прояснить это.

3) Метод «пощупай, почувствуй найденный»

Третий способ справиться с возражениями — использовать метод «Почувствовал, почувствовал, нашел».

Когда клиент говорит что-то вроде «Это слишком дорого», вы можете сказать «Я точно понимаю, что вы чувствуете. Другие почувствовали то же самое, когда впервые услышали цену. Но это то, что они обнаружили, когда начали использовать наш продукт или услугу ». Затем вы объясняете, что выгоды для клиента значительно превышают добавленные затраты, которые клиент должен заплатить.

И последнее по поводу возражений. 94% продаж в Америке осуществляется на неценовой основе. Практически каждое возражение, основанное на цене, делается не по цене. Ваша задача — найти настоящую причину.

10 способов заставить процесс продаж работать на вас

Посмотрите это короткое видео, чтобы получить 10 советов, как стать лучшим продавцом.

Знать методы закрытия

Ваша способность запросить заказ в конце презентации или в конце процесса продажи абсолютно необходима для вашего успеха.К счастью, десятки тысяч разговоров о продажах были записаны на видео, и теперь мы точно знаем, как в большинстве случаев наиболее высокооплачиваемые продавцы закрывают продажи.

Вы можете использовать три метода.

Перед тем, как закрыть сделку, вы задаете вопрос: «У вас есть какие-либо вопросы или проблемы, на которые я пока не ответил?» Если покупатель говорит: «Нет», , вы можете наклониться вперед и с уверенностью спросить о решении о покупке.

«Попробуйте»

Первый способ запросить решение о покупке — самый простой из всех.Вы скажете : «Тогда почему бы вам не попробовать?» Это одна из обезоруживающих эффективных техник закрытия. Или вы можете сказать «Почему бы вам не попробовать?» Или вы даже можете сказать «Почему ты не берешь?» Затем вы усилите это, добавив слова «А я позабочусь обо всех деталях».

Часто клиент не знал, насколько он или она этого хочет, пока вы не предложили позаботиться обо всех деталях.

«Директива закрытия»

Второй метод, который вы можете использовать, называется «Директивное закрытие».Вы используете эти слова: «Что ж, следующий шаг — это». Затем вы описываете план действий и завершаете продажу, как если бы человек сказал: «Я возьму!» Вы также добавите слова «А я позабочусь обо всех деталях».

Это один из самых популярных методов закрытия, используемых наиболее высокооплачиваемыми продавцами во всех отраслях.

Золотое правило продаж (видео)

«Завершение авторизации»

Еще один из популярных методов закрытия называется «Авторизационное закрытие».В конце разговора о продажах вы берете форму заказа, ставите галочку рядом с линией подписи, проталкиваете форму заказа через стол и произносите следующие слова: : «Что ж, если вы просто разрешите это, мы приступим прямо сейчас! »

Иногда покупатель не знал, насколько сильно он или она этого хочет, пока вы не предложили начать работу, «прямо сейчас».

Помните, будущее принадлежит «Аскерам». Будущее принадлежит людям, которые просят о встречах, спрашивают информацию и просят о порядке.

Никогда не бойтесь просить о том, чего вы хотите. Это ключ к продажам.

Считайте каждую минуту

Ваш самый ценный ресурс — ваше время. Это все, что вам нужно продать. Фактически, весь ваш образ жизни сегодня, ваш дом, ваша машина, ваш банковский счет и так далее — это результат того, как вы торговали своим временем в прошлом.

Лучше всего использовать свое время, чтобы повысить свою способность зарабатывать. Это улучшение в ваших ключевых областях результатов.

Вы должны заплатить любую цену, принести любые жертвы и преодолеть любые препятствия на пути к абсолютному совершенству в продажах, чтобы повысить свою способность зарабатывать, чтобы год за годом наслаждаться прекрасным уровнем жизни.

Процесс продаж: Правило 80/20

Правило 80/20 гласит, что на 20% ваших действий будет приходиться 80% ваших результатов.

20% ваших потенциальных клиентов будут составлять 80% ваших клиентов.

На 20% ваших клиентов будет приходиться 80% ваших продаж.

20% ваших продуктов и услуг будут составлять 80% вашего объема продаж и так далее.

Проще говоря, вы всегда должны сосредотачивать свое время и энергию на нескольких вещах, на 20% вещей, которые могут иметь решающее значение в вашей жизни. Ваша способность делать это гарантирует вам большой успех. Неспособность сосредоточиться на 20% лучших — основная причина неудач, разочарований и неуспеваемости в профессии продавца.

Ежедневно составляйте список перед тем, как приступить к работе.Составьте свой список на основе правила 80/20 . Начните с первых 20% задач и выполняйте их, пока они не будут выполнены.

Ваша воронка продаж

Профессиональные продажи состоят из трех частей. Они были одинаковыми на протяжении всех веков человечества. Они должны искать, представлять и следить. Эти три части составляют воронку продаж.

На вершине воронки продаж у вас есть потенциальные клиенты. Допустим, вам нужно привлечь 20 человек, чтобы получить пять презентаций.В середине воронки продаж, которую вы представили. Допустим, вам нужно сделать пять презентаций, чтобы получить два продолжения. Внизу воронки продаж — продолжение и закрытие. Допустим, вам нужно следить за двумя потенциальными клиентами, чтобы получить одну продажу.

Тратьте 80% своего времени на поиски и презентации и тратите только 20% на отслеживание. И не путайте их. У вас должно быть гораздо больше потенциальных клиентов в вашей воронке, чем у вас будет времени, чтобы увидеть, если вы работаете весь день.Никогда не позволяйте себе терять перспективы. Держите свою воронку продаж заполненной. Помните, что вам нужно пройти через множество потенциальных клиентов, чтобы получить очень мало продаж.

Спасибо за то, что прочитали эту статью о правильных методах закрытия и поддержании полной воронки продаж. Поделитесь и прокомментируйте ниже!

Связано: 30 коммерческих предложений для мотивации вашей команды к более эффективным продажам в 2019 году

«Предыдущий пост
Достигайте целей с помощью стратегического планирования Следующее сообщение »
успешных людей обладают самодисциплиной

О Брайане Трейси — Брайан сегодня признан лучшим специалистом в области обучения продажам и личным успехом в мире.Он является автором более 60 книг и выпустил более 500 аудио и видео обучающих программ по продажам, менеджменту, успеху в бизнесе и личностному развитию, включая всемирный бестселлер «Психология достижений». Цель Брайана — помочь вам достичь личных и деловых целей быстрее и проще, чем вы могли себе представить. Вы можете подписаться на него в Google+, Twitter, Facebook, Pinterest, Linkedin и Youtube.

границ | Алгоритм обучения нейронных сетей на резистивных массивах устройств

Введение

В последние несколько лет глубокие нейронные сети (DNN) (LeCun et al., 2015) добились огромных успехов, в некоторых случаях превосходя показатели человеческого уровня, решая сложные проблемы, такие как распознавание речи (Hinton et al., 2012; Ravanelli et al., 2017), обработка естественного языка (Collobert et al., 2012; Jozefowicz et al., 2016), классификации изображений (Krizhevsky et al., 2012; He et al., 2015a, b; Chen et al., 2017) и машинного перевода (Wu, 2016). Однако обучение больших DNN — это трудоемкая и вычислительно-интенсивная задача, которая требует вычислительных ресурсов в масштабе центра обработки данных, состоящих из современных графических процессоров (Крижевский и др., 2012; Coates et al., 2013). Было много попыток ускорить рабочие нагрузки глубокого обучения за пределами графических процессоров путем разработки специального оборудования с использованием арифметики с пониженной точностью для повышения пропускной способности и энергоэффективности лежащей в основе технологии CMOS (Gupta et al., 2015). В качестве альтернативы цифровым подходам предлагаются массивы резистивных устройств коммутации для дальнейшего увеличения пропускной способности и энергоэффективности всей системы за счет выполнения векторно-матричного умножения в аналоговой области.Кроме того, эти массивы устройств могут выполнять операцию обновления веса локально без перемещения веса, и поэтому они приносят дополнительные преимущества по сравнению с цифровыми подходами.

Резистивные перекрестные устройства, так называемые резистивные блоки обработки (RPU) (Гокмен и Власов, 2016), массивы устройств, которые могут одновременно хранить и обрабатывать данные локально и параллельно, являются многообещающими кандидатами для интенсивных рабочих нагрузок обучения DNN. Концепция использования резистивных массивов устройств коммутации (Burr et al., 2015, 2017; Chen et al., 2015a, b; Prezioso et al., 2015; Agarwal et al., 2016b; Гокмен и Власов, 2016; Fuller et al., 2017) в качестве ускорителей DNN были протестированы на различных сетевых архитектурах и наборах данных в основном с помощью моделирования, но также с некоторыми ограниченными демонстрациями оборудования. Учитывая современные алгоритмы обучения, для обеспечения точности обучения, равной точности обучения по сравнению с обычным цифровым оборудованием, необходимо соблюдать ограниченный набор спецификаций устройства RPU. Как показано эмпирически (Agarwal et al., 2016a; Гокмен и Власов, 2016; Gokmen et al., 2017), ключевым требованием является то, что эти аналоговые резистивные устройства должны симметрично изменять проводимость при воздействии на них импульсных импульсов положительного или отрицательного напряжения. Это требование существенно отличается от требований, предъявляемых к элементам памяти, и выполнение таких аналоговых устройств с симметричным переключением является сложной задачей. Значительные усилия прилагаются для разработки новых стопок материалов или адаптации существующих, изначально разработанных для памяти (Burr et al., 2015) и батареи (Fuller et al., 2017; Tang et al., 2018), чтобы достичь критериев симметрии, необходимых для обучения DNN. Помимо усилий в области инженерии материалов, только CMOS (Li et al., 2018) и CMOS-вспомогательные решения также рассматриваются в тандеме с существующими технологиями запоминающих устройств (Ambrogio et al., 2018), но вносят накладные расходы на то, чтобы сделать элемент точки пересечения все более сложным. сложный.

Здесь мы представляем новую технику, которая может решить проблему несимметричных характеристик коммутации устройств на уровне алгоритма в инвариантной физико-аппаратной форме.В оставшейся части статьи мы покажем, что характеристики коммутации устройств вносят дополнительные затраты в цель оптимизации обычного алгоритма SGD. Наличие этого дополнительного члена влечет за собой плохие результаты обучения для несимметричных устройств, поскольку система конкурирует с минимизацией функции возражения нейронной сети против этого непреднамеренного затратного термина. В этом новом методе мы вводим связанную динамическую систему, которая одновременно минимизирует целевую функцию исходного алгоритма SGD, а также непреднамеренную стоимость из-за асимметрии устройства самосогласованным образом.Этот алгоритм обучается путем непрерывного обмена информацией между двумя компонентами системы, поэтому мы называем его алгоритмом «Тики-Така». Мы показываем, что алгоритм «Тики-Така» достаточно универсален, чтобы обрабатывать широкий спектр несимметричных режимов переключения устройств и, следовательно, применим к множеству технологий устройств. Мы протестировали алгоритм, выполнив обучающее моделирование с использованием различных характеристик переключения устройств в трех различных сетевых архитектурах: полностью подключенных, сверточных и LSTM.Во всех случаях результаты обучения, выполненного с помощью алгоритма «Тики-Така» с использованием неидеальных характеристик устройства, неотличимы от результатов, достигнутых с помощью алгоритма SGD с использованием идеальных устройств. Мы также обсуждаем стоимость реализации алгоритма «Тики-Така» на реалистичных массивах устройств RPU с точки зрения площади, мощности и скорости и показываем, что общая стоимость минимальна.

