AI ಸಹಾಯಕರು ಮತ್ತು ಮುನ್ಸೂಚನಾ ಸ್ಕೋರಿಂಗ್ (predictive scoring) ಈಗ ಮಾರಾಟ ಮತ್ತು ಬೆಂಬಲದ ನಾಯಕರಿಂದ ಕೇಳಲಾಗುವ ಸಾಮಾನ್ಯ ಬೇಡಿಕೆಗಳಾಗಿವೆ. ಹೆಚ್ಚಿನ ತಂಡಗಳು ಇವುಗಳನ್ನು ಕೇವಲ ಫೀಚರ್ ವಿನಂತಿಗಳಾಗಿ ನೋಡುತ್ತವೆ. ಅವರು ಒಂದು ಪ್ಲಗ್ಇನ್ ಹುಡುಕುತ್ತಾರೆ, ಒಂದು ಟಾಗಲ್ ಅನ್ನು ಎನೇಬಲ್ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಅದರಿಂದ ಮ್ಯಾಜಿಕ್ ನಿರೀಕ್ಷಿಸುತ್ತಾರೆ. ಆದರೆ ಬದಲಾಗಿ ಅವರಿಗೆ ಸಿಗುವುದು ಗೊಂದಲಮಯ ಮಾಹಿತಿ (noise). ಕೆಟ್ಟ ಶಿಫಾರಸುಗಳು. ಗೊಂದಲಮಯ ಫಲಿತಾಂಶಗಳು. ಯಾರೂ ನಂಬದ ಉತ್ತರಗಳನ್ನು ನೀಡುವ ಒಂದು ವ್ಯವಸ್ಥೆ.
CRM ನಲ್ಲಿ AI ಎಂಬುದು ಕೇವಲ ಒಂದು ಫೀಚರ್ ಸಮಸ್ಯೆಯಲ್ಲ, ಅದು ಆರ್ಕಿಟೆಕ್ಚರ್ (architecture) ಸಮಸ್ಯೆ. ಅದರ ಕೆಳಗಿರುವ ಆಪರೇಟಿಂಗ್ ಲೇಯರ್ (operating layer) ಎಷ್ಟು ಉತ್ತಮವಾಗಿದೆಯೋ ಅಷ್ಟೇ ಆ ಇಂಟೆಲಿಜೆನ್ಸ್ ಕೂಡ ಉತ್ತಮವಾಗಿರುತ್ತದೆ. ನಿಮ್ಮ ಡೇಟಾ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿಲ್ಲದಿದ್ದರೆ, ನಿಮ್ಮ ವರ್ಕ್ಫ್ಲೋಗಳು (workflows) ಅಸ್ಪಷ್ಟವಾಗಿದ್ದರೆ ಮತ್ತು ನಿಮ್ಮ ಗವರ್ನೆನ್ಸ್ (governance) ಇಲ್ಲದಿದ್ದರೆ, AI ಆ ಕೊರತೆಗಳನ್ನು ಸರಿಪಡಿಸುವುದಿಲ್ಲ. ಬದಲಾಗಿ ಅವುಗಳನ್ನು ಮತ್ತಷ್ಟು ಹೆಚ್ಚಿಸುತ್ತದೆ. ನೀವು ವೇಗವಾದ ಒಳನೋಟಗಳಿಗಿಂತ (insight), ವೇಗವಾದ ಗೊಂದಲವನ್ನೇ ಪಡೆಯುತ್ತೀರಿ.
ನೀವು ಯಾವುದೇ AI ಸಾಮರ್ಥ್ಯವನ್ನು ಸೇರಿಸುವ ಮೊದಲು, ನಿಮಗೆ ಒಂದು ಆಪರೇಟಿಂಗ್ ಲೇಯರ್ ಅಗತ್ಯವಿದೆ. ಇದು ನಿಮ್ಮ ಡೇಟಾ, ಪ್ರಕ್ರಿಯೆಗಳು ಮತ್ತು ನಿಮ್ಮ ಜನರ ನಡುವಿನ ಸಂಪರ್ಕ ಕೊಂಡಿಯಾಗಿದೆ. ಒಂದು AI ಮಾಡೆಲ್ ಸಲಹೆಯನ್ನು ನೀಡಿದಾಗ, ಕಚ್ಚಾ ಇನ್ಪುಟ್ನಿಂದ (raw input) ಬಳಕೆದಾರರ ಕ್ರಿಯೆಯವರೆಗೆ (user action) ಒಂದು ಸ್ಪಷ್ಟವಾದ ಹಾದಿ ಇರುವುದನ್ನು ಇದು ಖಚಿತಪಡಿಸುತ್ತದೆ.
