ಹೆಚ್ಚಿನ CRM ಚಾಟ್ಬಾಟ್ಗಳು ದುಬಾರಿ ಕ್ಯಾಲ್ಕುಲೇಟರ್ಗಳಿಗಿಂತ ಹೆಚ್ಚು ಏನೂ ಅಲ್ಲ. ಪೈಪ್ಲೈನ್ ಮೌಲ್ಯದ ಬಗ್ಗೆ ಕೇಳಿದರೆ, ಅವು ವರದಿಯಿಂದ ನೇರವಾಗಿ ಪಡೆದ ಅಂಕಿಅಂಶವನ್ನು ನೀಡುತ್ತವೆ. ಆ ಸಂಖ್ಯೆ ಏಕೆ ಬದಲಾಯಿತು ಎಂದು ಕೇಳಿದರೆ, ಸಂಭಾಷಣೆಯೇ ನಿಂತುಹೋಗುತ್ತದೆ. ಕಚ್ಚಾ ಡೇಟಾ ಮತ್ತು ನೈಜ ತಿಳುವಳಿಕೆಯ ನಡುವಿನ ಆ ಅಂತರವೇ ವ್ಯವಹಾರಗಳು ಕೈತಪ್ಪಿಹೋಗುವ ಮತ್ತು ಆದಾಯವು ಗಮನಕ್ಕೆ ಬಾರದೆ ಕಳೆದುಹೋಗುವ ಸ್ಥಳವಾಗಿದೆ.
ನೈಜ ಕಾರ್ಯಾಚರಣೆಯ ಮೌಲ್ಯವು ಸಂದರ್ಭದಿಂದ (context) ಬರುತ್ತದೆ. ಕ್ಲೋಸ್ ರೇಟ್ಗಳು (close rates) ಏಕೆ ಬದಲಾದವು, ಈ ಪ್ರವೃತ್ತಿ ಮುಂದುವರಿದರೆ ಏನಾಗಬಹುದು ಮತ್ತು ಯಾವ ಬದಲಾವಣೆಯು ಈ ಚಲನೆಯನ್ನು ಪ್ರಚೋದಿಸಿತು ಎಂಬುದನ್ನು ನೀವು ತಿಳಿಯಬೇಕಾಗುತ್ತದೆ. Zoho CRM ಚಾಟ್ಬಾಟ್ಗೆ ಅಂತಹ ಮಟ್ಟದ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಸೇರಿಸುವುದು ವಿಜ್ಞಾನ ಕಲ್ಪನೆಯಲ್ಲ (science fiction). ಇದಕ್ಕೆ ಸ್ವಚ್ಛವಾದ ಡೇಟಾ ಪೈಪ್ಲೈನ್, ಶಿಸ್ತುಬದ್ಧವಾದ ಸೆಮ್ಯಾಂಟಿಕ್ ಲೇಯರ್ (semantic layer) ಮತ್ತು ಪರಿಣಾಮಗಳನ್ನು ಅವುಗಳ ಕಾರಣಗಳಿಗೆ ಹಿಂತಿರುಗಿ ಪತ್ತೆಹಚ್ಚಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅಗತ್ಯವಿದೆ.
ನಿಜವಾದ ಸಮಸ್ಯೆ ಡೇಟಾ ಅಲ್ಲ, ಸಂದರ್ಭ (Context)
ಮಾರಾಟ ತಂಡಗಳು ಈಗಾಗಲೇ ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳ ಸುಳಿಯಲ್ಲಿ ಸಿಲುಕಿವೆ. ಪ್ರತಿಯೊಂದು CRM ಕೂಡ ಡಜನ್ಗಟ್ಟಲೆ ಬಾರ್ ಚಾರ್ಟ್ಗಳು ಮತ್ತು ಫನಲ್ ವೀಕ್ಷಣೆಗಳನ್ನು (funnel views) ಸೃಷ್ಟಿಸುತ್ತದೆ. ಆದರೆ, ಕೇವಲ ಒಂದು ಸಂಖ್ಯೆಯು ಕ್ಷುಲ್ಲಕ ವಿಷಯವಾಗಿದೆ. ಕ್ಲೋಸ್ ರೇಟ್ಗಳಲ್ಲಿನ ಶೇಕಡಾ 15 ರಷ್ಟು ಇಳಿಕೆಯು ಏನೋ ಒಂದು ಘಟನೆ ನಡೆದಿದೆ ಎಂದು ನಿಮಗೆ ತಿಳಿಸುತ್ತದೆ. ಆದರೆ, SDR ತಂಡವು ತನ್ನ ಕ್ವಾಲಿಫಿಕೇಶನ್ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಬದಲಾಯಿಸಿದೆಯೇ, ಪೇಯ್ಡ್ ಟ್ರಾಫಿಕ್ ಮೂಲವು ಇದ್ದಕ್ಕಿದ್ದಂತೆ ಅನರ್ಹ ಸಂದರ್ಶಕರನ್ನು ಕಳುಹಿಸಿದೆಯೇ ಅಥವಾ ಸ್ಪರ್ಧಿಗಳು ತಿಂಗಳ ಮೊದಲ ದಿನವೇ ಆಕ್ರಮಣಕಾರಿ ಬೆಲೆಗಳನ್ನು ಘೋಷಿಸಿದೆಯೇ ಎಂಬುದರ ಬಗ್ಗೆ ಅದು ನಿಮಗೆ ಏನನ್ನೂ ಹೇಳುವುದಿಲ್ಲ.
ಒಂದು ಸ್ಮಾರ್ಟ್ ಸಿಸ್ಟಮ್ ಪ್ರಶ್ನೆಯ ಹಿಂದಿರುವ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ. ಇದು CRM ಅನ್ನು ಸ್ಥಿರವಾದ ಡೇಟಾಬೇಸ್ ಆಗಿ ನೋಡದೆ, ಜೀವಂತ ಸಿಗ್ನಲ್ ಸ್ಟ್ರೀಮ್ ಆಗಿ ಪರಿಗಣಿಸುತ್ತದೆ. ಸರಿಯಾಗಿ ನಿರ್ಮಿಸಿದಾಗ, ಚಾಟ್ಬಾಟ್ ಅಸಹಜತೆಗಳನ್ನು (anomalies) ಗುರುತಿಸುವ, ಮೂಲ ಕಾರಣಗಳನ್ನು ಅನ್ವೇಷಿಸುವ ಮತ್ತು ಡೇಟಾಬೇಸ್ ಸಾಲುಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿ ವ್ಯವಹಾರದ ಫಲಿತಾಂಶಗಳ ಬಗ್ಗೆ ಮಾತನಾಡುವ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪಾಲುದಾರನಾಗುತ್ತದೆ.
Zoho API ಜೊತೆ ಹೋರಾಡುವುದನ್ನು ನಿಲ್ಲಿಸಿ
ನೀವು ಏನನ್ನಾದರೂ ವಿಶ್ಲೇಷಿಸುವ ಮೊದಲು, ಡೇಟಾವನ್ನು Zoho ನಿಂದ ಸ್ವಚ್ಛವಾಗಿ ಹೊರತೆಗೆಯಬೇಕು. ಪ್ರತಿಯೊಂದು ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಮತ್ತು ಕಸ್ಟಮ್ ಆಬ್ಜೆಕ್ಟ್ಗಳಿಗಾಗಿ ಕಸ್ಟಮ್ ಸಿಂಕ್ ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ಬರೆಯುವ ಆಸೆಯನ್ನು ತಡೆಯಿರಿ. Zoho API ಪೇಜಿನೇಷನ್ (pagination), ರೇಟ್ ಲಿಮಿಟ್ಗಳು ಮತ್ತು OAuth ಟೋಕನ್ ನಿರ್ವಹಣೆಯನ್ನು ಕಡ್ಡಾಯಗೊಳಿಸುತ್ತದೆ. ನಿಮ್ಮ CRM ನಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಸಣ್ಣ ಸ್ಕೀಮಾ ಬದಲಾವಣೆಯು ನಿರ್ವಹಣೆಯ ತಲೆನೋವು trởುತ್ತದೆ ಮತ್ತು ಇದು ಇಂಜಿನಿಯರಿಂಗ್ ಸಮಯವನ್ನು ನಿಜವಾದ ಉತ್ಪನ್ನದ ಕೆಲಸದಿಂದ ದೂರ ಮಾಡುತ್ತದೆ.