Материалы и методы

Операции с массивами: вперед, назад и обновление

Стохастический градиентный спуск (SGD) с использованием алгоритма обратного распространения ошибки состоит из трех циклов — прямого, обратного и обновления веса — которые повторяются много раз до тех пор, пока не будет выполнен критерий сходимости.Для одного полностью связанного слоя, где N входных нейронов подключены к M выходным (или скрытым) нейронам, прямой цикл включает вычисление векторно-матричного умножения ( y = Wx), где вектор x длины N представляет активность входных нейронов и матрицы W размером M × N , которая хранит значения весовых коэффициентов между каждой парой входных и выходных нейронов. Результирующий вектор y длиной M дополнительно обрабатывается путем выполнения нелинейной активации для каждого из элементов и затем передается на следующий уровень.Как только информация достигает конечного выходного слоя, сигнал ошибки вычисляется и распространяется по сети. Обратный цикл на одном слое также включает в себя векторно-матричное умножение при транспонировании весовой матрицы ( z = W T δ), где вектор δ длины M представляет ошибку, вычисленную с помощью выходные нейроны и вектор z длиной N дополнительно обрабатывается с использованием производной нелинейности нейрона и затем передается на следующий (предыдущий) уровень.Наконец, в цикле обновления весовая матрица W обновляется путем выполнения внешнего произведения двух векторов, которые используются в прямом и обратном циклах и обычно выражаются как W ← W −η (δ⊗ x ), где η — глобальная скорость обучения. Соответственно, правило обновления SGD для каждого параметра w ij , соответствующего i -му столбцу и j -й строке (индекс уровня опущен для простоты), можно записать как

wi⁢j ← wi⁢j-η⁢Δ⁢wi⁢j (1)

, где Δ w ij — градиент целевой функции относительно параметра w ij и имеет вид Δ w ij = x i × δ j , где x i — это активация входа для i th столбца, а δ j — сигнал ошибки с обратным распространением для j 912 -й ряд.

Вышеупомянутые три операции, выполняемые над весовой матрицей W во время алгоритма SGD \ BP, реализованы с использованием двухмерных решетчатых массивов резистивных устройств, все параллельно и в постоянное время с использованием физических свойств массива. Например, сохраненные значения проводимости в матрице поперечных полос образуют матрицу W , однако физически разрешены только положительные значения проводимости, и поэтому для кодирования как положительных, так и отрицательных значений веса пара устройств RPU работает в дифференциальном режиме.Для каждого параметра w ij в матрице весов W существует два устройства, которые кодируют одно значение веса

wi⁢j = K⁢ (gi⁢j-gi⁢j, r⁢e⁢f) (2)

, где g ij — значение проводимости, сохраненное на первом устройстве RPU, g ij, ref — значение проводимости, сохраненное на втором устройстве, используемое в качестве эталона, соответствующее i -й столбец и j -й строка, а K — коэффициент усиления, который регулируется комбинацией факторов, таких как время интегрирования, интегрирующий конденсатор и уровни напряжения, на периферийных схемах.В прямом цикле входной вектор x передается в виде импульсов напряжения через каждый из столбцов, а результирующий вектор y считывается как сигнал дифференциального тока из строк (Steinbuch, 1961). Точно так же обратный цикл может быть выполнен путем ввода импульсов напряжения из строк и считывания результатов из столбцов. Эти два цикла просто полагаются на закон Ома и закон Кирхгофа для выполнения векторно-матричного умножения. В отличие от прямого и обратного циклов, реализация цикла обновления сложнее и использует характеристики переключения устройства для запуска необходимого изменения проводимости Δ г всего , ij , которое должно практически соответствовать требуемому изменению веса ηΔ w ij алгоритма SGD, так что KΔ g всего , ij ≅η ( x i × δ j ).Для выполнения операции локального умножения, необходимой для вычисления Δ w ij = x i × δ j , различных схем кодирования импульсов (Xu et al., 2014; Burr et al. ., 2015; Гокмен, Власов, 2016), все из которых сводят умножение к простому обнаружению совпадений, которое может быть реализовано устройствами RPU. Например, в схеме стохастического обновления числа, закодированные из столбцов и строк ( x i и δ j ), переводятся в стохастические битовые потоки с помощью стохастических трансляторов (Гокмен, Власов, 2016).Эти стохастические трансляторы регулируют вероятности импульсов на периферии, и, следовательно, они контролируют общее количество совпадений импульсов, происходящих на каждом элементе перекладины. В этой схеме эти импульсы отправляются в матрицу перекладин одновременно для всех строк и всех столбцов, а затем для каждого события совпадения соответствующее устройство RPU изменяет свою проводимость на небольшую величину Δ g min . Однако в потоке импульсов существует много импульсов, так что полное изменение проводимости Δ g всего , ij , требуемое алгоритмом, реализуется как серия небольших изменений проводимости Δ g мин на совпадение импульсов.В результате обновление веса происходит как серия событий совпадений, каждое из которых запускает приращение (или уменьшение) проводимости, а ожидаемое количество совпадений составляет

.

𝔼⁢ (# ⁢o⁢f⁢p⁢u⁢l⁢s⁢e⁢c⁢o⁢i⁢n⁢c⁢i⁢d⁢e⁢n⁢c⁢e⁢s⁢a⁢t⁢ith⁢c ⁢O⁢l⁢u⁢m⁢n⁢a⁢n⁢d⁢jth⁢r⁢o⁢w) = η⁢ (xi × δj) K⁢Δ⁢gm⁢i⁢n (3)

, где KΔ g мин ≜ Δ w мин — ожидаемое изменение веса из-за единственного совпадения. Отметим, что импульсы, генерируемые на периферии, применяются ко всем устройствам RPU в столбце (или строке), поэтому стохастические трансляторы могут принимать единичный Δ g мин (или эквивалентно Δ w мин. ) значение для всего массива, когда рассчитываются вероятности импульсов, чтобы привести к желаемому изменению веса на каждом блоке RPU.Однако ниже мы покажем фактические изменения, запускаемые каждым устройством RPU при совпадении импульсов Δ g ij может отличаться от Δ g мин , и это несоответствие создаст артефакты в алгоритме SGD, которые препятствуют его правильному схождению.

Обновление ожидаемого и фактического веса

Используя формулу ожидаемого числа совпадений импульсов из Ур. 3, фактическое изменение алгоритмического веса, вызванное циклом обновления, выполняемым устройствами RPU, может быть получено как

Δ⁢wi⁢j, a⁢c⁢t⁢u⁢a⁢l = Δ⁢wi⁢j⁢ {Δ⁢gi⁢jp⁢ (gi⁢j) Δ⁢gm⁢i⁢n i⁢f⁢Δ⁢wi ⁢J <0Δ⁢gi⁢jn⁢ (gi⁢j) Δ⁢gm⁢i⁢n i⁢f⁢Δ⁢wi⁢j> 0 (4)

, где Δ⁢gi⁢jp и Δ⁢gi⁢jn — фактические отклики устройства на инкрементные изменения проводимости для положительных и отрицательных стимулов в событии совпадения.Они также могут быть функциями текущей проводимости устройства g ij . Мы предполагаем, что импульсы обновления применяются только к первому набору устройств RPU, а эталонные устройства остаются постоянными. Для этого требуется устройство RPU с двусторонним переключением, как мы подробно обсудим позже. Однако, чтобы разрешить изменение как положительной, так и отрицательной проводимости, полярность импульсов переключается во время цикла обновления, и, следовательно, существует две ветви для каждого устройства, используемого для обновлений.Используя уравнение. 4 в уравнении. 1 приводит к фактическому правилу обновления, реализованному устройствами RPU

wi⁢j ← wi⁢j-η⁢Δ⁢wi⁢j⁢ [Δ⁢gi⁢jn⁢ (gi⁢j) + Δ⁢gi⁢jp⁢ (gi⁢j) 2⁢Δ⁢gm⁢i⁢n] -η⁢ | Δ⁢wi⁢j | ⁢ [Δ⁢gi⁢jn⁢ (gi⁢j) -Δ⁢gi⁢jp⁢ (gi⁢j) 2⁢Δ⁢gm⁢i⁢n] (5)

, который фиксирует отклонение ожидаемых изменений проводимости устройства от фактических, реализуемых устройствами RPU. Это можно интерпретировать как разделение четной и нечетной части режима переключения RPU. Здесь мы еще раз подчеркиваем, что Δ g min — это единственное значение, ожидаемое периферией во время генерации импульса, тогда как Δ⁢gi⁢jp (или Δ⁢gi⁢jn) — это фактические изменения, запускаемые каждым устройством RPU.Поскольку импульсы, генерируемые на периферии, являются общими для всего массива (столбцы и строки), невозможно компенсировать несоответствие между Δ g min и Δ⁢gi⁢jp (или Δ⁢gi⁢jn) на периферии, поскольку каждое устройство RPU имеет различное значение Δ⁢gi⁢jp (или Δ⁢gi⁢jn) из-за различий между устройством. Без ограничения общности Ур. 5 можно переписать как

wi⁢j ← wi⁢j-η⁢Δ⁢wi⁢j⁢Fi⁢j⁢ (wi⁢j) -η⁢ | Δ⁢wi⁢j | ⁢Gi⁢j⁢ (wi⁢j) (6)

, где F ij ( w ij ) и G ij ( w metric ij ) являются дополнительными комбинации положительных и отрицательных ветвей обновления, параметризованные с использованием значений весов, соответствующих i -м столбцу и j -й строке .Обратите внимание, что функции F ij и G ij обычно могут быть функциями текущего значения веса w ij , а также могут изменяться от одной точки пересечения к другой из-за к изменчивости от устройства к устройству. Хотя мы использовали схему стохастических импульсов для вывода уравнения. 5 и 6, уравнения являются общими и не зависят от основных реализаций импульсов с точностью до некоторых ошибок округления. В таблице 1 сравнивается желаемое правило обновления SGD (ур.1) к правилу обновления, вызванному аппаратными средствами (уравнение 6), на которое влияют характеристики переключения устройства.

Таблица 1. Сводка правил обновления.

Чтобы понять значение правила обновления, вызванного аппаратным обеспечением, поведение уравнения. 8 описывается ниже для трех различных характеристик переключения устройства, как показано на рисунке 1. Для первого устройства, которое изменяет проводимость линейным образом и имеет одно и то же значение для положительной и отрицательной ветвей, правило обновления, вызванного аппаратным обеспечением, упрощается до желаемое правило обновления SGD: F ( w ) = 1 и G ( w ) = 0.Это тот случай, который обычно рассматривается как идеальное поведение устройства, необходимое для хорошей конвергенции. Для второго устройства, которое изменяет проводимость нелинейным, но симметричным образом как для восходящей, так и для нисходящей ветвей, снова падает член G ( w ), и уравнение. 8 упрощается до формы w ← w −ηΔ wF ( w ), где более конкретно F ( w ) = 1−1,66 w для примера устройства, показанного на рисунке 1B. Хотя это правило обновления отличается от исходного правила обновления SGD, наличие F ( w ) только изменяет эффективную скорость обучения и, следовательно, не влияет на сходимость.Действительно, эмпирически показано, что устройства RPU должны иметь только симметричные характеристики переключения и линейность не требуется для хорошей сходимости (Agarwal et al., 2016a; Gokmen, Vlasov, 2016; Gokmen et al., 2017, 2018). Только если обновления выполняются на двух отдельных устройствах, которые монотонно изменяют свою проводимость, например, устройства PCM с односторонним переключением, то для удовлетворения требований симметрии требуется попарное согласование и линейность (Haensch et al., 2019). Наконец, для третьего устройства с несимметричными характеристиками переключения устройств правило обновления, вызванное аппаратными средствами, становится w ← w −ηΔ wF ( w ) −η | Δ w | G ( w ).Поскольку | Δ w | может быть только неотрицательным, последний член диктуется исключительно функциональной формой G ( w ) и будет действовать как непреднамеренный термин затрат, внесенный в цель оптимизации из-за поведения лежащего в основе оборудования. Для устройства, показанного на рисунке 1C, где F ( w ) = 0,65-0,54 w и G ( w ) = 1,12 w , правило обновления, вызванного аппаратным обеспечением, становится w ← w — ηF ( w ) Δ w −η | Δ w | (1.12 w ), что соответствует возражению против оптимизации, которое представляет собой комбинацию исходной задачи с дополнительным квадратичным членом стоимости w 2 . Это похоже на добавление члена регуляризации ℓ 2 в цель оптимизации, но, к сожалению, его величину нельзя контролировать, и, более строго, его амплитуда пропорциональна обновлениям | Δ w |. Это создает конкуренцию между первоначальной целью оптимизации нейронной сети и внутренними затратами из-за характеристик устройства; теоретическое обоснование эмпирически наблюдаемых плохих результатов обучения, полученных для несимметричных устройств RPU.

