ਜ਼ਿਆਦਾਤਰ CRM ਚੈਟਬੋਟ ਮਹਿੰਗੇ ਕੈਲਕੁਲੇਟਰਾਂ ਤੋਂ ਵੱਧ ਕੁਝ ਨਹੀਂ ਹਨ। ਜੇਕਰ ਤੁਸੀਂ ਪਾਈਪਲਾਈਨ ਵੈਲਯੂ (pipeline value) ਬਾਰੇ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਉਹ ਸਿੱਧਾ ਰਿਪੋਰਟ ਵਿੱਚੋਂ ਲਿਆ ਗਿਆ ਇੱਕ ਅੰਕੜਾ ਦੱਸ ਦਿੰਦੇ ਹਨ। ਜੇਕਰ ਤੁਸੀਂ ਪੁੱਛਦੇ ਹੋ ਕਿ ਉਹ ਅੰਕੜਾ ਕਿਉਂ ਬਦਲਿਆ, ਤਾਂ ਗੱਲਬਾਤ ਉੱਥੇ ਹੀ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ। ਕੱਚੇ ਡੇਟਾ ਅਤੇ ਅਸਲ ਸਮਝ ਵਿਚਕਾਰ ਇਹ ਖਾਲੀਪਣ ਹੀ ਉਹ ਜਗ੍ਹਾ ਹੈ ਜਿੱਥੇ ਡੀਲ ਹੱਥੋਂ ਨਿਕਲ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਮਾਲੀਆ (revenue) ਬਿਨਾਂ ਕਿਸੇ ਨੋਟਿਸ ਦੇ ਘਟਦਾ ਜਾਂਦਾ ਹੈ।
ਅਸਲ ਕਾਰਜਸ਼ੀਲ ਮੁੱਲ (operational value) ਸੰਦਰਭ (context) ਤੋਂ ਆਉਂਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਹੈ ਕਿ ਕਲੋਜ਼ ਰੇਟ (close rates) ਕਿਉਂ ਬਦਲੇ, ਜੇਕਰ ਇਹ ਰੁਝਾਨ ਜਾਰੀ ਰਿਹਾ ਤਾਂ ਕੀ ਹੋਵੇਗਾ, ਅਤੇ ਕਿਸ ਉੱਪਰਲੇ ਬਦਲਾਅ (upstream change) ਨੇ ਇਸ ਹਲਚਲ ਨੂੰ ਸ਼ੁਰੂ ਕੀਤਾ। Zoho CRM ਚੈਟਬੋਟ ਵਿੱਚ ਇਸ ਪੱਧਰ ਦੀ ਬੁੱਧੀ (intelligence) ਬਣਾਉਣਾ ਕੋਈ ਵਿਗਿਆਨਕ ਕਲਪਨਾ (science fiction) ਨਹੀਂ ਹੈ। ਇਸ ਲਈ ਇੱਕ ਸਾਫ਼ ਡੇਟਾ ਪਾਈਪਲਾਈਨ, ਇੱਕ ਅਨੁਸ਼ਾਸਿਤ ਸੈਮੈਂਟਿਕ ਲੇਅਰ (semantic layer), ਅਤੇ ਇੱਕ ਅਜਿਹੀ ਆਰਕੀਟੈਕਚਰ ਦੀ ਲੋੜ ਹੈ ਜੋ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਕਾਰਨਾਂ ਤੱਕ ਲੱਭਣ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੋਵੇ।
ਅਸਲ ਸਮੱਸਿਆ ਸੰਦਰਭ ਹੈ, ਡੇਟਾ ਨਹੀਂ
ਸੇਲਜ਼ ਟੀਮਾਂ ਪਹਿਲਾਂ ਹੀ ਡੈਸ਼ਬੋਰਡਾਂ ਵਿੱਚ ਡੁੱਬੀਆਂ ਹੋਈਆਂ ਹਨ। ਹਰ CRM ਦਰਜਨਾਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ ਬਾਰ ਚਾਰਟ ਅਤੇ ਫਨਲ ਵਿਊਜ਼ (funnel views) ਬਣਾਉਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਸਿਰਫ਼ ਇੱਕ ਅੰਕੜਾ ਮਾਮੂਲੀ ਜਾਣਕਾਰੀ ਹੈ। ਕਲੋਜ਼ ਰੇਟ ਵਿੱਚ 15 ਪ੍ਰਤੀਸ਼ਤ ਦੀ ਗਿਰਾਵਟ ਤੁਹਾਨੂੰ ਇਹ ਦੱਸਦੀ ਹੈ ਕਿ ਕੁਝ ਹੋਇਆ ਹੈ। ਇਹ ਤੁਹਾਨੂੰ ਇਹ ਨਹੀਂ ਦੱਸਦੀ ਕਿ ਕੀ ਕਿਸੇ SDR ਟੀਮ ਨੇ ਆਪਣੀ ਕੁਆਲੀਫਿਕੇਸ਼ਨ ਸਕ੍ਰਿਪਟ ਬਦਲੀ ਹੈ, ਕਿਸੇ ਅਦਾਇਗੀ ਕੀਤੇ ਗਏ ਟ੍ਰੈਫਿਕ ਸਰੋਤ ਨੇ ਅਚਾਨਕ ਅਣਯੋਗ ਵਿਜ਼ਿਟਰਾਂ ਨੂੰ ਰੂਟ ਕੀਤਾ ਹੈ, ਜਾਂ ਕਿਸੇ ਮੁਕਾਬਲੇਬਾਜ਼ ਨੇ ਮਹੀਨੇ ਦੀ ਪਹਿਲੀ ਤਾਰੀਖ ਨੂੰ ਹਮਲਾਵਰ ਕੀਮਤਾਂ ਲਾਂਚ ਕੀਤੀਆਂ ਹਨ।
ਇੱਕ ਸਮਾਰਟ ਸਿਸਟਮ ਸਵਾਲ ਦੇ ਪਿੱਛੇਲੇ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਇਹ CRM ਨੂੰ ਇੱਕ ਸਥਿਰ ਡੇਟਾਬੇਸ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਜਿਉਂਦੀ-ਜਾਗਦੀ ਸਿਗਨਲ ਸਟ੍ਰੀਮ ਵਜੋਂ ਮੰਨਦਾ ਹੈ। ਜਦੋਂ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਚੈਟਬੋਟ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਸਾਥੀ (analytical partner) ਬਣ ਜਾਂਦਾ ਹੈ ਜੋ ਅਸਧਾਰਨਤਾਵਾਂ (anomalies) ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ, ਮੂਲ ਕਾਰਨਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਅਤੇ ਡੇਟਾਬੇਸ ਦੀਆਂ ਰੋਅ (rows) ਦੀ ਬਜਾਏ ਵਪਾਰਕ ਨਤੀਜਿਆਂ ਬਾਰੇ ਗੱਲ ਕਰਦਾ ਹੈ।
Zoho ਦੇ API ਨਾਲ ਜੰਗ ਲੜਨਾ ਬੰਦ ਕਰੋ
ਕਿਸੇ ਵੀ ਚੀਜ਼ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਤਰੀਕੇ ਨਾਲ Zoho ਤੋਂ ਬਾਹਰ ਕੱਢਣਾ ਪਵੇਗਾ। ਹਰ ਸਟੈਂਡਰਡ ਅਤੇ ਕਸਟਮ ਆਬਜੈਕਟ ਲਈ ਕਸਟਮ ਸਿੰਕ ਸਕ੍ਰਿਪਟ ਲਿਖਣ ਦੀ ਇੱਛਾ ਨੂੰ ਰੋਕੋ। Zoho ਦਾ API ਪੇਜਿਨੇਸ਼ਨ (pagination), ਰੇਟ ਲਿਮਿਟਸ (rate limits), ਅਤੇ OAuth ਟੋਕਨ ਪ੍ਰਬੰਧਨ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਤੁਹਾਡੇ CRM ਵਿੱਚ ਹਰ ਛੋਟਾ ਸਕੀਮਾ ਬਦਲਾਅ (schema change) ਇੱਕ ਰੱਖ-ਰਖਾਅ ਦੀ ਮੁਸ਼ਕਲ ਬਣ ਜਾਂਦਾ ਹੈ ਜੋ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਘੰਟਿਆਂ ਨੂੰ ਅਸਲ ਪ੍ਰੋਡਕਟ ਕੰਮ ਤੋਂ ਦੂਰ ਕਰ ਦਿੰਦਾ ਹੈ।