ಬದಲಾಗಿ Airbyte ಬಳಸಿ. ಇದು ನಿಮಗಾಗಿ ಕಷ್ಟಕರವಾದ ಭಾಗಗಳನ್ನು ನಿರ್ವಹಿಸುವ Zoho CRM ಕನೆಕ್ಟರ್ ಅನ್ನು ಹೊಂದಿದೆ. ಇದು ಮಾರ್ಪಡಿಸಿದ ಟೈಮ್ಸ್ಟ್ಯಾಂಪ್ಗಳನ್ನು (modified timestamps) ಬಳಸಿ ಹಂತ ಹಂತವಾಗಿ ಸಿಂಕ್ ಮಾಡುತ್ತದೆ, ಆದ್ದರಿಂದ ನೀವು ಪ್ರತಿ ಗಂಟೆಗೊಮ್ಮೆ ಇಡೀ ಟೇಬಲ್ಗಳನ್ನು ಎಕ್ಸ್ಟ್ರಾಕ್ಟ್ ಮಾಡಬೇಕಾಗಿಲ್ಲ. ಇದು ಸ್ಕೀಮಾಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಾರ್ಮಲೈಸ್ ಮಾಡುತ್ತದೆ, ಇದು ನೀವು Lead_Source_Detail ಅಥವಾ Qualification_Score ನಂತಹ ಕಸ್ಟಮ್ ಫೀಲ್ಡ್ಗಳನ್ನು ಸೇರಿಸಿದ ತಕ್ಷಣ ಮುಖ್ಯವಾಗುತ್ತದೆ. ಆ ಫೀಲ್ಡ್ಗಳು ಬದಲಾದಾಗ, ಎಕ್ಸ್ಟ್ರಾಕ್ಷನ್ ಲಾಜಿಕ್ ಅನ್ನು ಮತ್ತೆ ಬರೆಯುವ ಅಗತ್ಯವಿಲ್ಲದೆ Airbyte ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ. ಇದು ಡೇಟಾವನ್ನು ನೇರವಾಗಿ Postgres, Snowflake ಅಥವಾ BigQuery ಗೆ ತಲುಪಿಸುತ್ತದೆ, ಇದರಿಂದ ಮಧ್ಯಂತರ ಫೈಲ್ಗಳು ಮಧ್ಯರಾತ್ರಿ 2 ಗಂಟೆಗೆ ಹಾಳಾಗುವ ಅಪಾಯ ತಪ್ಪುತ್ತದೆ.
ಈ ವಿಶ್ವಾಸಾರ್ಹತೆಯು ಮುಖ್ಯವಾಗಿದೆ ಏಕೆಂದರೆ ನಿಮ್ಮ ಸ್ಟ್ಯಾಕ್ನ ಮುಂದಿನ ಹಂತಗಳು ಡೇಟಾದ ತಾಜಾತನದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ. ನಿಮ್ಮ ಇಂಜೆಸ್ಟಿನ್ (ingestion) ರೆಕಾರ್ಡ್ಗಳನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ ಅಥವಾ ಸಾಲುಗಳನ್ನು ಡೂಪ್ಲಿಕೇಟ್ ಮಾಡಿದರೆ, ನಿಮ್ಮ ಅಸಹಜತೆಗಳ ಪತ್ತೆ (anomaly detection) ತಪ್ಪಾದ ಎಚ್ಚರಿಕೆ ನೀಡುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಕಾರಣಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆಯು (causal analysis) ಭ್ರಮೆಯತ್ತ ದಾರಿ ತೋರಿಸುತ್ತದೆ.
ಆರು ಲೇಯರ್ಗಳು, ಒಂದು ಸ್ಪಷ್ಟ ಧ್ವನಿ
ನಿಮ್ಮ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಲೇಯರ್ಡ್ ಆಗಿ ಇರಿಸಿ, ಇದರಿಂದ ಪ್ರತಿಯೊಂದು ಘಟಕವು ಒಂದು ಕೆಲಸವನ್ನು ಉತ್ತಮವಾಗಿ ಮಾಡುತ್ತದೆ. ವಿಭಜನೆಯು ಸಿಸ್ಟಮ್ ಅನ್ನು ಡಿಬಗ್ ಮಾಡಲು ಸುಲಭವಾಗಿಸುತ್ತದೆ, ವಿಸ್ತರಿಸಲು ಅಗ್ಗವಾಗಿಸುತ್ತದೆ ಮತ್ತು ಮಾರಾಟದ ನಾಯಕತ್ವವು ಬಾಟ್ ಹೇಗೆ ಉತ್ತರವನ್ನು ನೀಡಿತು ಎಂದು ಕೇಳಿದಾಗ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ನೀಡುತ್ತದೆ.
1. ಡೇಟಾ ಇಂಜೆಸ್ಟಿನ್ (Data Ingestion)
Airbyte ನಿಗದಿತ ವೇಳಾಪಟ್ಟಿಯಂತೆ Leads, Deals, Contacts, ಮತ್ತು Activities ಅನ್ನು ಎಕ್ಸ್ಟ್ರಾಕ್ಟ್ ಮಾಡುತ್ತದೆ. ಈ ನಾಲ್ಕು ಆಬ್ಜೆಕ್ಟ್ಗಳು ಹೆಚ್ಚಿನ ಮಾರಾಟ ಕಾರ್ಯಾಚರಣೆಗಳ ಜೀವನಾಡಿಯಾಗಿವೆ. ಎಕ್ಸ್ಟ್ರಾಕ್ಷನ್ ಅನ್ನು ಸರಳ ಮತ್ತು ಮುನ್ಸೂಚನೆ ನೀಡಬಹುದಾದ ರೀತಿಯಲ್ಲಿ ಇರಿಸಿ.