Рисунок 1. Показаны три различные характеристики переключения устройства. (A) Идеальное устройство: приращения и уменьшения проводимости равны по размеру и не зависят от проводимости устройства. (B) Симметричное устройство: приращение и уменьшение проводимости равны по силе, но оба зависят от проводимости устройства. (C) Несимметричное устройство: приращение и уменьшение проводимости не равны по силе, и оба имеют разные зависимости от проводимости устройства.Однако существует единственная точка (значение проводимости), в которой силы приращения и декремента проводимости равны. Эта точка называется точкой симметрии и для проиллюстрированного примера соответствует проводимости эталонного устройства и, следовательно, происходит при w = 0 .

Обратите внимание, что даже для несимметричного устройства, показанного на рисунке 1C, существует единственная точка (значение проводимости), в которой силы увеличения и уменьшения проводимости равны. Эта точка называется точкой симметрии обновленного устройства, и она может соответствовать любому значению веса (не обязательно к нулю, как показано на рисунке 1C) из-за различий между устройством.Как мы покажем далее, существует метод смещения точки симметрии (Kim H. et al., 2019), который может гарантировать, что точка симметрии обновленного устройства соответствует проводимости соответствующего эталонного устройства и, следовательно, удовлетворяет условию G ij ( w ij = 0) ≅0 для всех элементов матрицы. Обратите внимание, что силы увеличения и уменьшения проводимости равны в точке симметрии, и поэтому G ( в точке ) = 0 по определению.Ниже мы покажем, что это свойство достигается путем копирования точки симметрии активного устройства в его ссылку. Однако поведение G ij ( w ij ) вдали от нуля по-прежнему диктуется обновленными характеристиками устройства, и для фактических аппаратных реализаций устройств RPU каждое устройство будет показывать разные G ij ( w ij ) характеристики из-за вариативности устройства.Сочетание изменчивости устройства и обновлений, зависящих от состояния проводимости, делает невозможным компенсацию этого несимметричного поведения отдельных устройств без нарушения параллельного характера операций массива. Однако алгоритм «Тики-Така», как мы описываем ниже, устраняет нежелательные эффекты асимметрии устройства для реалистичных устройств RPU без нарушения параллелизма массивов во время обучения.

Техника смещения точки симметрии

Первым шагом техники сдвига точки симметрии является применение последовательности чередующихся (положительных и отрицательных) импульсов обновления ко всему массиву параллельно всем столбцам и всем строкам.В чередующейся импульсной последовательности два последовательных импульса исключают член ηΔ w ij F ij ( w ij ) из уравнения. 8, а динамика всего массива определяется отдельными терминами G ij ( w ij ). Ожидается, что поведение G ij ( w ij ) будет различным для каждого устройства из-за изменчивости устройства и начальных изменений проводимости, однако после применения достаточно длинной последовательности импульсов, ожидается, что в устойчивом состоянии все элементы сходятся к точке, где G ij ( w ij ) ≅0, хотя соответствующее значение веса не обязательно равно нулю, w ij ≠ 0.

Такое поведение ожидается от любого устройства, где зависимость приращений (и уменьшений) проводимости от значения текущей проводимости может быть описана одной кривой (режим двунаправленного переключения), такого как устройство, показанное на рисунке 1C. Как показано на рисунке 1C, если проводимость устройства меньше точки симметрии ( g ij < s ij ), то приращения проводимости больше, чем декременты (Δ⁢gi⁢jp > Δ⁢gi⁢jn), и аналогично, если проводимость устройства больше точки симметрии ( g ij < s ij ), то декременты проводимости сильнее, чем приращения ( Δ⁢gi⁢jp> Δ⁢gi⁢jn).Следовательно, независимо от начального значения проводимости, эта чередующаяся последовательность импульсов подталкивает проводимость устройства к точке симметрии, как показано на рисунке 2. Обратите внимание, что схождение к точке симметрии ожидается независимо от функциональной формы: проводимость увеличивается и уменьшается до тех пор, пока поскольку существует значение проводимости, при котором силы приращения и уменьшения проводимости равны по величине. Действительно, метод измерения и смещения точки симметрии экспериментально проиллюстрирован для RRAM (Kim H.et al., 2019) и ECRAM (Kim S. et al., 2019), и это общее поведение ожидается для большинства физически правдоподобных устройств RPU. Например, нереально ожидать, что альтернативная последовательность импульсов даст поведение расходящейся проводимости, и вместо этого два последовательных импульса будут подталкивать проводимость обновленного устройства к точке симметрии s ij , при которой вверх и вниз изменения проводимости равны по силе и удовлетворяют условию Δ⁢gi⁢jp⁢ (si⁢j) = Δ⁢gi⁢jn⁢ (si⁢j).Однако не всегда гарантируется, что все устройства будут иметь точку симметрии. Например, устройства PCM демонстрируют только одностороннее инкрементное переключение (SET), тогда как один импульс RESET полностью переключает устройство обратно в состояние с высоким сопротивлением (Burr et al., 2017; Haensch et al., 2019). Следовательно, для односторонних устройств, таких как PCM, либо точка симметрии не может быть определена, либо она может быть определена на экстремуме проводимости (проводимость RESET), что делает его непригодным для алгоритма «Тики-Така».Однако для массивов устройств, состоящих из RRAM, ECRAM или аналогичных устройств двусторонней коммутации (Haensch et al., 2019), чередующаяся последовательность импульсов приведет к приближению проводимости каждого обновленного устройства RPU к его точке симметрии s ij для всего массива. После применения этой начальной чередующейся последовательности импульсов в качестве второго и последнего шага эти значения проводимости с ij передаются на соответствующие эталонные устройства, так что g ij , ref ≅ s ij и, следовательно, G ij ( w ij = 0) ≅0 для всех элементов в матрице.Поскольку это единовременные затраты, перенос проводимости может выполняться итеративно в режиме замкнутого контура для преодоления аппаратных ограничений.

Рис. 2. Иллюстрация метода смещения точки симметрии. Отклик двух отдельных устройств на чередующуюся (вверх и вниз) последовательность импульсов, начиная с разных начальных значений проводимости.

Алгоритм «Тики-Така»

В «Тики-Така» каждая матрица весов нейронной сети представлена ​​линейной комбинацией двух матриц

W = γ⁢A + C (9)

, где A — первая матрица, C — вторая матрица, а γ — скалярный коэффициент, который управляет смешиванием двух матриц.Элементы матриц A и C , a ij и c ij соответственно также кодируются парой устройств, и мы используем верхний левый надстрочный индекс a и c последовательно относится к свойствам элементов (и устройств) в A и C . Например, a g ij и c g ij обозначают значения проводимости, хранящиеся на устройствах, используемых для обновлений, и аналогично ij , ref и c g ij , ref обозначают значения проводимости, хранящиеся на устройствах, используемых в качестве ссылок, соответствующих столбцу i th th -й ряд.Для успеха «Тики-Така» важны критерии: a G ij ( a ij = 0) ≅0 для всех элементов A , должно быть реализовано аппаратно. Поэтому мы предполагаем, что метод смещения точки симметрии применяется к A до начала процедуры обучения, описанной ниже.

Процедура обучения

Чтобы упростить изложение ключевой идеи, мы пока опускаем нелинейные функции активации.В самом общем виде весовая матрица W представляет собой линейную комбинацию двух матриц A и C , а γ — скалярный коэффициент, который управляет смешиванием двух матриц. Во время обучения обновления веса накапливаются в A , который имеет симметричное поведение относительно нулевой точки, а затем перемещаются в C . Операции, выполняемые во время «Тики-Така», сведены в Таблицу 2 вместе с операциями, выполненными во время алгоритма SGD \ BP для сравнения.

Таблица 2. Операции для алгоритма SGD \ BP и алгоритма «Тики-Така» на одном уровне.

Стандартный алгоритм SGD \ BP состоит из трех циклов: (1) вперед, (2) назад и (3) обновление веса; тогда как для «Тики-Така» существует пять циклов: (1) вперед, (2) назад, (3) обновление A , (4) вперед A и (5) обновление C . Первые два цикла (вперед и назад) алгоритма «Тики-Така» идентичны циклам в SGD \ BP, поскольку «Тики-Така» также использует традиционный алгоритм BP для вычисления градиентов.Однако вместо использования одной весовой матрицы для выполнения прямых и обратных вычислений используется линейная комбинация двух матриц. Третий цикл (обновление A ) идентичен циклу обновления веса алгоритма SGD \ BP, и операция обновления на A выполняется с использованием внешнего произведения двух векторов, которые используются в прямом и обратном циклах. . Эти три цикла повторяются нс раз перед выполнением четвертого и пятого циклов алгоритма «Тики-Така».В четвертом (вперед A ) цикле векторно-матричное умножение выполняется на A с использованием входного вектора u t . Мы обсудим различные варианты выбора для u t позже, но в наиболее простой форме u t — это один столбец единичной матрицы (вектор с горячим кодированием), где для каждого искусственного временного шага новый столбец используется циклически, и субиндекс t обозначает этот временной индекс.Эта операция эффективно считывает один столбец A в результирующий вектор v . В пятом цикле (обновление C ) C обновляется с использованием внешнего произведения тех же двух векторов u t и v из четвертого цикла. Эта операция обновления изменяет только элементы, соответствующие одному столбцу C , пропорционально значениям, хранящимся в A , и λ — это скорость обучения, используемая для обновления C .Обратите внимание, что, поскольку разные u t используются на разных временных шагах, в конечном итоге все элементы C обновляются.

В этом алгоритме обновления, выполняемые на A , накапливают градиенты из различных примеров данных, и поэтому активно используется A . Напротив, обновления в C очень редки, и обновляется только один столбец C , а остальные элементы остаются постоянными. Следовательно, существует большая разница в частоте обновления элементов в этих двух матрицах, и C обучается в гораздо более медленном временном масштабе, только используя информацию, накопленную на A .Как описано выше, накопление градиента, происходящее на A , имеет артефакты из-за правила обновления, вызванного аппаратным обеспечением, однако благодаря технике смещения точки симметрии знак информации среднего градиента, скорее всего, будет правильным (до предела, который продиктовано аппаратным шумом). Например, любая случайность в обновлениях из-за случайной выборки примеров данных подталкивает элементы A к нулю, в то время как истинные средние градиенты отодвигают их от нуля.Следовательно, когда элементы A считываются, все элементы, вероятно, будут иметь правильную знаковую информацию накопленных градиентов, хотя амплитуды, вероятно, занижены. Затем эта информация передается в C , который эффективно увеличивает общий вес в правильном направлении, что минимизирует целевую функцию. В конце процесса обучения, в устойчивом состоянии (независимо от выбора значения γ), мы ожидаем, что элементы C будут очень близко к точке в пространстве, c ij ≅ w ij , opt , где исходная целевая функция находится в своих локальных минимумах, а элементы A будут близки к нулю, a ij ≅0.Это действительно стабильная точка для связанной системы первого порядка. Когда c ij ≅ w ij , opt , по определению средние градиенты из различных выборок данных близки к нулю, ⟨Δ w ij ⟩≅0 , но поскольку ⟨| Δ w ij |⟩ всегда конечен из-за случайной выборки данных, правило обновления, вызванное аппаратным обеспечением для A , приводит все элементы к нулю, a ij ≅0, что, в свою очередь, уменьшает количество обновлений на C .Мы отмечаем, что правило обновления, вызванное аппаратным обеспечением для C , также имеет артефакты, которые отталкивают c ij от w ij, opt , однако эти обновления являются редкими и происходят гораздо медленнее. шкалы, делая такие артефакты незначительными.