ਇਸ ਦੀ ਬਜਾਏ Airbyte ਦੀ ਵਰਤੋਂ ਕਰੋ। ਇਸ ਵਿੱਚ ਇੱਕ Zoho CRM ਕਨੈਕਟਰ ਹੈ ਜੋ ਤੁਹਾਡੇ ਲਈ ਗੁੰਝਲਦਾਰ ਹਿੱਸਿਆਂ ਨੂੰ ਸੰਭਾਲ ਲੈਂਦਾ ਹੈ। ਇਹ ਮੋਡੀਫਾਈਡ ਟਾਈਮਸਟੈਂਪਸ (modified timestamps) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਾਧੂ (incrementally) ਸਿੰਕ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਤੁਹਾਨੂੰ ਹਰ ਘੰਟੇ ਪੂਰੀਆਂ ਟੇਬਲਾਂ ਨੂੰ ਖਿੱਚਣ ਦੀ ਲੋੜ ਨਾ ਪਵੇ। ਇਹ ਸਕੀਮਾ ਨੂੰ ਆਪਣੇ ਆਪ ਨਾਰਮਲਾਈਜ਼ ਕਰਦਾ ਹੈ, ਜੋ ਉਸ ਸਮੇਂ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ Lead_Source_Detail ਜਾਂ Qualification_Score ਵਰਗੇ ਕਸਟਮ ਫੀਲਡ ਜੋੜਦੇ ਹੋ। ਜਦੋਂ ਉਹ ਫੀਲਡ ਬਦਲਦੇ ਹਨ, ਤਾਂ Airbyte ਤੁਹਾਨੂੰ ਐਕਸਟਰੈਕਸ਼ਨ ਲੌਜਿਕ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਣ ਲਈ ਮਜਬੂਰ ਕੀਤੇ ਬਿਨਾਂ ਅਨੁਕੂਲਿਤ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਹ ਡੇਟਾ ਨੂੰ ਸਿੱਧਾ Postgres, Snowflake, ਜਾਂ BigQuery ਵਿੱਚ ਪਹੁੰਚਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਉਹ ਕਮਜ਼ੋਰ ਵਿਚਕਾਰਲੇ ਫਾਈਲ ਡ੍ਰੌਪਸ ਤੋਂ ਬਚਾਅ ਹੁੰਦਾ ਹੈ ਜੋ ਰਾਤ ਦੇ 2 ਵਜੇ ਟੁੱਟ ਜਾਂਦੇ ਹਨ।
ਉਹ ਭਰੋਸੇਯੋਗਤਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਤੁਹਾਡੇ ਸਟੈਕ ਦੇ ਅਗਲੇ ਲੇਅਰ ਤੁਹਾਡੀ ਡੇਟਾ ਤਾਜ਼ਗੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਜੇਕਰ ਤੁਹਾਡਾ ਇੰਜੈਸਸ਼ਨ (ingestion) ਰਿਕਾਰਡਾਂ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ ਜਾਂ ਰੋਅ ਨੂੰ ਡੁਪਲੀਕੇਟ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਹਾਡਾ ਐਨੋਮਲੀ ਡਿਟੈਕਸ਼ਨ (anomaly detection) ਗਲਤ ਚੇਤਾਵਨੀ ਦੇਵੇਗਾ, ਅਤੇ ਤੁਹਾਡਾ ਕੌਜ਼ਲ ਵਿਸ਼ਲੇਸ਼ਣ (causal analysis) ਭਟਕ ਜਾਵੇਗਾ।
ਛੇ ਲੇਅਰਾਂ, ਇੱਕ ਸਪਸ਼ਟ ਆਵਾਜ਼