2. ಡೇಟಾ ವೇರ್ಹೌಸ್ (Data Warehouse)
ಮೊದಲು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಸ್ಟೇಜಿಂಗ್ ಏರಿಯಾಕ್ಕೆ ಲೋಡ್ ಮಾಡಿ. ವಿಶ್ಲೇಷಕರು ಅಥವಾ ಅಲ್ಗಾರಿದಮ್ಗಳು ನೇರವಾಗಿ Zoho ನ ಪ್ರೊಡಕ್ಷನ್ API ಅನ್ನು ಕ್ವೇರಿ ಮಾಡಲು ಬಿಡಬೇಡಿ. ಸ್ಕೀಮಾಗಳು ಬದಲಾದಾಗ ಸ್ಟೇಜಿಂಗ್ ಲೇಯರ್ ನಿಮಗೆ ಡೇಟಾವನ್ನು ಮರುಪಡೆಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ CRM ಅನ್ನು ನಿಧಾನಗೊಳಿಸದೆ ಇತಿಹಾಸವನ್ನು ಮರುಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಅನುಮತಿಸುತ್ತದೆ.
3. ಸೆಮ್ಯಾಂಟಿಕ್ ಲೇಯರ್ (Semantic Layer)
ಇಲ್ಲಿ ನೀವು ವ್ಯವಹಾರದ ಪದಗಳು (business terms) ವಾಸ್ತವವಾಗಿ ಏನನ್ನು ಸೂಚಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೀರಿ. ಉದಾಹರಣೆಗೆ, "won deal" ಎಂದರೆ Closed Won ಹಂತದಲ್ಲಿರುವ, 100 ಪ್ರತಿಶತದ ಸಂಭವನೀಯತೆ ಹೊಂದಿರುವ ಮತ್ತು ಕಳೆದ 90 ದಿನಗಳೊಳಗಿನ ಕ್ಲೋಸ್ ಡೇಟ್ ಹೊಂದಿರುವ ಯಾವುದೇ ಅವಕಾಶವಾಗಬಹುದು. "stalled lead" ಎಂದರೆ 14 ದಿನಗಳಿಂದ ಯಾವುದೇ ಚಟುವಟಿಕೆ ದಾಖಲಾಗಿಲ್ಲ ಎಂದರ್ಥವಾಗಬಹುದು. ಚಾಟ್ಬಾಟ್ ನಂತರ ರೀಜನಲ್ ಮ್ಯಾನೇಜರ್ಗೆ stalled leads ಹೆಚ್ಚಾಗಿವೆ ಎಂದು ಹೇಳಿದಾಗ, ಅದು ತ್ರೈಮಾಸಿಕ ಬೋರ್ಡ್ ವರದಿಯಲ್ಲಿರುವ ಅದೇ ವ್ಯಾಖ್ಯಾನವನ್ನು ಬಳಸಬೇಕು. ಈ ಲೇಯರ್ ಇಲ್ಲದಿದ್ದರೆ, ಡ್ಯಾಶ್ಬೋರ್ಡ್ 42 ಕ್ಲೋಸ್ಡ್ ಡೀಲ್ಗಳನ್ನು ತೋರಿಸುತ್ತದೆ ಮತ್ತು ಬಾಟ್ 38 ಇವೆ ಎಂದು ಹಠ ಹಿಡಿಯುವಂತಹ ಮುಜುಗರದ ಪರಿಸ್ಥಿತಿ ಎದುರಾಗುತ್ತದೆ.