Напротив, для алгоритма SGD \ BP, даже если веса каким-то образом приближаются к оптимальной точке, соответствующей локальному минимуму, w ij ≅ w ij , opt , случайность в обновлениях смещает веса от оптимальной точки к точке симметрии (или к нулю, если применяется метод смещения точки симметрии).Используя те же аргументы, представленные выше, в локальном минимуме не только средние градиенты из разных выборок данных близки к нулю, ⟨Δ w ij ⟩≅0, но также гарантируется, что ⟨| Δ w ij |⟩> 0 из-за случайной выборки данных. Следовательно, в оптимальной точке обновления, вызванные аппаратным обеспечением, полностью преобладают за счет несимметричных характеристик переключения устройства, G ij ( w ij ), и поэтому оптимальные точки не являются стабильными точками для алгоритм SGD \ BP, работающий на оборудовании RPU.Единственные стабильные точки, которые может найти SGD \ BP, — это те, которые имеют противоречие между исходной целью оптимизации и термином внутренней стоимости из-за асимметрии устройства, так что ⟨Δ w ij ⟩ F ij ( w ij ) ≅ − ⟨| Δ w ij |⟩ G ij ( w и , следовательно, дают -Удовлетворительные результаты тренировок.Артефакты правила обновления, вызванного аппаратным обеспечением, для алгоритма SGD \ BP смягчаются с помощью алгоритма «Тики-Така», в котором оптимальные точки исходной целевой функции превращаются в стабильные точки для связанной динамической системы. Следовательно, ожидается, что этот новый подход к обучению даст лучшие результаты по сравнению с алгоритмом SGD \ BP при работе на оборудовании RPU.

Результаты

Чтобы проверить достоверность предложенного алгоритма «Тики-Така», мы выполнили моделирование обучения DNN на трех различных сетевых архитектурах: (1) FCN-MNIST — полностью подключенная сеть, обученная на наборе данных MNIST, (2) CNN-MNIST — LeNet5 как сверточная нейронная сеть, обученная на наборе данных MNIST, и (3) LSTM-WP — двуслойная сеть LSTM, обученная по роману Льва Толстого «Война и мир» (WP).Для всех этих трех сетей эффективность обучения алгоритма SGD \ BP с реалистичными характеристиками устройства RPU была тщательно изучена в предыдущих публикациях (Гокмен, Власов, 2016; Гокмен и др., 2017, 2018). Было показано, что требуется очень жесткое требование симметрии для достижения точности обучения, сравнимой с той, которая достигается с помощью чисел с плавающей запятой высокой точности. Здесь мы используем те же сетевые настройки из этих публикаций, такие как активации, размеры слоев и сопоставления слоев с массивами; и следуют аналогичной методологии для моделей RPU, так что они фиксируют вариации устройств RPU от устройства к устройству и от цикла к циклу, а также неидеальности периферийных схем, управляющих массивами .Однако мы подчеркиваем, что в отличие от этих исследований, здесь мы используем существенно несимметричное поведение переключения устройств, как описано ниже, для оценки производительности алгоритма «Тики-Така».

Базовая модель RPU

Модель RPU-baseline использует схему стохастического обновления, в которой числа, закодированные с периферии ( x i и j ), реализованы как стохастические битовые потоки. Затем каждое устройство RPU выполняет стохастическое умножение с помощью простого обнаружения совпадений.В нашем инструменте моделирования каждое совпадение запускает увеличение или уменьшение соответствующей проводимости устройства с использованием характеристик переключения устройства. В качестве базовой модели мы используем несимметричное поведение устройства , подобное тому, которое показано на рисунке 1C, и это поведение вводит обновление веса (изменение проводимости), которое зависит от текущего значения веса (текущая проводимость устройства) и направления обновление. Предполагается, что зависимость обновлений инкрементного веса для обеих ветвей является линейной: для положительной ветви Δ⁢wm⁢i⁢np⁢ (w) = Δ⁢wm⁢i⁢n⁢0⁢ (1-s⁢l⁢o ⁢P⁢ep × w), а для отрицательной ветви Δ⁢wm⁢i⁢nn⁢ (w) = Δ⁢wm⁢i⁢n⁢0⁢ (1 + s⁢l⁢o⁢p⁢en × w), где наклон p и наклон n — наклоны, которые контролируют зависимость изменения веса от текущих значений веса, а Δ w min 0 — изменение веса из-за единственного совпадения в точке симметрии, соответствующей нулевому значению веса.В базовой модели RPU для учета изменчивости от устройства к устройству для каждого устройства RPU существует три уникальных параметра, которые выбираются независимо от гауссовых распределений в начале обучения, а затем используются на протяжении всего обучения. Средние значения Δ w min 0 , slope p и slope n соответственно равны 1 × 10 −3 , 1,66 и 1,66 со стандартными отклонениями 0 .3 × 10 −3 , 0,42 и 0,42. Следовательно, в базовой модели, вероятно, будет найдено устройство (в одной из точек пересечения в одном из слоев), подобное тому, которое показано на рисунке 1C, с Δ w min 0 = 0,65 × 10 −3 , наклон p = 1,66 и наклон n = 0,58, так как все значения находятся в пределах значений 3σ модели. Тем не менее, мы подчеркиваем, что очень маловероятно, что два устройства будут иметь идентичное поведение из-за изменчивости от устройства к устройству, вносимой процессом выборки.Более того, чтобы зафиксировать изменения от цикла к циклу для каждого события совпадения, дополнительно 30% гауссовского шума вводится в Δ⁢wm⁢i⁢np или Δ⁢wm⁢i⁢nn относительно их ожидаемых значений для каждого устройства перед увеличением или уменьшение соответствующего значения веса. В этой модели насыщения веса, соответствующие насыщениям проводимости, автоматически учитываются из-за обновлений, зависящих от веса, и значения веса не могут расти больше, чем 1/, наклон p или меньше, чем -1 / уклон n .Для статистически наиболее вероятного устройства в модели это соответствует граничным значениям веса от –0,6 до 0,6, но обратите внимание, что для каждого устройства slope p и slope n выбираются независимо, и поэтому они не выбираются t обязательно совпадают и отклоняются от номинальных значений. В контексте «Тики-Така», поскольку мы используем новый набор случайных величин для каждого устройства в модели, нет корреляции между элементами A и C , и в этом контексте изменения веса относятся к изменения, происходящие в элементах A и C .Обратите внимание, что базовая модель уже неявно предполагает, что метод смещения точки симметрии применяется перед тренировкой, поскольку ожидаемые изменения веса для положительной и отрицательной ветвей равны по силе при нулевом значении веса, Δwm⁢i⁢nn (w = 0) = Δwm⁢i⁢np (w = 0) для каждого элемента матрицы. Следовательно, эта модель предполагает, что метод смещения точки симметрии применяется идеально без каких-либо шумов как для A , так и для C , так что все проводимости эталонных устройств устанавливаются на точку симметрии соответствующего устройства, используемого для обновлений.Позже мы ослабим это предположение, чтобы проверить устойчивость «Тики-Така» к вариациям точки симметрии.

Мы подчеркиваем, что выбранные средние значения для наклона p = наклона n = 1,66, которые контролируют асимметрию устройства, являются максимально возможными значениями, которые можно использовать без каких-либо побочных эффектов. Например, это показано в работе. (Гокмен и Власов, 2016), что приемлемый критерий для границ веса находится между –0.6 и 0,6, и этот диапазон последовательно используется в [1,2]. (Гокмен и др., 2017, 2018). Следовательно, увеличение параметров наклона выше 1,66 ограничит веса более узким диапазоном, чем приемлемые критерии. Хотя ожидается, что «Тики-Така» справится с асимметрией устройства, он не может улучшить эти пределы веса, что приведет к побочным эффектам во время тренировки. Выбранное среднее значение для наклона p = наклон n = 1.66, таким образом, является наиболее агрессивным поведением асимметричного переключения устройств, которое можно использовать без нарушения других спецификаций RPU, приведенных в Ref. (Гокмен, Власов, 2016). Однако, чтобы продемонстрировать устойчивость алгоритма «Тики-Така» к различным режимам переключения устройств, мы также протестировали случай, когда средние наклоны для положительной и отрицательной ветвей не совпадают по совокупности устройств, и мы называем эту модель Skewed-RPU. модель. Кроме того, в другой модели, модели Quadratic-Skewed-RPU, мы добавили квадратичный член к зависимости увеличения (и уменьшения) веса от текущего значения веса.Поведение при переключении всех этих моделей, включая изменчивость устройства, показано на верхней панели рисунка 3.

Рис. 3. Нижняя панель показывает ошибки тестирования FCN в наборе данных MNIST для трех различных моделей RPU. На всех рисунках на нижней панели белые кружки соответствуют модели, в которой обучение выполняется с использованием высокоточных чисел с плавающей запятой (FP) и алгоритма SGD. Черные и синие линии соответствуют модели, в которой обучение выполняется с использованием алгоритма SGD и алгоритма «Тики-Така» соответственно.Панели (A – C) предназначены для трех разных моделей RPU, где поведение устройства, используемого в каждой модели, показано на верхней панели. Во всех моделях поведение каждого устройства выбирается из распределения устройств, чтобы учесть различия между устройствами. Статистически наиболее вероятное устройство показано пунктирной линией. Вариации наклонов показаны непрерывными линиями для огибающих 1σ и 3σ, а изменение 1σ в Δ w min 0 показано сигналом полосы ошибок при w = 0 . (A) Базовая модель RPU предполагает линейную зависимость между Δ w min и w . Изменения веса вверх и вниз имеют средний наклон –1,66 и 1,66, соответственно, и оба имеют изменение 1σ, равное 0,42. Δ w мин 0 составляет в среднем 1 × 10 −3 с вариацией 1σ 0,3 × 10 −3 . (B) В отличие от базовой модели RPU Модель Skewed-RPU имеет разные средние уклоны для изменений веса вверх и вниз, –1.66 и 0,58 соответственно и с вариациями 1σ 0,42 и 0,15. Δ w мин 0 составляет в среднем 0,65 × 10 −3 с вариацией 1σ 0,2 × 10 −3 . (C) В отличие от модели Skewed-RPU, модель Quadratic-Skewed дополнительно вводит дополнительный отрицательный квадратичный член в зависимость Δ w min от w для изменений как вверх, так и вниз.

В дополнение к неидеальным, упомянутым выше, для любых реальных аппаратных реализаций массивов RPU результаты умножения векторных матриц также будут зашумленными, и этот шум учитывается путем введения аддитивного гауссовского шума с нулевым средним и стандартным отклонением σ = 0.06. Кроме того, результаты векторно-матричного умножения ограничены значением | α | = 12 для учета насыщения сигнала. Предполагается, что входные сигналы находятся между [-1, 1] с 7-битным входным разрешением, тогда как выходные сигналы квантуются с использованием 9-битного АЦП. Хотя входные сигналы, поступающие в массив, и выходные сигналы, поступающие из массивов, ограничены, мы используем методы управления шумами и управления границами, описанные в Ref. (Gokmen et al., 2017). Отметим, что помимо несимметричного поведения обновления, используемого для устройств RPU, все другие аппаратные ограничения, такие как вариации, шум, ограниченное разрешение и границы сигнала, идентичны тем, которые используются в публикациях (Gokmen, Vlasov, 2016; Gokmen et al. al., 2017, 2018).