ಆ ಲೇಯರ್ ಅನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸಬೇಕೆಂಬುದನ್ನು ಇಲ್ಲಿದೆ ನೋಡಿ.
ಅಲ್ಗಾರಿದಮ್ನಿಂದಲ್ಲ, ಡೇಟಾದೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ
AI ಗೆ ಸಂದರ್ಭದ (context) ಅಗತ್ಯವಿದೆ. ಅದು ಅಸ್ತವ್ಯಸ್ತವಾದ ಪಠ್ಯದಿಂದ ಉದ್ದೇಶವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅಥವಾ ಐದು ಡೂಪ್ಲಿಕೇಟ್ ರೆಕಾರ್ಡ್ಗಳ ನಡುವೆ ಗುರುತನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಾಧ್ಯವಿಲ್ಲ. ನೀವು ಅದಕ್ಕೆ ಏನು ನೀಡುತ್ತೀರೋ ಅದನ್ನೇ ಅದು ಓದುತ್ತದೆ. ನಿಮ್ಮ ಡೇಟಾ ಕೆಟ್ಟದಾಗಿದ್ದರೆ, ನಿಮ್ಮ ಫಲಿತಾಂಶವೂ ಕೆಟ್ಟದಾಗಿರುತ್ತದೆ.
ನಿಮ್ಮ ಕೋರ್ ಆಬ್ಜೆಕ್ಟ್ಗಳನ್ನು (core objects) ಆಡಿಟ್ ಮಾಡುವ ಮೂಲಕ ಪ್ರಾರಂಭಿಸಿ. Accounts, Leads ಮತ್ತು Opportunities ಸಾಮಾನ್ಯವಾಗಿ ಆರಂಭಿಕ ಅಂಶಗಳಾಗಿರುತ್ತವೆ. ನಿಮ್ಮ ಅಗತ್ಯ ಫೀಲ್ಡ್ಗಳನ್ನು (required fields) ಗಮನಿಸಿ. ಒಂದು Opportunity ಅನ್ನು ಕ್ಲೋಸ್ ಡೇಟ್ (close date) ಅಥವಾ ಸ್ಟೇಜ್ (stage) ಇಲ್ಲದೆ ರಚಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತಿದ್ದರೆ, ನಿಮ್ಮ ಫೋರ್ಕಾಸ್ಟ್ ಮಾಡೆಲ್ಗೆ (forecast model) ಯಾವುದೇ ಗಟ್ಟಿಯಾದ ಮಾಹಿತಿ ಇರುವುದಿಲ್ಲ. ನಿಮ್ಮ ಪಿಕ್ಲಿಸ್ಟ್ಗಳನ್ನು (picklists) ಪರಿಶೀಲಿಸಿ. "Industry" ಫೀಲ್ಡ್ನಲ್ಲಿ "Healthcare" ಎಂಬ ಪದದ ಹನ್ನೆರಡು ವಿಭಿನ್ನ ರೂಪಗಳಿದ್ದರೆ, ನೀವು ತರಬೇತಿ ನೀಡುವ ಯಾವುದೇ ಸೆಗ್ಮೆಂಟೇಶನ್ ಮಾಡೆಲ್ (segmentation model) ಚದುರಿ ಹೋಗುತ್ತದೆ.
ಡೂಪ್ಲಿಕೇಟ್ಗಳನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ನಿಯಂತ್ರಿಸಿ. "Acme Incorporated" ಎಂಬುದು ವಿಭಿನ್ನ ಇಮೇಲ್ ಡೊಮೇನ್ಗಳು ಮತ್ತು ಚಟುವಟಿಕೆಯ ಇತಿಹಾಸವನ್ನು ಹೊಂದಿರುವ ಮೂರು ಪ್ರತ್ಯೇಕ ಕಾಂಟ್ಯಾಕ್ಟ್ಗಳಾಗಿ (Contacts) ಇದ್ದರೆ, ಎಂಗೇಜ್ಮೆಂಟ್ (engagement) ಅಥವಾ ಚರ್ನ್ ರಿಸ್ಕ್ (churn risk) ಅನ್ನು ಲೆಕ್ಕಹಾಕಲು ಪ್ರಯತ್ನಿಸುವ ಯಾವುದೇ AI ಸತ್ಯವನ್ನು ಚದುರಿಸಿಬಿಡುತ್ತದೆ. ಒಂದು ಮಾಸ್ಟರ್ ರೆಕಾರ್ಡ್ ಅನ್ನು ಆರಿಸಿ ಮತ್ತು ಅದನ್ನು ಕಡ್ಡಾಯಗೊಳಿಸಿ.
