Desde el dilema de las ventas hasta la influencia basada en datos
Incluso las mejores ofertas comerciales son tan efectivas como su entrega. En Databricks, ofrecemos ofertas de crédito gratuitas para ayudar a los clientes a comenzar o acelerar la acogida, pero los representantes de ventas enfrentan una pregunta engañosamente simple: ¿Cuáles de mis cuentas de clientes son elegibles y cuál debería comunicarme primero?
Lo que parece una tarea directa puede ser opaca y rápidamente convertirse en un esfuerzo de múltiples equipos que requiere mucho tiempo, especialmente cuando las cuentas no son elegibles para ofertas. Los equipos de ventas a menudo necesitan cavar a través de la documentación, consultar hilos Slack e investigar manualmente las cuentas con los equipos de operaciones. Esto crea un impulso innecesario, ralentiza el impulso y se interpone en el camino de proporcionar a los clientes ofertas de suspensión valencia. Incluso cuando se sabe que las cuentas son elegibles, no siempre es obvio cuál debe priorizarse.
Construyendo un sistema más inteligente con ladrillos de agente
Para chocar el problema, nuestro equipo recurrió a Ladrillos de agente -La plataforma de Databricks para construir agentes de IA de entrada calidad en datos empresariales, y construyó un sistema de múltiples agentes que ofrece una vademécum clara y procesable directamente a los equipos de ventas. En menos de dos días, creé una útil que permite a los representantes de ventas:
- Identifique rápidamente qué cuentas de clientes califican para ofertas de crédito
- Comprender la razón exacta por la que una cuenta no es elegible
- Cuentas elegibles de rango para centrarse primero en las perspectivas de decano impacto
Como pasante en organización y operaciones comerciales este verano, tuve un corto tiempo de respuesta, por lo que la velocidad y la simplicidad fueron críticas. Los ladrillos del agente me permiten construir rápidamente una alternativa de entrada calidad y proporcionar los equipos de ventas de facultad necesarios.
Diseño de la alternativa de múltiples agentes
Usando Supervisor de múltiples agentes del Agente BricksDiseñé un sistema que cierra tres agentes especialmente diseñados bajo un supervisor. Al igual que un regulador de tráfico vaporoso, el supervisor decide qué agente delegar cada parte de la pregunta y luego cose sus respuestas en una respuesta clara.
Un supervisor, tres agentes especializados
Mi alternativa usa tres agentes: dos Ai/bi condición Agentes y un agente asistente de conocimiento, administrado por un supervisor para orquestar tareas y flujo de información:
1. Propuesta Detalles Agent utilizando el Asistente de conocimiento
Este agente está capacitado en nuestra documentación de proposición interna no estructurada (PDFS, mazos de diapositivas) para comprender profundamente las reglas de proposición, los requisitos de elegibilidad y el proceso de divulgación y entrega de la proposición. Entregado que el asistente de conocimiento puede tomar documentos en su forma coetáneo, no tuve que hacer ningún trabajo adicional para analizar, fragmentar o embutir esta información.
2. Propuesta agente de elegibilidad utilizando AI/BI Genie
Este agente analiza los datos estructurados de la cuenta de clientes, gobernados en el catálogo de Unity, para determinar qué clientes califican para ofertas específicas y, igual de importante, por qué otros no. El agente puede aventajar los requisitos de elegibilidad específicos que una cuenta no cumple y sugiere pasos de seguimiento si un representante de ventas desea solucionar esto aún más. Para ayudar al agente a recorrer el proceso de elegibilidad, la tabla de datos incluye columnas relevantes para cada uno de los criterios de elegibilidad.
3. Agente de priorización de la cuenta utilizando AI/BI Genie
Este agente analiza los datos de GTM estructurados para clasificar las cuentas elegibles utilizando datos de uso, señales de crecimiento y ofrecer relevancia. Los equipos de ventas obtienen una registro clara y priorizada de quién contactar primero.
Sin falta de investigar la edificio del agente supervisor o interactuar con equipos técnicos, pude crear un sistema de agente de IA eficaz directamente en los datos de nuestros clientes y ofrecer documentos del software.
De solicitudes manuales para autoservar ideas
La alternativa de múltiples agentes elimina las conjeturas y crea una experiencia perfecta y explicable. Al combinar datos estructurados de clientes con información del software de proposición no estructurada, el sistema habilita:
- Alternativa de problemas de elegibilidad de supermercado: En ocasión de enrutar a través de múltiples equipos y hilos de Slack, los equipos de ventas ahora pueden comprender rápidamente los problemas de elegibilidad de la proposición y tomar medidas informadas directamente, gracias a las explicaciones incorporadas
- Manejo más inteligente: Los equipos de ventas pueden centrarse en cuentas de suspensión valencia basadas en señales de crecimiento reales y ofrecen relevancia, no corazonadas, racionalizando cómo identifican las oportunidades de suspensión impacto
- Ámbito más rápido: Al aumentar la proposición de comprensión y compendiar la fricción manual, la respuesta SLA disminuye de 48 horas a menos de cinco segundos, y los equipos de ventas pueden moverse más rápido y con confianza.
Lo más importante, las escalas del sistema a medida que se agregan cuentas y se crean más ofertas. La cuenta del cliente y las ideas de GTM se actualizan automáticamente cuando los datos de remisión en Unity Catálogo cambian, y los programas de nuevos ofertas pueden ser compatibles actualizando los documentos en la almohadilla de conocimiento, sin requerido el nuevo código.
Limitaciones
Si correctamente el sistema coetáneo es poderoso, hay algunas limitaciones a tener en cuenta:
- Agente superpuesto: Correcto a que los agentes no pueden compartir directamente el contexto, cierta información debía duplicarse a través de ellos, a pesar de que el supervisor «sabe todo». Por ejemplo, la tabla de datos del agente de priorización de la cuenta incluye una columna que indica qué proposición, si la hay, cada cuenta es elegible (ya conocida por el agente de elegibilidad). Además contiene contexto sobre las bandas de elegibilidad de uso para cada tipo de proposición (ya conocido por el agente de detalles de la proposición). Esta duplicación garantiza que el agente de priorización pueda razonar para la orientación y clasificar las cuentas correctamente.
- Integración de flujo de trabajo del agraciado: La mayoría de los equipos de ventas trabajan principalmente en Slack y Salesforce, no de Databricks. La integración de este sistema como un Slackbot o en Salesforce pondría los detalles de elegibilidad y la orientación directamente en sus flujos de trabajo cotidianos.
Conclusión
Comercial ofrece solo trabajo si los equipos de ventas saben a quién apuntar, y por qué. Antiguamente del Agente Bricks, este era un desafío manual y de múltiples equipos que ralentizó el envergadura e introdujo la confusión en nuestros programas. Con los ladrillos del agente, pudimos construir, probar y refinar un sistema de IA de múltiples agentes con falta más en la mano que nuestros datos y nuestro objetivo.
Aunque nuestro sistema tiene algunas limitaciones en su forma coetáneo y no está integrado en las herramientas que usan los equipos de ventas diariamente, las ganancias ya han sido significativas; Se hace que la proposición de la Propuesta sea más rápida, más transparente y más escalable. La verdadera hechizo radica en la priorización de las cuentas: el sistema agrega automáticamente los datos de los clientes y ofrece información para aventajar de modo inteligente las oportunidades de decano impacto primero, y ni siquiera tuve que decirle al agente exactamente cómo hacerlo. Ahora eso es inteligencia de datos.
Comenzar Edificio con ladrillos de agente y crea tu primera alternativa hoy.