4. ಅಸಹಜತೆಗಳ ಪತ್ತೆ (Anomaly Detection)
ಸ್ಪಷ್ಟವಾದ ಔಟ್ಲೈರ್ಗಳನ್ನು (outliers) ಪತ್ತೆಹಚ್ಚಲು ಸ್ಟ್ಯಾಟಿಸ್ಟಿಕಲ್ ಮಾಡೆಲ್ಗಳನ್ನು ಬಳಸಿ; ಉದಾಹರಣೆಗೆ, ಸಾಮಾನ್ಯವಾಗಿ ಚಟುವಟಿಕೆ ಇರುತ್ತದೆ ಎಂಬ ಭರವಸೆಯಿರುವ ಭಾನುವಾರದಂದು ಡೀಲ್ ಕ್ರಿಯೇಷನ್ ಶೂನ್ಯಕ್ಕೆ ಇಳಿಯುವುದು ಅಥವಾ ಒಂದು ದೊಡ್ಡ ಎಂಟರ್ಪ್ರೈಸ್ ಅವಕಾಶದಿಂದಾಗಿ ಪೈಪ್ಲೈನ್ ಮೌಲ್ಯವು ಏರಿಕೆಗೊಳ್ಳುವುದು. ಸಣ್ಣ ಬದಲಾವಣೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಲೈಟ್ವೇಯ್ಟ್ ML ಅನ್ನು ಬಳಸಿ, ಉದಾಹರಣೆಗೆ ಒಂದು ತಿಂಗಳ ಅವಧಿಯಲ್ಲಿ ವಾರಕ್ಕೆ ಶೇಕಡಾ ಎರಡು ರಷ್ಟು ಕ್ಲೋಸ್ ರೇಟ್ಗಳು ಇಳಿಕೆಯಾಗುವುದು. ನಿಮಗೆ ಎರಡೂ ರೀತಿಯ ದೃಷ್ಟಿಕೋನಗಳು ಬೇಕು. ಒಂದು ಕಠಿಣ ಸಾಧನ ಬೆಂಕಿಯನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ; ಸೂಕ್ಷ್ಮ ಸಾಧನ ಹೊಗೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ.
5. ಕಾರಣಾತ್ಮಕ ವಿಶ್ಲೇಷಣೆ (Causal Analysis)
ಈ ಪದರವು "ಏಕೆ" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತದೆ. ಮೆಟ್ರಿಕ್ ಅವಲಂಬಿತತೆಯ ಗ್ರಾಫ್ ಅನ್ನು (metric dependency graph) ನಿರ್ಮಿಸಿ. ಆದಾಯವು (Revenue) ಕ್ಲೋಸ್ ರೇಟ್ (close rate) ಮತ್ತು ಪೈಪ್ಲೈನ್ ಪ್ರಮಾಣದ (pipeline volume) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಕ್ಲೋಸ್ ರೇಟ್, ಲೀಡ್ ಗುಣಮಟ್ಟ (lead quality) ಮತ್ತು ಪ್ರತಿನಿಧಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯ (rep performance) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಲೀಡ್ ಗುಣಮಟ್ಟವು ಟ್ರಾಫಿಕ್ ಚಾನಲ್ ಮತ್ತು ಅರ್ಹತಾ ಮಾನದಂಡಗಳ (qualification criteria) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಕೆಳಮಟ್ಟದ ಮೆಟ್ರಿಕ್ ವಿಫಲವಾದಾಗ, ಸಿಸ್ಟಮ್ ಗ್ರಾಫ್ ಮೂಲಕ ಮೇಲ್ಮಟ್ಟದ ಮೆಟ್ರಿಕ್ಗಳತ್ತ ಸಾಗುತ್ತದೆ. ಇದು ಸಹಸಂಬಂಧದ ಸಾಮರ್ಥ್ಯ (correlation strength) ಮತ್ತು ಸಮಯದ ಸಮೀಪತೆಯನ್ನು ಆಧರಿಸಿ ಸಂಭಾವ್ಯ ಕಾರಣಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸುತ್ತದೆ. ಈ ಮೂಲಕ ಬಾಟ್ ಸಮಸ್ಯೆಯನ್ನು ತಿಳಿಸುವುದರಿಂದ ಅದು ಸಮಸ್ಯೆಗೆ ಕಾರಣವಾದ ಅಂಶವನ್ನು ಗುರುತಿಸುವ ಹಂತಕ್ಕೆ ತಲುಪುತ್ತದೆ.
6. ಚಾಟ್ ಇಂಟರ್ಫೇಸ್ (Chat Interface)
Retrieval-Augmented Generation (RAG) ಹೊಂದಿರುವ LLM ಮೂಲಕ ಸಂಶೋಧನೆಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿ. ಪ್ರಮುಖ ವಿಷಯವೆಂದರೆ, LLM ನಿಮ್ಮ ಸೆಮ್ಯಾಂಟಿಕ್ ಲೇಯರ್ ಅನ್ನು (semantic layer) ಮಾತ್ರ ಪ್ರಶ್ನಿಸಬೇಕು, ಎಂದಿಗೂ ರ (raw) ವೇರ್ಹೌಸ್ ಟೇಬಲ್ಗಳನ್ನು ಬಳಸಬಾರದು. ರ ಟೇಬಲ್ಗಳು ಫಾರಿನ್ ಕೀಗಳು (foreign keys) ಮತ್ತು ಯುನಿಕ್ಸ್ ಟೈಮ್ಸ್ಟ್ಯಾಂಪ್ಗಳ (Unix timestamps) ಭಾಷೆಯಲ್ಲಿರುತ್ತವೆ. ಸೆಮ್ಯಾಂಟಿಕ್ ಲೇಯರ್ ವ್ಯವಹಾರದ ಭಾಷೆಯಲ್ಲಿ (business language) ಮಾತನಾಡುತ್ತದೆ. RAG ಮಾಡೆಲ್ ಅನ್ನು ನಿಮ್ಮ ನೈಜ ವ್ಯಾಖ್ಯಾನಗಳೊಂದಿಗೆ ಜೋಡಿಸುತ್ತದೆ, ಇದರಿಂದ ಹ್ಯಾಲ್ಯುಸಿನೇಷನ್ಗಳು (hallucinations) ಕಡಿಮೆಯಾಗುತ್ತವೆ ಮತ್ತು ಸ್ಥಿರತೆ ಹೆಚ್ಚುತ್ತದೆ.