ਆਪਣੀ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਲੇਅਰਡ ਰੱਖੋ ਤਾਂ ਜੋ ਹਰੇਕ ਕੰਪੋਨੈਂਟ ਇੱਕ ਕੰਮ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕਰ ਸਕੇ। ਵੱਖਰੇਕਰਨ (Separation) ਸਿਸਟਮ ਨੂੰ ਡੀਬੱਗ ਕਰਨਾ ਆਸਾਨ, ਵਧਾਉਣਾ ਸਸਤਾ, ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਰੋਸੇਯੋਗ ਬਣਾਉਂਦਾ ਹੈ ਜਦੋਂ ਸੇਲਜ਼ ਲੀਡਰਸ਼ਿਪ ਪੁੱਛਦੀ ਹੈ ਕਿ ਬੋਟ ਕਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਜਵਾਬ ਤੱਕ ਪਹੁੰਚਿਆ।
1. Data Ingestion
Airbyte ਇੱਕ ਸ਼ਡਿਊਲ 'ਤੇ Leads, Deals, Contacts, ਅਤੇ Activities ਨੂੰ ਖਿੱਚਦਾ ਹੈ। ਇਹ ਚਾਰ ਆਬਜੈਕਟ ਜ਼ਿਆਦਾਤਰ ਸੇਲਜ਼ ਕਾਰਜਾਂ ਦੀ ਜੀਵਨ ਰੇਖਾ ਹਨ। ਐਕਸਟਰੈਕਸ਼ਨ ਨੂੰ ਸਰਲ ਅਤੇ ਅਨੁਮਾਨਿਤ ਰੱਖੋ।
2. Data Warehouse
ਪਹਿਲਾਂ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਸਟੇਜਿੰਗ ਏਰੀਆ ਵਿੱਚ ਲੋਡ ਕਰੋ। ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਜਾਂ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਕਦੇ ਵੀ ਸਿੱਧਾ Zoho ਦੇ ਪ੍ਰੋਡਕਸ਼ਨ API ਨੂੰ ਕੁਐਰੀ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਨਾ ਦਿਓ। ਇੱਕ ਸਟੇਜਿੰਗ ਲੇਅਰ ਤੁਹਾਨੂੰ ਉਦੋਂ ਰਿਕਵਰੀ ਪੁਆਇੰਟ ਦਿੰਦੀ ਹੈ ਜਦੋਂ ਸਕੀਮਾ ਬਦਲਦੇ ਹਨ ਅਤੇ ਤੁਹਾਨੂੰ ਆਪਣੇ CRM ਨੂੰ ਰੋਕਿਆ ਬਿਨਾਂ ਇਤਿਹਾਸ ਨੂੰ ਦੁਬਾਰਾ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ।
3. Semantic Layer
ਇੱਥੇ ਤੁਸੀਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹੋ ਕਿ ਵਪਾਰਕ ਸ਼ਬਦਾਂ ਦਾ ਅਸਲ ਮਤਲਬ ਕੀ ਹੈ। ਇੱਕ "won deal" Closed Won ਸਟੇਜ, 100 ਪ੍ਰਤੀਸ਼ਤ ਦੀ ਸੰਭਾਵਨਾ, ਅਤੇ ਪਿਛਲੇ 90 ਦਿਨਾਂ ਦੇ ਅੰਦਰ ਕਲੋਜ਼ ਡੇਟ ਵਾਲੀ ਕੋਈ ਵੀ ਮੌਕਾ ਹੋ ਸਕਦੀ ਹੈ। ਇੱਕ "stalled lead" ਦਾ ਮਤਲਬ 14 ਦਿਨਾਂ ਵਿੱਚ ਕੋਈ ਲੌਗ ਕੀਤੀ ਗਤੀਵਿਧੀ ਨਾ ਹੋਣਾ ਹੋ ਸਕਦਾ ਹੈ। ਜਦੋਂ ਚੈਟਬੋਟ ਬਾਅਦ ਵਿੱਚ ਰੀਜਨਲ ਮੈਨੇਜਰ ਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ stalled leads ਵਧ ਗਈਆਂ ਹਨ, ਤਾਂ ਇਸ ਨੂੰ ਬਿਲਕੁਲ ਉਹੀ ਪਰਿਭਾਸ਼ਾ ਵਰਤਣੀ ਚਾਹੀਦੀ ਹੈ ਜੋ ਤਿਮਾਹੀ ਬੋਰਡ ਰਿਪੋਰਟ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ। ਇਸ ਲੇਅਰ ਤੋਂ ਬਿਨਾਂ, ਤੁਹਾਨੂੰ ਉਸ ਕਲਾਸਿਕ ਸ਼ਰਮਿੰਦਗੀ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਵੇਗਾ ਜਿੱਥੇ ਡੈਸ਼ਬੋਰਡ 42 ਕਲੋਜ਼ਡ ਡੀਲ ਦਿਖਾਉਂਦਾ ਹੈ ਅਤੇ ਬੋਟ ਦਾਅਵਾ ਕਰਦਾ ਹੈ ਕਿ 38 ਹਨ।
4. Anomaly Detection
ਸਪਸ਼ਟ ਆਊਟਲਾਈਰਸ (outliers) ਨੂੰ ਫੜਨ ਲਈ ਸਟੈਟਿਸਟੀਕਲ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਓ, ਜਿਵੇਂ ਕਿ ਐਤਵਾਰ ਨੂੰ ਡੀਲ ਕ੍ਰਿਏਸ਼ਨ ਦਾ ਜ਼ੀਰੋ ਹੋ ਜਾਣਾ ਜਦੋਂ ਤੁਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਗਤੀਵਿਧੀ ਦੇਖਦੇ ਹੋ, ਜਾਂ ਕਿਸੇ ਇੱਕ ਵਿਸ਼ਾਲ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਮੌਕੇ ਕਾਰਨ ਪਾਈਪਲਾਈਨ ਵੈਲਯੂ ਦਾ ਅਚਾਨਕ ਵਧਣਾ। ਸੂਖਮ ਬਦਲਾਅ ਲਈ ਹਲਕੇ ML ਦੀ ਵਰਤੋਂ ਕਰੋ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਮਹੀਨੇ ਵਿੱਚ ਹਰ ਹਫ਼ਤੇ ਕਲੋ
5. ਕਾਰਨਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ (Causal Analysis)
ਇਹ ਲੇਅਰ "ਕਿਉਂ" ਦਾ ਜਵਾਬ ਦਿੰਦੀ ਹੈ। ਇੱਕ ਮੈਟ੍ਰਿਕ ਡਿਪੈਂਡੈਂਸੀ ਗ੍ਰਾਫ (metric dependency graph) ਬਣਾਓ। ਰੈਵੇਨਿਊ (Revenue) ਕਲੋਜ਼ ਰੇਟ (close rate) ਅਤੇ ਪਾਈਪਲਾਈਨ ਵਾਲੀਅਮ (pipeline volume) 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਕਲੋਜ਼ ਰੇਟ ਲੀਡ ਕੁਆਲਿਟੀ (lead quality) ਅਤੇ ਰੈਪ ਪਰਫਾਰਮੈਂਸ (rep performance) 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਲੀਡ ਕੁਆਲਿਟੀ ਟ੍ਰੈਫਿਕ ਚੈਨਲ (traffic channel) ਅਤੇ ਕੁਆਲੀਫਿਕੇਸ਼ਨ ਕ੍ਰਾਈਟੀਰੀਆ (qualification criteria) 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਜਦੋਂ ਕੋਈ ਡਾਊਨਸਟ੍ਰੀਮ ਮੈਟ੍ਰਿਕ (downstream