Полностью подключенная сеть на базе MNIST (FCN-MNIST)

Та же сеть от Ref. (Гокмен, Власов, 2016), состоящий из полностью связанных слоев с 784, 256, 128 и 10 нейронами, обучается с помощью стандартного набора данных MNIST, состоящего из 60 000 обучающих изображений. Для скрытого и выходного слоев используются активации сигмоида и softmax соответственно. Для модели с плавающей запятой (FP) обучение выполняется с помощью алгоритма SGD с использованием размера мини-пакета, равного единице, и фиксированной скорости обучения η = 0.01. Как показано открытыми символами на рисунке 3, FP-модель достигает ошибки классификации 2,0% на тестовых данных после 50 периодов обучения. Однако такое же обучение на основе SGD с использованием базовой модели RPU дает около 15% ошибок теста, что значительно выше, чем ошибка, достигаемая с помощью FP-модели. Это действительно ожидаемо, так как характеристики устройства в базовой модели RPU сильно несимметричны и намного превышают приемлемые критерии симметрии устройства, описанные в Ref. (Гокмен, Власов, 2016).Когда обучение выполняется с использованием «Тики-Така» для той же базовой модели RPU, ошибка теста возвращается к значению, близкому к 2%. Этот уровень ошибки неотличим от уровня, достигнутого FP-моделью, и показывает, что в отличие от SGD, «Tiki-Taka» дает хорошие результаты обучения даже с сильно несимметричными устройствами. Мы подчеркиваем, что алгоритм «Тики-Така» не более чувствителен к другим аппаратным проблемам (таким как стохастические обновления, ограниченное количество шагов, шум, АЦП и ЦАП), чем алгоритм SGD, поскольку модель RPU фиксирует все эти аппаратные ограничения. .Кроме того, мы также проверили применимость алгоритма «Тики-Така» для других режимов переключения устройств, как показано на рисунках 3B, C. Независимо от модели, используемой для обучения, алгоритм «Тики-Така» дает результаты, неотличимые от результатов, достигаемых с помощью FP-модели, тогда как обычный SGD дает гораздо более высокие ошибки тестирования, чем FP-модель.

Обратите внимание, что в отличие от единой скорости обучения, используемой для SGD, существуют дополнительные гиперпараметры для алгоритма «Тики-Така», как показано в таблице 2, а именно скорости обучения η для обновления A и λ для обновления C , параметр γ, управляющий смешиванием между A и C , параметр нс , управляющий периодом обновлений, выполняемых на C , и выбор u t , используемый для форварда A цикл.Для того, чтобы показать наилучшие результаты, которые может дать «Тики-Така», мы провели обучающие симуляции с разными настройками гиперпараметров. Для результатов, представленных на рисунке 3, скорости обучения η и λ фиксированы на уровне 0,01 и 0,02 соответственно, параметры γ и нс, установлены на единицу, а для u t — фиксированный набор из одного — Горячие закодированные векторы используются циклически. Дополнительные результаты обучения, изучающие чувствительность «Тики-Така» к некоторым из этих гиперпараметров, показаны на рисунке 4 для задачи FCN-MNIST с использованием базовой модели RPU.

Рисунок 4. Ошибка теста FCN на наборе данных MNIST, обученном с использованием алгоритма Тики-Така и базовой модели RPU при различных настройках гиперпараметров. (A) Сравнение результатов обучения при двух различных условиях смешивания, γ = 1 и γ = 0, соответствующих синей и красной кривым соответственно. (B) Сравнение результатов обучения при трех разных скоростях обучения на матрице C , λ = 0,005, 0,02 и 0,04, соответствующих пурпурной, синей и зеленой кривым соответственно. (C) Сравнение результатов обучения при трех различных вариантах выбора u t векторов. Синие кривые используют циклически закодированные векторы. Голубые и серые кривые соответственно используют векторы матриц Адамара-2 и Адамара-4 циклически. На всех рисунках белые кружки соответствуют модели, в которой обучение выполняется с использованием чисел с плавающей запятой высокой точности с использованием алгоритма SGD, а черные кривые соответствуют базовой модели RPU, в которой обучение выполняется с использованием алгоритма SGD.

На рисунке 4A показаны результаты обучения для случаев γ = 1 и γ = 0, в то время как все остальные гиперпараметры не изменились. Когда γ = 1, обновления градиента, происходящие на A , непосредственно видны в следующем цикле при вычислении градиентов, соответствующих другому изображению. Напротив, для γ = 0 обучение может происходить только косвенно через обновления, выполняемые на C , которые являются редкими и менее частыми. Как описано выше, мы не ожидаем, что стационарные решения будут отличаться между случаями γ = 1 и γ = 0.Соответственно, эти два моделирования показывают очень похожие кривые обучения, которые значительно улучшаются по сравнению с обучением SGD и достигают точности тестирования, сравнимой с точностью, достигнутой с помощью FP-модели. Однако процесс обучения определяется динамикой связанной системы, а не свойствами равновесия. Следовательно, можно утверждать, что случай γ = 0 обучается немного медленнее, чем случай γ = 1 из-за нечастых обновлений, чтобы объяснить небольшую разницу, наблюдаемую между двумя случаями для проблемы FCN-MNIST.Кроме того, при этом моделировании учитываются и другие возможные проблемы с оборудованием, связанные со стохастической пульсацией, вариациями, а также шумом. Следовательно, можно также ожидать, что случай γ = 0 будет выполнять лучшие оценки градиента на A перед передачей этой информации на C и, следовательно, показать лучшую производительность обучения в целом, чем случай γ = 1. Хотя существуют эти интересные компромиссы, хотя При выборе члена микширования постоянно наблюдаются большие улучшения по сравнению с обучением SGD, как показано на рисунке 4A, независимо от γ.

На рисунке 4B мы представляем результаты обучения при различных скоростях обучения λ, используемых для обновления C . Ясно, что выбор слишком большого или слишком малого значения λ нежелателен. В случае слишком малого λ, где λ → 0, «Тики-Така» реализует исходный алгоритм SGD (при условии, что γ = 1). В этой настройке только A обучается с использованием того же алгоритма SGD для весового пространства, которое сдвигается значениями, хранящимися в C , но A не может найти хороших решений из-за артефактов, вносимых правилом обновления, вызванным аппаратным обеспечением.С другой стороны, выбор большого λ приводит к нестабильному поведению связанной системы. В нашем моделировании мы пробуем несколько значений λ, близких к скорости обучения η. Мы считаем, что выбор одинаковой скорости обучения позволяет поддерживать обновления в обеих системах сравнимыми по силе, и поэтому система пар может минимизировать обе целевые функции одновременно самосогласованным образом. Результаты моделирования при трех различных значениях λ, 0,005, 0,02 и 0,04, показаны на рисунке 4B, все из которых достигают сравнимых ошибок тестирования в конце 50 эпох.

Другими важными гиперпараметрами алгоритма «Тики-Така» являются векторы u t , используемые при выполнении прямого прохода на A и нс , период, используемый для обновления C . Обратите внимание, что существует три весовых матрицы для FCN-MNIST, каждая из которых имеет размеры 256 × 785, 128 × 257 и 10 × 129, включая члены смещения, где каждая весовая матрица представлена ​​парой матриц , и . C в алгоритме «Тики-Така».Следовательно, даже когда нс = 1 и фиксированный набор векторов с горячим кодированием используется для u t , для первого слоя требуется 785 изображений для всех элементов C , чтобы обновиться только однажды. Точно так же для следующих слоев требуется 257 и 129 изображений. Большие значения нс можно использовать для уменьшения количества обновлений, происходящих на C по сравнению с A , и для каждого уровня нс можно выбрать независимо.Увеличение периода обновления на C делает артефакты аппаратного обновления даже менее важными для C . Однако обратите внимание, что случайность обновлений на A имеет тенденцию подталкивать значения A к нулю из-за правила обновления, вызванного аппаратным обеспечением, и, следовательно, медленно стирает истинную информацию о градиенте, накопленную на A из более ранних временных шагов (изображения) . Следовательно, увеличение нс сверх определенного значения не сделает накопление градиента более точным, и, следовательно, существует верхняя граница того, насколько нс может быть значимо увеличено.Напротив, может потребоваться выполнять обновления чаще, чем в случае, поддерживаемом нс = 1, чтобы использовать обновления, вызванные аппаратным обеспечением, для целей регуляризации. Как проиллюстрировано ранее, случайность в обновлениях привлекает соответствующие матрицы к нулю, что имеет эффекты, аналогичные регуляризации ℓ 2 для некоторых конкретных характеристик переключения устройств, но сила не была управляема для алгоритма SGD. Напротив, в «Тики-Така» мы можем контролировать силу этого термина, выполняя обновления на C с использованием различных векторов u t .Например, вместо использования набора однократно закодированных векторов циклическим образом, векторы нормализованной матрицы Адамара-2 дополняются нулями, например [12⁢12⁢0⁢0⁢ ⋯] [12-12⁢ 0⁢0⁢ ⋯], [0⁢0⁢12⁢12⁢ ⋯] и т. Д. Могут использоваться циклически. Это приводит к вдвое большему количеству обновлений для каждого элемента C , но аналогичная информация передается из A в C . Из-за отмены, происходящей между двумя последовательными обновлениями на C , он будет испытывать более сильную регуляризацию до нуля благодаря правилу обновления, вызванному аппаратным обеспечением.Примеры обучения, выполненного с использованием векторов матриц Адамара-2 и Адамара-4, показаны на рисунке 4C. Эти примеры показывают, что аналогичная информация может быть передана из A в C независимо от выбора u t , и тем не менее, выбор u t может использоваться как ручка для контролировать срок регуляризации. Мы отмечаем, что FCN-MNIST — это простая проблема, которая не требует переобучения и, следовательно, не требует регуляризации, однако важно понимать последствия различных гиперпараметров, чтобы их можно было правильно настроить, когда они действительно необходимы для крупномасштабных сетей.

Сверточная нейронная сеть на MNIST (CNN-MNIST)

Используемая здесь сеть CNN — та же сеть из Ref. (Gokmen et al., 2017) и состоит из двух сверточных и двух полностью связанных слоев. Первые два сверточных слоя используют ядра 5 × 5, каждое из которых имеет , 16, и 32 ядра, соответственно. За каждым сверточным слоем следует уровень подвыборки, который реализует функцию максимального объединения через неперекрывающиеся окна объединения размером 2 × 2. Выходные данные второго уровня объединения, состоящего из 512 активаций нейронов, подаются на полностью связанный слой, состоящий из 128 tanh нейронов, который затем подключается к 10-канальному выходному слою softmax .Включая смещения, существуют четыре матрицы весов с размерами 16 × 26 и 32 × 401 для первых двух сверточных слоев и 128 × 513 и 10 × 129 для следующих двух полностью связанных слоев.

Отметим, что в отличие от полносвязных слоев, сверточные слои имеют разделение веса, которое изменяет векторные операции, выполняемые над матрицами весов, на матричные операции, которые реализуются как серия векторных операций над массивами, как описано в Ref. (Гокмен и др., 2017). Для «Тики-Така» это означает, что первые 3 цикла, соответствующие сверточным слоям, теперь являются матричными операциями и могут быть записаны как y = (γ A + C ) X , z = ( γ A + C ) T D и A ← A −η ( D ⊗ X ), где X и D являются входами и ошибки передаются в весовые матрицы в прямом и обратном направлениях, в то время как 4-й и 5-й циклы остаются прежними.Коэффициенты распределения веса для двух сверточных слоев равны 576 и 64 соответственно. Следовательно, когда нс = 1 и вектор с горячим кодированием используется как u t , матрица A первого сверточного слоя обновляется 576 раз до того, как один столбец C будет обновлено. Точно так же для второго сверточного слоя A обновляется 64 раза, прежде чем C получит обновление одного столбца. Все остальные операции остаются идентичными для полностью связанных слоев.