ಮೆಟ್ರಿಕ್ ಗ್ರಾಫ್ ಎಲ್ಲವನ್ನೂ ಹೇಗೆ ಬದಲಾಯಿಸುತ್ತದೆ
ಒಂದು ನೋಟಿಫಿಕೇಶನ್ ಮತ್ತು ಒಂದು ಒಳನೋಟದ (insight) ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಗಮನಿಸಿ. ಸಾಮಾನ್ಯ ಡ್ಯಾಶ್ಬೋರ್ಡ್ ಒಂದು ಎಚ್ಚರಿಕೆಯನ್ನು ಕಳುಹಿಸುತ್ತದೆ: "ಈ ವಾರ ಕ್ಲೋಸ್ ರೇಟ್ಗಳು ಶೇಕಡಾ 15 ರಷ್ಟು ಇಳಿಕೆಯಾಗಿವೆ." ಅದು ಕೇವಲ ಒಂದು ಹೆಡ್ಲೈನ್ ಆಗಿದೆಯೇ ಹೊರತು ರೋಗನಿರ್ಣಯವಲ್ಲ (diagnosis). ಒಂದು ಸ್ಮಾರ್ಟ್ ಸಿಸ್ಟಮ್ ಹೀಗೆ ಹೇಳುತ್ತದೆ: "ಚಾನಲ್ X ನಿಂದ ಲೀಡ್ ಗುಣಮಟ್ಟವು ಮಂಗಳವಾರ ಕುಸಿದಿದ್ದರಿಂದ ಕ್ಲೋಸ್ ರೇಟ್ಗಳು ಇಳಿಕೆಯಾಗಿವೆ." ಆ ಎರಡನೇ ವಾಕ್ಯವು ಸೇಲ್ಸ್ ಮ್ಯಾನೇಜರ್ಗೆ ತಕ್ಷಣದ ಕ್ರಮ ಕೈಗೊಳ್ಳಲು ದಾರಿಯನ್ನು ತೋರಿಸುತ್ತದೆ. ತ್ರೈಮಾಸಿಕವು ಹದಗೆಡುವ ಮುನ್ನವೇ ಅವಳು ಜಾಹೀರಾತು ವೆಚ್ಚವನ್ನು ನಿಲ್ಲಿಸಬಹುದು, ಲ್ಯಾಂಡಿಂಗ್ ಪೇಜ್ನಲ್ಲಿನ ಫಾರ್ಮ್ ಸರಿಯಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಬಹುದು ಅಥವಾ SDR ಕವರೇಜ್ ಅನ್ನು ಮರುಹಂಚಿಕೆ ಮಾಡಬಹುದು.
ಇದನ್ನು ನಿರ್ಮಿಸಲು ಮೇಲೆ ವಿವರಿಸಿದ ಕಾರಣಾತ್ಮಕ ಗ್ರಾಫ್ ಅಗತ್ಯವಿದೆ. ಕೆಳಮಟ್ಟದ ನೋಡ್—ಕ್ಲೋಸ್ ರೇಟ್—ಅದರ ನಿರೀಕ್ಷಿತ ವ್ಯಾಪ್ತಿಯ ಹೊರಗೆ ಹೋದಾಗ, ಸಿಸ್ಟಮ್ ಅದರ ಪೋಷಕ (parent) ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಇದು ಲೀಡ್ ಸ್ಕೋರ್ಗಳು, ಚಾನಲ್ ಮಿಕ್ಸ್, ಇತ್ತೀಚಿನ ಬೆಲೆ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಪ್ರತಿನಿಧಿಗಳ ನೇಮಕಾತಿಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ. ಇದು ಕೇವಲ ಊಹಿಸುವುದಿಲ್ಲ; ಬದಲಾಗಿ ವ್ಯವಹಾರವು ವಾಸ್ತವವಾಗಿ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆಯೋ ಅದನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ರಚನೆಯ ಮೂಲಕ ಸಾಗುತ್ತದೆ.
ಪ್ರೊಡಕ್ಷನ್ನಲ್ಲಿ ಇದನ್ನು ಸರಿಯಾಗಿ ಮಾಡುವುದು
ಕೇವಲ ಆರ್ಕಿಟೆಕ್ಚರ್ ನಿಮ್ಮನ್ನು ಅಸ್ಪಷ್ಟ ಎಚ್ಚರಿಕೆಗಳು ಅಥವಾ ನಂಬಲಸಾಧ್ಯವಾದ ಉತ್ತರಗಳಿಂದ ರಕ್ಷಿಸುವುದಿಲ್ಲ. ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆ (Execution) ಮುಖ್ಯವಾಗುತ್ತದೆ.
ಸಣ್ಣದಾಗಿ ಪ್ರಾರಂಭಿಸಿ. ವ್ಯವಹಾರವು ಈಗಾಗಲೇ ಗಮನಿಸುತ್ತಿರುವ ಮೂರು ಅಥವಾ ನಾಲ್ಕು ಪ್ರಮುಖ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಆರಿಸಿ. ಪೈಪ್ಲೈನ್ ಕ್ರಿಯೇಟೆಡ್, ಸರಾಸರಿ ಡೀಲ್ ಸೈಜ್, ಕ್ಲೋಸ್ ರೇಟ್ ಮತ್ತು ಸೇಲ್ಸ್ ಸೈಕಲ್ ಉದ್ದವು ಉತ್ತಮ ಆರಂಭಿಕ ಸೆಟ್ ಆಗಿದೆ. ವೆಬ್ಸೈಟ್ ಬೌನ್ಸ್ ರೇಟ್, ಇಮೇಲ್ ಓಪನ್ ರೇಟ್ ಅಥವಾ ಸೋಶಿಯಲ್ ಸೆಂಟಿಮೆಂಟ್ ಅನ್ನು ಸೇರಿಸುವ ಮೊದಲು ಇವುಗಳನ್ನು ಸರಿಯಾಗಿ ಹೊಂದಿಸಿ. ಅತಿಯಾದ ಎಚ್ಚರಿಕೆಗಳು ಗೊಂದಲವನ್ನು (noise) ಸೃಷ್ಟಿಸುತ್ತವೆ ಮತ್ತು ಜನರು ಸಿಸ್ಟಮ್ ಅನ್ನು ನಿರ್ಲಕ್ಷಿಸುವಂತೆ ಮಾಡುತ್ತದೆ.
ಮಾನವ ಜ್ಞಾನವನ್ನು ಗಣಿತದೊಂದಿಗೆ ಬೆರೆಸಿ. ನಿಮ್ಮ ಸೇಲ್ಸ್ ಆಪರೇಷನ್ಸ್ ತಂಡವನ್ನು ಕಾರಣಾತ್ಮಕ ಗ್ರಾಫ್ನ ಮೊದಲ ಆವೃತ್ತಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಬಿಡಿ. ಲೀಡ್ ಸ್ಕೋರ್ಗಳು ಕುಸಿದಾಗ, ಅದಕ್ಕೆ ಕಾರಣ ಹೆಚ್ಚಾಗಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ಕ್ಯಾಂಪೇನ್ ಅಥವಾ ಅರ್ಹತಾ ಸ್ಕ್ರಿಪ್ಟ್ನಲ್ಲಿನ ಇತ್ತೀಚಿನ ಬದಲಾವಣೆಯಾಗಿರುತ್ತದೆ ಎಂಬುದು ಅವರಿಗೆ ಅನುಭವದಿಂದ ತಿಳಿದಿದೆ. ಸಾಂಖ್ಯಿಕ ಸಹಸಂಬಂಧವು (Statistical correlation) ಆ ಸಂಬಂಧಗಳನ್ನು ಖಚಿತಪಡಿಸಬಹುದು ಅಥವಾ ಪ್ರಶ್ನಿಸಬಹುದು, ಆದರೆ ಅದು ಶೂನ್ಯದಲ್ಲಿ (vacuum) ಅವುಗಳನ್ನು ಮೊದಲು ಕಂಡುಹಿಡಿಯುವುದು ಅಪರೂಪ. ಸೇಲ್ಸ್ ಸಂಸ್ಥೆಗಳಲ್ಲಿನ ಕಾರಣ ಮತ್ತು ಪರಿಣಾಮವು ಡೊಮೇನ್ ಸೂಕ್ಷ್ಮತೆಗಳಿಂದ (domain nuance) ಕೂಡಿದೆ. ಅದನ್ನು ಗೌರವಿಸಿ.
