AI assistants and predictive scoring are now standard asks from sales and support leaders. Most teams frame these as fea

AI असिस्टंट्स आणि प्रेडिक्टिव्ह स्कोअरिंग (predictive scoring) आता सेल्स आणि सपोर्ट लीडर्सकडून मिळणाऱ्या नेहमीच्या मागण्या आहेत. बहुतेक टीम्स या गोष्टींना 'फीचर रिक्वेस्ट' (feature requests) म्हणून पाहतात. ते एखादे प्लगइन शोधतात, एक टॉगल (toggle) सुरू करतात आणि जादूची अपेक्षा करतात. पण त्याऐवजी त्यांना गोंधळ मिळतो. चुकीच्या शिफारसी. गोंधळात टाकणारे आउटपुट्स. एक अशी प्रणाली जी अशी उत्तरे देते ज्यावर कोणीही विश्वास ठेवत नाही.

असे घडते कारण CRM मधील AI ही केवळ 'फीचर'ची समस्या नाही. ती 'आर्किटेक्चर'ची (architecture) समस्या आहे. त्याखालील ऑपरेटिंग लेयर (operating layer) जितका सक्षम असेल, तितकीच ती बुद्धिमत्ता (intelligence) चांगली असेल. जर तुमचा डेटा अविश्वसनीय असेल, तुमचे वर्कफ्लो (workflows) अस्पष्ट असतील आणि तुमचे गव्हर्नन्स (governance) अस्तित्वात नसेल, तर AI या त्रुटी दूर करत नाही. उलट, ते या त्रुटींना अधिक वेगवान करते. परिणामी तुम्हाला जलद माहिती (insight) मिळण्याऐवजी अधिक जलद गोंधळ मिळतो.

कोणतीही AI क्षमता जोडण्यापूर्वी, तुम्हाला एका ऑपरेटिंग लेयरची गरज आहे. हा तुमच्या डेटा, तुमच्या प्रक्रिया आणि तुमच्या लोकांमध्ये जोडणारा दुवा आहे. जेव्हा एखादे AI मॉडेल एखादी सूचना देते, तेव्हा रॉ इनपुटपासून (raw input) युजरच्या कृतीपर्यंत एक स्पष्ट मार्ग (clean trail) असल्याची खात्री हा लेयर देतो.

तो लेयर कसा तयार करायचा, ते खाली दिले आहे.

अल्गोरिदमपासून नाही, तर डेटापासून सुरुवात करा

AI ला संदर्भाची (context) गरज असते. ते विस्कळीत मजकुरातून (free-text mess) हेतू समजू शकत नाही किंवा पाच वेगवेगळ्या डुप्लिकेट रेकॉर्ड्समधून ओळख पटवू शकत नाही. तुम्ही त्याला जे देता, तेच ते वाचते. जर तुमचा डेटा खराब असेल, तर तुमचे आउटपुटही खराब असेल.

तुमच्या मुख्य ऑब्जेक्ट्सचे (core objects) ऑडिट करून सुरुवात करा. Accounts, Leads आणि Opportunities हे सामान्यतः सुरुवातीचे बिंदू असतात. तुमच्या आवश्यक फील्ड्सकडे (required fields) लक्ष द्या. जर एखादी Opportunity क्लोज डेट (close date) किंवा स्टेज (stage) शिवाय तयार केली जाऊ शकत असेल, तर तुमच्या फोरकास्ट मॉडेलकडे (forecast model) विश्लेषणासाठी काहीही ठोस नसेल. तुमच्या पिकलिस्ट्स (picklists) तपासा. जर "Industry" फील्डमध्ये "Healthcare" चे बारा वेगवेगळे प्रकार असतील, तर तुम्ही प्रशिक्षित केलेले कोणतेही सेगमेंटेशन मॉडेल (segmentation model) विखंडित होईल.

डुप्लिकेट्सवर कडक नियंत्रण ठेवा. जर "Acme Incorporated" हे वेगवेगळ्या ईमेल डोमेन आणि ॲक्टिव्हिटी हिस्ट्रीसह तीन वेगळे कॉन्टॅक्ट्स (Contacts) म्हणून अस्तित्वात असेल, तर एंगेजमेंट (engagement) किंवा चर्न रिस्क (churn risk) मोजण्याचा प्रयत्न करणारा कोणताही AI सत्य माहितीचे तुकडे करेल. एक मास्टर रेकॉर्ड निवडा आणि तोच लागू करा.