Результаты моделирования

CNN-MNIST показаны на рисунке 5. Для FP-модели, обученной с η = 0,01 и мини-пакетом единицы, сеть достигает ошибки тестирования 0,8%. Однако, когда базовая модель RPU обучается с помощью алгоритма SGD, ошибка теста очень высока и составляет около 8%. Это большое расхождение с FP-моделью значительно уменьшается, когда базовая модель RPU обучается с помощью алгоритма «Тики-Така», что приводит к ошибке теста 1,0%. Чтобы понять причину этого оставшегося 0,2% смещения от FP-модели, мы повторяем обучение SGD, предполагая модель с идеальной симметрией (наклон p = наклон n = 0 для всех устройств ), но с остальными аппаратными ограничениями.Этот идеально симметричный случай, обученный с помощью алгоритма SGD, дает точность теста не лучше той, которая достигается в несимметричном случае, обученном с помощью «Тики-Така», предполагая, что оставшееся расхождение 0,2% от FP-модели связано с другим аппаратные ограничения, а не из-за асимметрии устройства. Эти результаты дополнительно подчеркивают мощь этого нового метода обучения, который компенсирует несимметричное поведение устройства на уровне алгоритма.

Рисунок 5. Ошибка теста CNN в наборе данных MNIST.Белые белые кружки соответствуют модели, в которой обучение выполняется с использованием чисел с плавающей запятой высокой точности (FP) с использованием алгоритма SGD. Черные и синие линии соответствуют базовой модели RPU, в которой обучение выполняется с использованием алгоритма SGD и алгоритма «Тики-Така» соответственно. Оранжевые точки \ линия соответствуют обучению модели RPU на основе SGD, где все устройства идеально симметричны, в то время как все другие варианты идентичны базовой модели RPU.

Чувствительность к вариациям точки симметрии

Результаты моделирования, представленные до сих пор, предполагают, что методы смещения точки симметрии применяются идеально, и, следовательно, сила обновления для положительной и отрицательной ветвей равна по силе при w = 0 .Понятно, что метод смещения точки симметрии не может быть идеальным из-за аппаратных ограничений: чтобы проверить устойчивость алгоритма «Тики-Така» к вариациям точки симметрии, мы выполнили обучающее моделирование, ослабив это предположение, так что условие Δ⁢wm ⁢I⁢nn⁢ (ws) = Δ⁢wm⁢i⁢np⁢ (ws) происходит при значении веса w s , которое отличается для каждого элемента в A и C . Это просто достигается путем установки проводимости эталонного устройства, отличной от точки симметрии соответствующего устройства, используемого для обновлений в базовой модели RPU.Результаты моделирования для FCN-MNIST и CNN-MNIST представлены на рисунке 6 с использованием модифицированной базовой модели RPU, где значение w s для каждого устройства выбирается из гауссовского распределения с нулевым средним, но изменяющимся стандартом. отклонение, σ ws . Когда стандартное отклонение распределения составляет σ ws ≤0,01, результаты обучения неотличимы от результатов, достигнутых без изменений, и, следовательно, эти результаты дают σ ws = 0.01 в качестве допустимого порогового значения для вариаций точки симметрии.

Рисунок 6. Чувствительность алгоритма «Тики-Така» к вариациям точки симметрии для FCN-MNIST и CNN-MNIST. Те же настройки гиперпараметров, что и на рисунках 3 и 5, используются для FCN-MNIST и CNN-MNIST соответственно. Разные цвета соответствуют базовым моделям RPU при разных вариациях точки симметрии.

Важно, чтобы это приемлемое пороговое значение σ ws = 0.01 достигается с помощью техники смещения точки симметрии. Метод смещения точки симметрии может ввести два источника шума при согласовании проводимости эталонного устройства с точкой симметрии активного (обновленного) устройства: (1) шум в сходящейся точке симметрии обновленного устройства и (2) шум при передаче проводимости к эталонному устройству. Учитывая, что изменение веса из-за единственного совпадения в точке симметрии составляет примерно Δ w min 0 = 0.001, что в 10 раз меньше порога σ ws = 0,01, чередующаяся последовательность импульсов приведет к сходимости к точке симметрии, которая намного меньше этого допустимого порога. Кроме того, используя отношение этого допустимого порогового значения σ ws = 0,01 к диапазону номинального веса 1,2, эта спецификация может быть отображена на физические величины. Например, соответствие проводимости эталонного устройства точке симметрии обновленного устройства должно быть точным в пределах нескольких процентов по сравнению со всем диапазоном проводимости.Следовательно, после этой начальной сходимости сохраненная проводимость на устройстве обновления должна быть скопирована в эталонное устройство с точностью до нескольких процентов. Учитывая, что это единовременные затраты, этот перенос проводимости может быть выполнен с использованием программирования с обратной связью, при этом для достижения этого требуется несколько точных согласований. Поэтому мы подчеркиваем, что приемлемый порог для изменения точки симметрии может быть достигнут с помощью техники смещения точки симметрии и не вводит никаких дополнительных ограничений в требуемые характеристики устройства.

Сеть LSTM в наборе данных о войне и мире (LSTM-WP)

В качестве третьего примера валидность алгоритма «Тики-Така» проверяется в более сложной сети LSTM. Эта сеть состоит из 2 составных блоков LSTM, каждый с размером скрытого состояния 64, и она идентична блоку, исследованному в Ref. (Гокмен и др., 2018). В качестве набора данных используется роман Льва Толстого «Война и мир» (WP), который разделен на обучающие и тестовые наборы, состоящие из 2 933 246 и 325 000 символов с общим словарным запасом 87 символов.Следуя тому же отображению, описанному в [5]. (Gokmen et al., 2018) приводит к 3 различным весовым матрицам с размерами 256 × (64 + 87 + 1) и 256 × (64 + 64 + 1) для двух блоков LSTM и третьей матрицы размером 87 × (64 + 1) для последнего слоя полного соединения перед активацией softmax . Обратите внимание, что каждая матрица теперь отображается на 2 отдельные матрицы в «Тики-Така». Результаты моделирования, соответствующие алгоритму SGD и «Тики-Така» для различных моделей RPU, показаны на рисунке 7. Для всех моделей обучение выполняется с фиксированной скоростью обучения η = 0.005, мини-пакет из единиц и шагов развертки времени из 100. Кроме того, гиперпараметры алгоритма «Тики-Така» равны λ = 0,005, γ = 1, нс = 5 и для u t векторов с горячим кодированием используются циклически.

Рисунок 7. Ошибка кросс-энтропии теста для сети LSTM, обученной на наборе данных WP. Белые белые кружки соответствуют модели, в которой обучение выполняется с использованием чисел с плавающей запятой высокой точности (FP) с использованием алгоритма SGD. (A) Черная и синяя линии соответствуют базовой модели RPU, где обучение выполняется с использованием алгоритма SGD и алгоритма «Тики-Така» соответственно. Оранжевые точки \ линии соответствуют обучению модели RPU на основе SGD, где все устройства имеют идеально симметричные характеристики переключения, в то время как все другие варианты идентичны базовой модели RPU. (B) Показывает те же результаты обучения из (A) при 10-кратном снижении уровней шума для всех векторно-матричных умножений. (C) Розовая кривая соответствует базовой модели RPU, обученной с использованием «Тики-Така», но характеристики шума прямого цикла A в алгоритме «Тики-Така» уменьшены в 10 раз. В бордовой кривой также используется базовая модель RPU, обученная с использованием «Тики-Така», где цикл обновления C алгоритма «Тики-Така» изменен на C ← C + λ ( f ) ( v ) ⊗ u t ), где f ( v ) — это точечная пороговая функция, которая возвращает v , только если | v | > 0.06, а в противном случае — ноль. Черные, синие линии и оранжевые точки \ линия снова построены из (A) для сравнения.

Результаты моделирования, представленные на рисунке 7A для LSTM-WP, качественно хорошо согласуются с представленными выше для FCN-MNIST и CNN-MNIST. Например, базовая модель RPU, обученная с помощью алгоритма SGD, приводит к ошибке теста (кросс-энтропийные потери), значительно большей, чем ошибка, полученная с помощью FP-модели. Однако та же самая базовая модель RPU работает намного лучше, когда для обучения используется «Тики-Така», что дополнительно подтверждает этот новый подход к обучению DNN.Совершенно симметричный случай, обученный с помощью алгоритма SGD, также показан в качестве сравнения, и, что интересно, он показывает количественные различия по сравнению с представленными для FCN-MNIST и CNN-MNIST: во-первых, идеально симметричный случай, обученный с помощью алгоритма SGD, не может достичь уровень точности, достигаемый FP-моделью. Во-вторых, базовая модель RPU, обученная с помощью «Тики-Така», не может достичь уровня точности, достигаемого в идеально симметричном случае, обученном с помощью алгоритма SGD. Первое понятно, как показано в [5].(Gokmen et al., 2018), что сети LSTM сложнее обучать на решетчатых массивах; и даже для идеально симметричных устройств точность модели FP не может быть достигнута из-за ограниченного числа состояний на устройствах RPU. Учитывая, что «Тики-Така» решает только проблемы, возникающие из-за асимметрии устройства, не ожидается, что он достигнет того же уровня точности, что и модель FP. Разумно ожидать, что он будет работать на том же уровне точности, что и в идеально симметричном случае, обученном с помощью алгоритма SGD, поскольку все другие аппаратные ограничения одинаковы.Поэтому стоит изучить количественную разницу, наблюдаемую между базовой моделью RPU, обученной с помощью алгоритма «Тики-Така», и идеально симметричным случаем, обученным с помощью алгоритма SGD.

Когда используются одни и те же модели RPU со значительной асимметрией устройств, очевидно, что результаты обучения с использованием «Тики-Така» превосходят результаты, полученные с помощью алгоритма SGD. Это ослабляет приемлемое требование симметрии устройства с большим запасом при эквивалентной точности, однако также очевидно, что уменьшение асимметрии устройства улучшает точность обучения алгоритма «Тики-Така», если точность уже далека от идеальной для начала.Следовательно, можно легко обвинить очень агрессивную асимметрию устройства, используемую в модели RPU-baseline для объяснения количественной разницы, наблюдаемой между алгоритмом «Tiki-Taka» и идеально симметричным случаем, обученным с помощью алгоритма SGD. Этот недостаток можно легко минимизировать, используя менее асимметричные характеристики коммутации устройства (данные не показаны). Однако существуют другие аппаратные проблемы, которые могут препятствовать сходимости, и, что более интересно, могут существовать различные компромиссы между характеристиками переключения устройств и другими аппаратными ограничениями для «Тики-Така», которые в противном случае не применимы к алгоритму SGD.

Чтобы понять, играют ли другие существующие аппаратные ограничения роль в сходимости алгоритма «Тики-Така», мы провели дополнительное моделирование, используя ту же модель устройства, но предполагая разные аппаратные настройки на периферийных схемах. Например, результаты моделирования, представленные на рисунке 7B, предполагают, что уровень шума для векторно-матричного умножения снижен в 10 раз по сравнению с его исходным значением в базовой модели RPU. Это сокращение не влияет на производительность обучения на основе SGD как для базовой модели RPU, так и для абсолютно симметричного случая.Однако обучение на основе «тики-така» улучшается, и разница, наблюдаемая на рисунке 7A между базовой моделью RPU, обученной с помощью «тики-така», и идеально симметричным случаем, обученным с помощью алгоритма SGD, исчезает на рисунке 7B. Более интересно то, что на рисунке 7C, когда мы повторяем тот же эксперимент с использованием базовой модели RPU, где только шумовая характеристика прямого цикла A в алгоритме «Тики-Така» уменьшается в 10 раз, результат обучения остается неизменным и очень близки к идеально симметричному случаю, обученному с помощью алгоритма SGD.Эти результаты моделирования показывают, что шум, вносимый во время передачи информации, накопленной на A в C , может играть роль в сходимости алгоритма «Тики-Така».