ಎಲ್ಲವನ್ನೂ ಆಡಿಟ್ ಮಾಡಿ. ಚಾಟ್ಬಾಟ್ ನೀಡಿದ ಪ್ರತಿಯೊಂದು ಉತ್ತರವನ್ನು ಅದನ್ನು ರಚಿಸಲು ಬಳಸಿದ ನಿಖರವಾದ ಸೆಮ್ಯಾಂಟಿಕ್ ವ್ಯಾಖ್ಯಾನ, SQL ಫ್ರಾಗ್ಮೆಂಟ್ ಅಥವಾ ಮೆಟ್ರಿಕ್ ಆವೃತ್ತಿಯೊಂದಿಗೆ ದಾಖಲಿಸಿ. ಬಾಟ್ ಏಕೆ ಒಂದು ಖಾತೆಯನ್ನು ಹೆಚ್ಚಿನ ಅಪಾಯದಲ್ಲಿದೆ (high risk) ಎಂದು ಗುರುತಿಸಿತು ಎಂದು ಪ್ರತಿನಿಧಿ ಪ್ರಶ್ನಿಸಿದಾಗ, ಅದರ ಹಿಂದಿನ ತರ್ಕವನ್ನು ತೋರಿಸಿ. ಸೇಲ್ಸ್ ತಂಡಗಳಲ್ಲಿನ ನಂಬಿಕೆಯೇ ಪ್ರಮುಖ ಆಸ್ತಿ. ಬಾಟ್ ಕೇವಲ ಊಹಿಸುತ್ತಿದೆ ಎಂದು ಬಳಕೆದಾರರಿಗೆ ಅನುಮಾನ ಬಂದರೆ, ಅವರು ಮತ್ತೆ ತಮ್ಮ ಅಂತಃಪ್ರಜ್ಞೆ ಮತ್ತು ಸ್ಪ್ರೆಡ್ಶೀಟ್ಗಳ ಹುಡುಕಾಟಕ್ಕೆ ಮರಳುತ್ತಾರೆ.
ನಿಜವಾದ ಸಾರಾಂಶ
CRM ಫೀಲ್ಡ್ಗಳನ್ನು ಬಳಕೆದಾರರಿಗೆ ಕೇವಲ ಪುನರಾವರ್ತಿಸುವ ಲುಕ್ಅಪ್ ಟೂಲ್ಗಳನ್ನು ನಿರ್ಮಿಸುವುದನ್ನು ನಿಲ್ಲಿಸಿ. ಅದಕ್ಕಿಂತ ಮುಂದೆ ಹೋಗಲು ಬೇಕಾದ ತಂತ್ರಜ್ಞಾನ—Airbyte ಮೂಲಕ ಸ್ಟ್ರೀಮಿಂಗ್ ಇಂಜೆಕ್ಷನ್, ನಿಯಂತ್ರಿತ ಸೆಮ್ಯಾಂಟಿಕ್ ಲೇಯರ್, ಸಾಂಖ್ಯಿಕ ಮತ್ತು ಕಾರಣಾತ್ಮಕ ಮಾಡೆಲ್ಗಳು ಮತ್ತು ನೈಜ ವ್ಯವಹಾರ ತರ್ಕದ ಮೇಲೆ ಆಧಾರಿತವಾದ LLM—ಈಗ ಲಭ್ಯವಿದೆ. ಕಷ್ಟದ ಭಾಗವು ಮಾಡೆಲ್ ವೈರಿಂಗ್ ಅಲ್ಲ. ನಿಮ್ಮ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ನಿಖರವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸುವುದು, ಮೇಲ್ಮಟ್ಟದಲ್ಲಿ ಕಾರಣಗಳನ್ನು ರಚಿಸುವುದು ಮತ್ತು ಕೇವಲ ಬುದ್ಧಿವಂತನಂತೆ ಕಾಣಲು ಸಿಸ್ಟಮ್ ಗೊಂದಲವನ್ನು ಸೃಷ್ಟಿಸದಂತೆ ತಡೆಯುವ ಶಿಸ್ತು ಮುಖ್ಯವಾಗಿದೆ. ಉತ್ತರಗಳಿಗಾಗಿ ನಿರ್ಮಿಸಿ, ಆಗ ಚಾಟ್ಬಾಟ್ ಸೇಲ್ಸ್ ಮೀಟಿಂಗ್ನಲ್ಲಿ ತನ್ನ ಸ್ಥಾನವನ್ನು ಗಳಿಸುತ್ತದೆ.
Based on the architecture described by Mayu2008. For more discussions on data engineering and AI systems, join the GyaanSetu community.