लाइफसायकल स्टेज (lifecycle stages) साध्या भाषेत परिभाषित करा. टीममधील प्रत्येकाला "Prospecting," "Qualification," आणि "Negotiation" मधील फरक माहित असावा. जर स्टेज अस्पष्ट असतील, तर जिंकण्याची शक्यता (win probability) वर्तवण्याचा प्रयत्न करणारे AI केवळ गोंधळावर (noise) आधारित प्रशिक्षण घेईल.

AI सिस्टमला 'रीड ॲक्सेस' (read access) देण्यापूर्वी संवेदनशील डेटा सुरक्षित करा. PII, आर्थिक तपशील आणि करारातील अटी कुठे आहेत हे जाणून घ्या. जर मॉडेलने ते पाहू नये असे वाटत असेल, तर मूळ आर्किटेक्चरने ती मर्यादा पाळणे आवश्यक आहे.

वर्कफ्लो ऑटोमेट करण्यापूर्वी त्यांचे मॅपिंग करा

तुम्हाला न समजलेली प्रक्रिया तुम्ही ऑटोमेट करू शकत नाही. ज्या वर्कफ्लोला स्पष्ट मालक नाही, निश्चित एन्ट्री पॉईंट नाही आणि गोष्टी चुकल्यास काय करावे याचे नियम नाहीत, त्याला AI आधार देऊ शकत नाही.

तुमचे काम CRM मध्ये कसे येते याचे रेखाटन करा. ते वेब फॉर्म आहे? स्प्रेडशीट अपलोड आहे? की तुमच्या बिलिंग सिस्टममधील एखादे API आहे? प्रत्येक एन्ट्री पॉईंटला एका गेटची (gate) गरज आहे. पेड कॅम्पेनमधून येणारे Leads ऑटो-क्वालिफाई (auto-qualify) होऊ शकतात, तर इनबाउंड सपोर्ट तिकिट्स (inbound support tickets) रिव्ह्यूशिवाय सेल्स पाईपलाईनमध्ये (sales pipeline) कधीही येऊ नयेत.

स्टेटस ट्रान्झिशन्स (status transitions) स्पष्टपणे परिभाषित करा. कोणीतरी क्लोज करायला विसरल्यामुळे Lead चे Opportunity मध्ये रूपांतर होऊ नये. नियम ठरवा. कदाचित मीटिंग लॉग झाल्यानंतर आणि बजेट कन्फर्म झाल्यानंतरच Lead कन्व्हर्ट (convert) व्हावा. जेव्हा AI नंतर "हा Lead तयार वाटतो" अशी सूचना देईल, तेव्हा ते तुमच्या वास्तविक फनेलशी (funnel) जुळणाऱ्या निकषांवर आधारित असावे.

तुमच्या टीमच्या रचनेनुसार असाइनमेंट रूल्स (assignment rules) तयार करा. लहान टीमसाठी राउंड-रबिन (Round-robin) पद्धत काम करते. एकदा तुम्ही भूगोल किंवा अकाउंट साइजनुसार विभागणी केली की टेरिटरी-आधारित राउटिंग (Territory-based routing) उपयुक्त ठरते. कोणत्याही परिस्थितीत, AI ला कोणाकडे काय आहे हे माहित असणे आवश्यक आहे. हॉट प्रॉस्पेक्ट्सना (hot prospects) अनमॉनिटर केलेल्या क्यू (unmonitored queue) मध्ये टाकणारे लीड स्कोअरिंग मॉडेल निरुपयोगी आहे.

अपवाद (exceptions) आणि एस्केलेशन्ससाठी (escalations) नियोजन करा. जेव्हा AI राउटिंग नियम निकामी होतो तेव्हा काय होते? जर एखादा डील ठराविक मूल्यापेक्षा जास्त असेल आणि त्यासाठी मॅनेजरच्या देखरेखीची गरज असेल तर काय? हे ब्रँचेस (branches) आताच तयार करा. जर तुम्ही डिप्लॉयमेंटनंतरची वाट पाहिली, तर तुम्ही