Подчеркнем, что правило обновления, вызванного аппаратным обеспечением для C , также имеет артефакты, которые отодвигают элементы C от оптимальных точек равновесия. Хотя эти артефакты менее важны по сравнению с алгоритмом SGD, повышенный шум при обновлении C из-за случайности при чтении A явно повлиял на точность обучения алгоритма «Тики-Така», как показано выше.Поэтому для дальнейшей фильтрации обновлений, происходящих на C , мы изменили цикл обновления C алгоритма «Тики-Така» следующим образом: C ← C + λ ( f ( v ) ⊗ u t ), где f ( v ) — это функция точечной пороговой обработки, которая возвращает v , только если | v | > T v и в противном случае ноль. Результаты моделирования этого модифицированного алгоритма «Тики-Така» для базовой модели RPU показаны на рисунке 7C, где T v установлено на значение 1σ шума чтения из базовой модели, T v = 0.06. Хотя улучшение невелико, этот подход к фильтрации работает немного лучше, чем исходная нефильтрованная версия, и предполагает, что могут существовать другие стратегии, которые могут превзойти эту простую фильтрацию на основе пороговых значений.

Стоимость скорости, площади и мощности

По сравнению с алгоритмом SGD, алгоритм «Тики-Така» вводит дополнительные вычисления и требует дополнительных аппаратных ресурсов (массивов перекрестий) для выполнения этих вычислений, и, следовательно, их затраты на площадь, мощность и скорость должны быть правильно определены.

Алгоритм «Тики-Така» требует двух наборов весовых матриц для каждого уровня, следовательно, он может увеличить требования к площади в 2 раза. В этом наихудшем сценарии матрицы A и C можно просто распределить на двух отдельные плитки RPU, в результате чего площадь увеличивается вдвое. Однако, если устройства RPU интегрированы на внутреннем конце линии (BEOL) между металлическими уровнями и уложены в несколько слоев, то затраты на эту площадь могут быть устранены. Учитывая, что операции, выполняемые с матрицами A и C , идентичны операциям, выполняемым во время алгоритма SGD, та же периферийная схема может использоваться для управления линиями, соответствующими матрицам A и C , выборочно для выполнения циклы вперед, назад и обновления с временным мультиплексированием.В этой настройке вычисления для прямого и обратного циклов, соответствующих случаю γ = 1, также могут быть реализованы путем одновременного управления линиями матриц A и C при интегрировании результатов от обеих матриц в один и тот же конденсатор. Также обратите внимание, что цикл обновления для обеих матриц использует общую схему стохастического умножения. Следовательно, 4 слоя уложенных друг на друга массивов перекладин могут работать как матрицы A и C , необходимые для «Тики-Така», без изменения конструкции периферийных схем.Учитывая, что те же технические характеристики оборудования, полученные в работе Ref. (Гокмен, Власов, 2016) достаточны для алгоритма «Тики-Така», скорость и мощность каждого цикла остаются идентичными тем, которые выполняются в алгоритме SGD. Тем не менее, «Тики-Така» ввел дополнительные циклы в тренировку, и его скорость можно легко оценить, просто взглянув на параметры нс и , используемые во время тренировки.

Для примера FCN-MNIST нс = 1. Этот параметр означает, что алгоритм «Тики-Така» многократно выполняет (1) вперед, (2) назад, (3) обновление, (4) вперед и (5) обновление циклов, 2 дополнительных цикла по сравнению с 3 циклами, выполненными во время алгоритма SGD.Поскольку нет никаких существенных различий между временем выполнения прямого, обратного и обновляющего циклов, отношение времени настенных часов «Тики-Така» к алгоритму SGD будет 5/3. Увеличение нс дополнительно уменьшает эту разницу, как показано для примера LSTM-WP, где нс = 5. В этой настройке для каждых 15 (3 на 5) циклов в алгоритме SGD алгоритм «Тики-Така» вводит 2 дополнительных циклов и, следовательно, он работает всего на ~ 15% медленнее, чем алгоритм SGD.В отличие от полносвязных сетей и сетей LSTM, где распределение веса одинаково для всех уровней, время настенных часов в сетях CNN в основном определяется первым сверточным слоем с наибольшим коэффициентом распределения веса (Gokmen et al., 2017). Для примера CNN-MNIST этот коэффициент распределения веса равен 576. Следовательно, даже нс используется = 1, для первого сверточного слоя алгоритм «Тики-Така» вводит 2 дополнительных цикла только после 3 × 576 циклов. Это небольшая разница, и время работы этих двух алгоритмов неразличимо для сетей CNN.

Отметим, что есть дополнительные вычисления, которые необходимо выполнить за пределами массивов перекладин, например, создание u t и вычисление f ( v ). Эти вычисления могут легко выполняться цифровыми модулями, которые уже отвечают за вычисление активаций и производных, используемых в алгоритме SGD. Все эти дополнительные цифровые операции, выполняемые во время алгоритма «Тики-Така», являются локальными для слоя и намного проще, чем расчет активаций и производных, поэтому их относительные затраты не больше, чем относительные затраты, уже учтенные выше для массивов перекладин. .

Обсуждение и резюме

Мы подчеркиваем, что на протяжении всей рукописи мы предполагали, что один массив перекладин используется для выполнения обновлений, а другой отдельный массив используется в качестве фиксированных эталонных проводимостей. Следовательно, алгоритм «Тики-Така» предполагает, что обновленные устройства RPU изменяют свою проводимость двунаправленно, и поэтому он не применим напрямую к односторонним коммутационным устройствам, таким как PCM. Стабильность и сходимость алгоритма «Тики-Така» основываются на том факте, что случайная последовательность обновлений матрицы A в конечном итоге приводит все элементы A к нулю.Это действительно достигается с помощью техники смещения точки симметрии, и если этот метод обобщен для односторонних коммутационных устройств, то «Тики-Така» также можно использовать для таких устройств, как PCM. Однако учтите, что «Тики-Така» не может устранить проблему насыщения проводимости. Элементы PCM изменяют свою проводимость постепенно при одной полярности (SET) и очень резко при противоположной полярности (RESET). Следовательно, только импульсы SET отправляются либо в первом, либо во втором массиве PCM, в зависимости от полярности обновлений веса.Это в конечном итоге приводит к насыщению значений проводимости и, следовательно, требует операции последовательного сброса. Ни одна из этих сложностей не возникает для двунаправленных устройств, и алгоритм «Тики-Така» может работать с очень ограниченным снижением скорости, используя только параллельные операции с массивами перекладин.

Мы вывели правило обновления, вызванного аппаратным обеспечением, в присутствии несимметричных устройств, а затем показали его соответствие алгоритму SGD. Например, для некоторых конкретных характеристик переключения устройства правило обновления, вызванного аппаратным обеспечением, похоже на добавление члена регуляризации ℓ 2 в цель оптимизации.Однако сила этого дополнительного члена велика и не поддается контролю, что приводит к плохим результатам обучения. Обратите внимание, что для случая γ = 0 «Тики-Така» веса нейронной сети хранятся в C , которые обновляются с использованием градиентов, накопленных на A . В этой настройке правила, индуцированные оборудованием для матриц A и C , демонстрируют сходство с алгоритмом SGD, основанным на импульсе, обеспечивая дальнейшее интуитивное понимание алгоритма «Тики-Така». Однако тщательное исследование показывает, что алгоритм «Тики-Така» — это не просто пример SGD, основанного на импульсе, и может потребовать дальнейшего изучения.Мы представили эмпирический подход для различных сетевых топологий, который показывает, что «Tiki-Taka» превосходит традиционный SGD по точности для смягчения требований симметрии для аналоговых устройств кросс-точки. Это важный шаг вперед в использовании аналоговых точек пересечения для обучения глубокому обучению с доступными в настоящее время коммутационными материалами. Поскольку строгая математическая теория, объясняющая успехи SGD в форме обратного распространения ошибки, все еще неуловима, интересный путь для продвижения — теоретический анализ свойств стабильности и сходимости алгоритма «Тики-Така» для некоторых реалистичных характеристик переключения устройств путем применения, для Например, те же методы, которые используются для анализа устойчивости дискретной или непрерывной динамически связанной системы.Распространение этой работы на более крупные сети глубокого обучения — это общая задача для реализуемости аналоговых массивов точек пересечения, а не только работа, представленная здесь.

Таким образом, мы предложили новый алгоритм обучения DNN, так называемый алгоритм «Тики-Така», который использует связанную систему, чтобы одновременно минимизировать целевую функцию исходной интересующей сети и термин скрытой стоимости, который непреднамеренно вводится из-за к несимметричным коммутационным характеристикам устройства.Тренировочные симуляции, выполненные на различных сетевых архитектурах, показывают, что даже очень агрессивную асимметрию устройств можно компенсировать с помощью «Tiki-Taka», давая неотличимые результаты обучения по сравнению с результатами, достигнутыми с помощью идеально симметричных (идеальных) устройств. Мы подчеркиваем, что поведение асимметрии, используемое в наших моделированиях и показанное как достаточное для «Тики-Така», уже экспериментально наблюдается во многих технологиях устройств, но признано неудовлетворительным из-за асимметрии. Если предположить, что другие характеристики устройств находятся в допустимых пределах, все эти несимметричные технологии устройств теперь можно использовать для приложений глубокого обучения, поскольку алгоритм «Тики-Така» значительно ослабляет сложные критерии симметричного переключения, необходимые для резистивных устройств кросс-точечного соединения.

Заявление о доступности данных

Все наборы данных, созданные для этого исследования, включены в статью.

Авторские взносы

TG задумал оригинальную идею и разработал методологию. TG и WH проанализировали и интерпретировали результаты, а также подготовили и отредактировали рукопись.

Конфликт интересов

TG и WH были наняты компанией IBM.

Список литературы

Agarwal, S., Plimpton, S., Hughart, D., Hsia, A., Richter, I., Cox, J., et al. (2016a). «Требования к устройствам резистивной памяти для ускорителя нейронной сети», в материалах Proceedings of the International Joint Conference on Neural Networks (IJCNN) (Ванкувер, Британская Колумбия: Институт инженеров по электротехнике и электронике).

Google Scholar

Agarwal, S., Quach, T., Parekh, O., Hsia, A., DeBenedictis, E., James, C., et al. (2016b). Преимущества масштабирования энергии при вычислении поперечных полос резистивной памяти и его применение для разреженного кодирования. Фронт. Neurosci. 9: 484. DOI: 10.3389 / fnins.2015.00484

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Амброджио, С., Нараянан, П., Цай, Х., Шелби, Р. М., Бойбат, И., ди Нольфо, К., и др. (2018). Ускоренное обучение нейронных сетей с эквивалентной точностью с использованием аналоговой памяти. Природа 558, 60–67. DOI: 10.1038 / s41586-018-0180-5

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Берр, Г., Нараянан, П., Шелби, Р., Sidler, S., Boybat, I., di Nolfo, C., et al. (2015). «Крупномасштабные нейронные сети, реализованные с энергонезависимой памятью в качестве элемента синаптического веса: сравнительный анализ производительности (точность, скорость и мощность)», в материалах Proceedings of the IEEE International Electron Devices Meeting (IEDM) (Вашингтон, округ Колумбия: Институт инженеров по электротехнике и электронике Inc.).