ಲೈಫ್ಸೈಕಲ್ ಸ್ಟೇಜ್ಗಳನ್ನು (lifecycle stages) ಸರಳ ಭಾಷೆಯಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಿ. ತಂಡದ ಪ್ರತಿಯೊಬ್ಬರಿಗೂ "Prospecting," "Qualification," ಮತ್ತು "Negotiation" ನಡುವಿನ ವ್ಯತ್ಯಾಸ ತಿಳಿದಿರಬೇಕು. ಸ್ಟೇಜ್ಗಳು ಅಸ್ಪಷ್ಟವಾಗಿದ್ದರೆ, ಗೆಲುವಿನ ಸಾಧ್ಯತೆಯನ್ನು (win probability) ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸುವ AI ಗೊಂದಲಮಯ ಮಾಹಿತಿಯ ಮೇಲೆ ತರಬೇತಿ ಪಡೆಯುತ್ತದೆ.
AI ಸಿಸ್ಟಮ್ಗೆ ರೀಡ್ ಆಕ್ಸೆಸ್ (read access) ನೀಡುವ ಮೊದಲು ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸಿ. PII, ಹಣಕಾಸಿನ ವಿವರಗಳು ಮತ್ತು ಒಪ್ಪಂದದ ನಿಯಮಗಳು ಎಲ್ಲಿವೆ ಎಂದು ತಿಳಿದುಕೊಳ್ಳಿ. ಮಾಡೆಲ್ ಅದನ್ನು ನೋಡಬಾರದು ಎಂದಿದ್ದರೆ, ಅದರ ಅಡಿಯಲ್ಲಿರುವ ಆರ್ಕಿಟೆಕ್ಚರ್ ಆ ಮಿತಿಯನ್ನು ಕಡ್ಡಾಯವಾಗಿ ಜಾರಿಗೆ ತರಬೇಕು.
ವರ್ಕ್ಫ್ಲೋಗಳನ್ನು ಆಟೊಮೇಷನ್ ಮಾಡುವ ಮೊದಲು ಮ್ಯಾಪ್ ಮಾಡಿ
ನಿಮಗೆ ಅರ್ಥವಾಗದ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನೀವು ಆಟೊಮೇಷನ್ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಸ್ಪಷ್ಟವಾದ ಮಾಲೀಕರು (owner), ನಿರ್ದಿಷ್ಟ ಎಂಟ್ರಿ ಪಾಯಿಂಟ್ (entry point) ಮತ್ತು ಪರಿಸ್ಥಿತಿ ಹದಗೆಟ್ಟಾಗ ಏನು ಮಾಡಬೇಕೆಂಬ ನಿಯಮಗಳಿಲ್ಲದ ವರ್ಕ್ಫ್ಲೋ ಅನ್ನು AI ಬೆಂಬಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
ಕೆಲಸವು ನಿಮ್ಮ CRM ಗೆ ಹೇಗೆ ಪ್ರವೇಶಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ. ಅದು ವೆಬ್ ಫಾರ್ಮ್ ಆಗಿದೆಯೇ? ಸ್ಪ್ರೆಡ್ಶೀಟ್ ಅಪ್ಲೋಡ್ ಆಗಿದೆಯೇ? ಅಥವಾ ನಿಮ್ಮ ಬಿಲ್ಲಿಂಗ್ ಸಿಸ್ಟಮ್ನಿಂದ ಬಂದ API ಆಗಿದೆಯೇ? ಪ್ರತಿ ಎಂಟ್ರಿ ಪಾಯಿಂಟ್ಗೂ ಒಂದು ಗೇಟ್ (gate) ಅಗತ್ಯವಿದೆ. ಪೇಯ್ಡ್ ಕ್ಯಾಂಪೇನ್ಗಳಿಂದ ಬರುವ Leads ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅರ್ಹತೆ ಪಡೆಯಬಹುದು (auto-qualify), ಆದರೆ ಇನ್ಬೌಂಡ್ ಸಪೋರ್ಟ್ ಟಿಕೆಟ್ಗಳು ಪರಿಶೀಲನೆಯಿಲ್ಲದೆ ಸೇಲ್ಸ್ ಪೈಪ್ಲೈನ್ಗೆ (sales pipeline) ಎಂದಿಗೂ ಸೇರಬಾರದು.
ಸ್ಟೇಟಸ್ ಟ್ರಾನ್ಸಿಶನ್ಗಳನ್ನು (status transitions) ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿ. ಯಾರೋ ಒಬ್ಬರು ಕ್ಲೋಸ್ ಮಾಡಲು ಮರೆತಿದ್ದಕ್ಕಾಗಿ ಒಂದು Lead, Opportunity ಆಗಬಾರದು. ನಿಯಮಗಳನ್ನು ನಿಗದಿಪಡಿಸಿ. ಬಹುಶಃ ಒಂದು ಮೀಟಿಂಗ್ ದಾಖಲಾದ ನಂತರ ಮತ್ತು ಬಜೆಟ್ ಖಚಿತವಾದ ನಂತರವಷ್ಟೇ Lead ಕನ್ವರ್ಟ್ ಆಗಬಹುದು. ನಂತರ AI "ಈ Lead ಸಿದ್ಧವಾಗಿದೆ" ಎಂದು ಸೂಚಿಸಿದಾಗ, ಅದು ನಿಮ್ಮ ನೈಜ ಫನಲ್ನೊಂದಿಗೆ (funnel) ಹೊಂದಿಕೆಯಾಗುವ ಮಾನದಂಡಗಳ ಆಧಾರದ ಮೇಲೆ ಅಳೆಯಬೇಕು.
ನಿಮ್ಮ ತಂಡದ ರಚನೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಅಸೈನ್ಮೆಂಟ್ ನಿಯಮಗಳನ್ನು (assignment rules) ರಚಿಸಿ. ಸಣ್ಣ ತಂಡಗಳಿಗೆ ರೌಂಡ್-ರಾಬಿನ್ (Round-robin) ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಭೌಗೋಳಿಕತೆ ಅಥವಾ ಅಕೌಂಟ್ ಗಾತ್ರದ ಆಧಾರದ ಮೇಲೆ ನೀವು ವಿಂಗಡಿಸಿದ ನಂತರ ಟೆರಿಟರಿ-ಆಧಾರಿತ ರೂಟಿಂಗ್ (Territory-based routing) ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಯಾವುದೇ ಸಂದರ್ಭದಲ್ಲೂ, ಯಾರು ಏನನ್ನು ಹೊಂದಿದ್ದಾರೆ ಎಂಬುದು AI ಗೆ ತಿಳಿದಿರಬೇಕು. ಹಾಟ್ ಪ್ರೊಸ್ಪೆಕ್ಟ್ಗಳನ್ನು (hot prospects) ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡದ ಕ್ಯೂ (queue) ಗೆ ಹಾಕುವ ಲೀಡ್ ಸ್ಕೋರಿಂಗ್ ಮಾಡೆಲ್ ಪ್ರಯೋಜನವಿಲ್ಲದಂತಾಗುತ್ತದೆ.
ಎಕ್ಸೆಪ್ಶನ್ಗಳು (exceptions) ಮತ್ತು ಎಸ್ಕಲೇಷನ್ಗಳಿಗಾಗಿ (escalations) ಯೋಜಿಸಿ. AI ರೂಟಿಂಗ್ ನಿಯಮವು ವಿಫಲವಾದಾಗ ಏನಾಗುತ್ತದೆ? ಒಂದು ಡೀಲ್ ನಿರ್ದಿಷ್ಟ ಮೌಲ್ಯವನ್ನು ಮೀರಿದಾಗ ಮತ್ತು ಮ್ಯಾನೇಜರ್ ಗಮನದ ಅಗತ್ಯವಿದ್ದಾಗ ಏನಾಗಬೇಕು? ಆ ಶಾಖೆಗಳನ್ನು (branches) ಈಗಲೇ ನಿರ್ಮಿಸಿ. ನೀವು ಡಿಪ್ಲಾಯ್ಮೆಂಟ್ (deployment) ನಂತರದವರೆಗೆ ಕಾಯುತ್ತಿದ್ದರೆ, ನೀವು