Google Scholar

Берр Г., Шелби Р., Себастьян А., Ким С., Ким С., Сидлер С. и др. (2017).Нейроморфные вычисления с использованием энергонезависимой памяти. Adv. Phys. X 2, 89–124.

Google Scholar

Chen, P., Kadetotad, D., Xu, Z., Mohanty, A., Lin, B., Ye, J., et al. (2015a). «Совместная оптимизация технологии и дизайна резистивного массива точек пересечения для ускорения алгоритмов обучения на кристалле», в Proceedings of the Design, Automation and Test in Europe (DATE) (Гренобль: Институт инженеров по электротехнике и электронике).

Google Scholar

Чен, П., Lin, B., Wang, I., Hou, I., Ye, J., Vrudhula, S., et al. (2015b). «Смягчение эффектов неидеальных характеристик синаптических устройств для обучения на кристалле», в материалах Международной конференции IEEE / ACM по компьютерному проектированию (ICCAD) (Остин, Техас: Институт инженеров по электротехнике и электронике). .

Google Scholar

Чен, Ю., Ли, Дж., Сяо, Х., Цзинь, X., Ян, С., и Фэн, Дж. (2017). Сети с двойным путём. arXiv [Препринт] arXiv: 1707.01629 [cs.CV].

Google Scholar

Коутс А., Хуваль Б., Ван Т., Ву Д. и Нг А. (2013). «Глубокое обучение с системами COTS HPC», в материалах Труды 30-й Международной конференции по машинному обучению (ICML) , Атланта, Джорджия.

Google Scholar

Коллобер Р., Уэстон Дж., Боттоу Л., Карлен М., Кавукчуоглу К. и Кукса П. (2012). Обработка естественного языка (почти) с нуля. J. Mach. Учиться. Res. 12, 2493–2537.

Google Scholar

Фуллер Э., Эль Габали Ф., Леонард Ф., Агарвал С., Плимптон С., Якобс-Гедрим Р. и др. (2017). Литий-ионный синаптический транзистор для маломощных аналоговых вычислений. Adv. Матер. 29: 1604310. DOI: 10.1002 / adma.201604310

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Гокмен Т., Онен М. и Хенш В. (2017). Обучение глубоких сверточных нейронных сетей с резистивными перекрестными устройствами. Фронт. Neurosci. 11: 538. DOI: 10.3389 / fnins.2017.00538

CrossRef Полный текст | Google Scholar

Гокмен Т., Власов Ю. (2016). Ускорение обучения глубоких нейронных сетей с помощью резистивных устройств коммутации: соображения дизайна. Фронт. Neurosci. 10: 333. DOI: 10.3389 / fnins.2016.00333

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Гупта, С., Агравал, А., Гопалакришнан, К., и Нараянан, П. (2015). «Глубокое обучение с ограниченной числовой точностью», Труды 32-й Международной конференции по машинному обучению , Лилль.

Google Scholar

Haensch, W., Gokmen, T., and Puri, R. (2019). Новое поколение оборудования для глубокого обучения: аналоговые вычисления. Proc. IEEE 107, 108–122. DOI: 10.1109 / jproc.2018.2871057

CrossRef Полный текст | Google Scholar

Хе К., Чжан Х., Рен С. и Сунь Дж. (2015a). Глубокое остаточное обучение для распознавания изображений. arXiv [препринт] arXiv: 1512.03385 [cs.CV].

Google Scholar

Хэ К., Чжан Х., Рен, С., и Сан, Дж. (2015b). «Углубляясь в выпрямители: превосходя показатели человеческого уровня по классификации изображений», в материалах Международной конференции IEEE по компьютерному зрению (ICCV) , Сантьяго.

Google Scholar

Hinton, G., Deng, L., Dahl, G., Mohamed, A., Jaitly, N., Senior, A., et al. (2012). Глубокие нейронные сети для акустического моделирования в распознавании речи: общие взгляды четырех исследовательских групп. Сигнальный процесс IEEE. Mag. 29, 82–97.DOI: 10.1109 / msp.2012.2205597

CrossRef Полный текст | Google Scholar

Jozefowicz, R., Vinyals, O., Schuster, M., Shazeer, N., and Wu, Y. (2016). Изучение ограничений языкового моделирования. arXiv [препринт] arXiv: 1602.02410 [cs.CL].

Google Scholar

Kim, H., Rasch, M., Gokmen, T., Ando, ​​T., Miyazoe, H., Kim, J.-J., et al. (2019). Техника смещения нуля для глубокого обучения нейронной сети на резистивных массивах точек пересечения. arXiv [Препринт] arXiv: 1907.10228 [cs.ET].

Google Scholar

Ким С., Тодоров Т., Онен М., Гокмен Т., Бишоп Д., Соломон П. и др. (2019). «КМОП-совместимая ECRAM на основе оксида металла для ускорителя глубокого обучения», в материалах 65-го Международного собрания электронных устройств , Сан-Франциско, Калифорния.

Google Scholar

Крижевский А., Суцкевер И., Хинтон Г. (2012). «Классификация Imagenet с глубокими сверточными нейронными сетями», в Proceedings of the Advances in Neural Processing Systems 25 (NIPS) , Lake Tahoe, NV.1097–1105.

Google Scholar

Ли Ю., Ким С., Сан X., Соломон П., Гокмен Т., Цай Х. и др. (2018). «Конденсаторный массив точек пересечения для аналоговой нейронной сети с рекордной симметрией и линейностью», в материалах Proceedings of the IEEE Symposium on VLSI Technology , Honolulu, HI.

Google Scholar

Презиосо М., Меррих-Баят Ф., Хоскинс Б., Адам Г., Лихарев А., Струков Д. (2015). Обучение и работа интегрированной нейроморфной сети на основе металлооксидных мемристоров. Природа 521, 61–64. DOI: 10.1038 / природа14441

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Раванелли М., Бракел П., Омолого М. и Бенжио Ю. (2017). Сеть глубоких нейронных сетей для распознавания речи на расстоянии. arXiv [Препринт] arXiv: 1703.08002v1 [cs.CL].

Google Scholar

Тан Дж., Бишоп Д., Ким С., Копель М., Гокмен Т., Тодоров Т. и др. (2018). «ECRAM как масштабируемая синаптическая ячейка для высокоскоростных нейроморфных вычислений с низким энергопотреблением», в материалах Proceedings of the IEEE International Electron Devices Meeting (IEDM) , San Francisco, CA, 13.1.1–13.1.4.

Google Scholar

Ву, Ю. (2016). Система нейронного машинного перевода Google: устранение разрыва между человеческим и машинным переводом. arXiv [препринт] arXiv: 1609.08144 [cs.CL].

Google Scholar

Xu, Z., Mohanty, A., Chen, P., Kadetotad, D., Lin, B., Ye, J., et al. (2014). Параллельное программирование резистивного массива точек пересечения для синаптической пластичности. Процедуры Comput. Sci. 41, 126–133. DOI: 10.1016 / j.procs.2014.11.094

CrossRef Полный текст | Google Scholar

Может ли алгоритм сказать, когда дети в опасности?

По словам Рэйчел Бергер, педиатра, руководящего центром исследования жестокого обращения с детьми в Детской больнице Питтсбурга и возглавлявшего исследования для Федеральной комиссии по искоренению жестокого обращения с детьми и пренебрежительного отношения к ним со смертельным исходом, проблема не в том, чтобы найти иголку в стоге сена. но найти правильную иглу в куче иголок. «Все эти дети живут в хаосе», — сказала она мне.«Каким образом C.Y.F. выбрать, какие из них больше всего в опасности, когда все они имеют факторы риска? Вы не можете поверить в то, насколько субъективным является решение о защите детей. Вот почему я люблю предиктивную аналитику. Это, наконец, привносит некоторую объективность и научность в решения, которые могут настолько невероятно изменить жизнь «.

Утром после алгоритм подсказал C.Y.F. Чтобы провести расследование в отношении семьи трехлетнего ребенка, ставшего свидетелем смертельной передозировки наркотиков, к ним постучала соцработница по имени Эмили Лэнкес.Обветшалое двухэтажное кирпичное здание окружали снесенные участки и заколоченные дома. Никто не ответил, поэтому Лэнкес поехал в детский сад. Маленькая девочка выглядела в порядке. Затем Лэнкс позвонил на мобильный телефон матери. Женщина неоднократно спрашивала, почему в отношении нее ведется расследование, но согласилась на встречу на следующий день.

В доме, как обнаружила Лэнкес, когда она вернулась, было мало мебели и не было кроватей, хотя мать 20-летнего возраста настаивала на том, что она занималась их обеспечением и что дети спали в домах родственников.Вся бытовая техника заработала. В холодильнике была еда. Настроение матери было чрезмерным и неустойчивым, но она настаивала на том, чтобы избавиться от наркотиков и посетить лечебный центр. Все трое детей отрицали, что беспокоятся о том, как их мать заботится о них. Ланкесу все равно нужно будет подтвердить историю матери в ее лечебном центре, но на данный момент похоже, что алгоритм сработал.

Обвинения в ошибочных прогнозах сопровождали появление прогнозной аналитики в государственной политике.А когда дело доходит до уголовного правосудия, где аналитика сейчас закрепилась в качестве инструмента для судей и советов по условно-досрочному освобождению, возникли еще большие жалобы на секретность работы самих алгоритмов, большинство из которых разрабатываются, продаются и тщательно охраняются частными лицами. фирмы. Это главное возражение против двух компаний из Флориды: некоммерческой организации Eckerd Connects и ее коммерческого партнера MindShare Technology. Их пакет прогнозной аналитики, получивший название Rapid Safety Feedback, в настоящее время используется, по словам компаний, агентствами по защите детей в Коннектикуте, Луизиане, Мэне, Оклахоме и Теннесси.В начале прошлого месяца Департамент по делам детей и семьи штата Иллинойс объявил, что прекратит использование программы, за что уже было выставлено 366000 долларов — отчасти потому, что Eckerd и MindShare отказались раскрыть подробности о том, что входит в их формулу, даже после того, как смерть детей, чьи случаи не были отмечены как группы повышенного риска.

Инструмент для отбора семей Аллегейни, разработанный Вайтианатаном и Патнам-Хорнстайном, отличается: он принадлежит округу. Его работа публична.Его критерии описаны в научных публикациях и подробно рассмотрены местными властями. На общественных собраниях, проводившихся в центре Питтсбурга перед внедрением системы, юристы, защитники прав детей, родители и даже бывшие приемные дети задавали трудные вопросы не только ученым, но и администраторам округов, которые их приглашали.

«Мы пытаемся сделать это правильно, чтобы быть прозрачными и говорить с сообществом об этих изменениях», — сказала Эрин Далтон, заместитель директора департамента социальных служб округа и руководитель отдела анализа данных. отделение.Она и другие участники программы Allegheny заявили, что серьезно обеспокоены тем, что компании продают частные алгоритмы государственным агентствам. «Это вызывает беспокойство, — сказал мне Далтон, — потому что лидерам общественного благосостояния, которые пытаются сохранить свои рабочие места, легко продать товарный чек. У них нет особого опыта, чтобы оценить эти продукты ».

Другая критика таких алгоритмов направлена ​​на идею прогнозирования будущего поведения. Утверждается, что решения о том, какие семьи следует исследовать, должны основываться исключительно на выдвинутых обвинениях, а не на прогнозах того, что может произойти в будущем.Во время заседания Белого дома 2016 года по патронатным семьям Глэдис Каррион, тогдашний уполномоченный Управления по делам детей Нью-Йорка, выразила обеспокоенность по поводу использования прогностической аналитики агентствами по защите детей. «Это меня до чертиков пугает», — сказала она, особенно потенциальным воздействием на гражданские свободы людей.

No related posts.

Отставить комментарий

Обязательные для заполнения поля отмечены*