metric) ਫੇਲ੍ਹ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਗ੍ਰਾਫ ਰਾਹੀਂ ਅਪਸਟ੍ਰੀਮ (upstream) ਵੱਲ ਜਾਂਦਾ ਹੈ। ਇਹ ਕੋਰੀਲੇਸ਼ਨ ਦੀ ਤਾਕਤ (correlation strength) ਅਤੇ ਸਮੇਂ ਦੀ ਨੇੜਤਾ (timing proximity) ਦੇ ਅਧਾਰ 'ਤੇ ਸੰਭਾਵਿਤ ਕਾਰਨਾਂ ਨੂੰ ਰੈਂਕ ਕਰਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ ਬੋਟ ਕਿਸੇ ਸਮੱਸਿਆ ਨੂੰ ਦੱਸਣ ਤੋਂ ਲੈ ਕੇ ਉਸਦੇ ਮੁੱਖ ਕਾਰਨ (driver) ਦੀ ਪਛਾਣ ਕਰਨ ਤੱਕ ਪਹੁੰਚਦਾ ਹੈ।
6. ਚੈਟ ਇੰਟਰਫੇਸ (Chat Interface)
ਖੋਜਾਂ ਨੂੰ Retrieval-Augmented Generation (RAG) ਦੇ ਨਾਲ ਇੱਕ LLM ਰਾਹੀਂ ਪੇਸ਼ ਕਰੋ। ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ LLM ਨੂੰ ਤੁਹਾਡੇ ਸੈਮੈਂਟਿਕ ਲੇਅਰ (semantic layer) ਨੂੰ ਕੁਐਰੀ (query) ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਕਦੇ ਵੀ ਰੋਅ ਵੇਅਰਹਾਊਸ ਟੇਬਲ (raw warehouse tables) ਨੂੰ ਨਹੀਂ। ਰੋਅ ਟੇਬਲ ਫੋਰਨ ਕੀਜ਼ (foreign keys) ਅਤੇ Unix ਟਾਈਮਸਟੈਂਪਸ (Unix timestamps) ਵਿੱਚ ਗੱਲ ਕਰਦੇ ਹਨ। ਸੈਮੈਂਟਿਕ ਲੇਅਰ ਕਾਰੋਬਾਰੀ ਭਾਸ਼ਾ ਵਿੱਚ ਗੱਲ ਕਰਦੀ ਹੈ। RAG ਮਾਡਲ ਨੂੰ ਤੁਹਾਡੀਆਂ ਅਸਲ ਪਰਿਭਾਸ਼ਾਵਾਂ ਨਾਲ ਜੋੜਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਹੈਲੂਸੀਨੇਸ਼ਨ (hallucinations) ਘਟਦੀਆਂ ਹਨ ਅਤੇ ਇਕਸਾਰਤਾ ਵਧਦੀ ਹੈ।
ਮੈਟ੍ਰਿਕ ਗ੍ਰਾਫ ਸਭ ਕੁਝ ਕਿਉਂ ਬਦਲ ਦਿੰਦਾ ਹੈ
ਇੱਕ ਨੋਟੀਫਿਕੇਸ਼ਨ (notification) ਅਤੇ ਇੱਕ ਇਨਸਾਈਟ (insight) ਵਿਚਕਾਰ ਅੰਤਰ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਇੱਕ ਬੇਸਿਕ ਡੈਸ਼ਬੋਰਡ ਇੱਕ ਅਲਰਟ ਭੇਜਦਾ ਹੈ: "ਇਸ ਹਫ਼ਤੇ ਕਲੋਜ਼ ਰੇਟ 15 ਪ੍ਰਤੀਸ਼ਤ ਡਿੱਗ ਗਏ ਹਨ।" ਇਹ ਸਿਰਫ਼ ਇੱਕ ਹੈੱਡਲਾਈਨ ਹੈ, ਕੋਈ ਨਿਸ਼ਾਨਦੇਹੀ (diagnosis) ਨਹੀਂ। ਇੱਕ ਸਮਾਰਟ ਸਿਸਟਮ ਕਹਿੰਦਾ ਹੈ: "ਕਲੋਜ਼ ਰੇਟ ਇਸ ਲਈ ਡਿੱਗ ਗਏ ਕਿਉਂਕਿ ਮੰਗਲਵਾਰ ਨੂੰ ਚੈਨਲ X ਤੋਂ ਲੀਡ ਕੁਆਲਿਟੀ ਘਟ ਗਈ ਸੀ।" ਉਹ ਦੂਜਾ ਵਾਕ ਇੱਕ ਸੇਲਜ਼ ਮੈਨੇਜਰ ਨੂੰ ਕਾਰਵਾਈ ਲਈ ਤੁਰੰਤ ਰਸਤਾ ਦਿੰਦਾ ਹੈ। ਉਹ ਤਿਮਾਹੀ ਖ਼ਰਾਬ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਵਿਗਿਆਪਨ ਖਰਚੇ ਨੂੰ ਰੋਕ ਸਕਦੀ ਹੈ, ਟੁੱਟੇ ਹੋਏ ਫਾਰਮ ਲਈ ਲੈਂਡਿੰਗ ਪੇਜ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦੀ ਹੈ, ਜਾਂ SDR ਕਵਰੇਜ ਨੂੰ ਦੁਬਾਰਾ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੀ ਹੈ।
ਇਸ ਨੂੰ ਬਣਾਉਣ ਲਈ ਉੱਪਰ ਦੱਸੇ ਗਏ ਕਾਰਨਲਤਮਕ ਗ੍ਰਾਫ (causal graph) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜਦੋਂ ਡਾਊਨਸਟ੍ਰੀਮ ਨੋਡ—ਕਲੋਜ਼ ਰੇਟ—ਆਪਣੇ ਉਮੀਦ ਕੀਤੇ ਬੈਂਡ ਤੋਂ ਬਾਹਰ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਇਸਦੇ ਪੇਰੈਂਟਸ (parents) ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ। ਇਹ ਲੀਡ ਸਕੋਰ, ਚੈਨਲ ਮਿਕਸ, ਹਾਲ ਹੀ ਦੇ ਕੀਮਤਾਂ ਵਿੱਚ ਬਦਲਾਅ ਅਤੇ ਰੈਪ ਅਸਾਈਨਮੈਂਟਸ ਨੂੰ ਦੇਖਦਾ ਹੈ। ਇਹ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਲਗਾਉਂਦਾ; ਇਹ ਇੱਕ ਅਜਿਹੀ ਸੰਰਚਨਾ ਰਾਹੀਂ ਜਾਂਦਾ ਹੈ ਜੋ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕਾਰੋਬਾਰ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ।
ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਇਸਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਲਾਗੂ ਕਰਨਾ
ਸਿਰਫ਼ ਆਰਕੀਟੈਕਚਰ ਹੀ ਤੁਹਾਨੂੰ ਸ਼ੋਰ ਵਾਲੇ ਅਲਰਟਾਂ ਜਾਂ ਭਰੋਸੇਯੋਗ ਨਾ ਹੋਣ ਵਾਲੇ ਜਵਾਬਾਂ ਤੋਂ ਨਹੀਂ ਬਚਾਏਗਾ। ਅਮਲੀਕਰਨ (Execution) ਮਹੱਤਵਪੂਰਨ ਹੈ।
ਛੋਟੇ ਪੱਧਰ ਤੋਂ ਸ਼ੁਰੂ ਕਰੋ। ਤਿੰਨ ਜਾਂ ਚਾਰ ਮੁੱਖ ਮੈਟ੍ਰਿਕਸ ਚੁਣੋ ਜਿਨ੍ਹਾਂ 'ਤੇ ਕਾਰੋਬਾਰ ਪਹਿਲਾਂ ਹੀ ਨਜ਼ਰ ਰੱਖ ਰਿਹਾ ਹੈ। ਪਾਈਪਲਾਈਨ ਕ੍ਰਿਏਟਡ (Pipeline created), ਔਵਰੇਜ ਡੀਲ ਸਾਈਜ਼ (average deal size), ਕਲੋਜ਼ ਰੇਟ (close rate), ਅਤੇ ਸੇਲਜ਼ ਸਾਈਕਲ ਲੈਂਥ (sales cycle length) ਇੱਕ ਮਜ਼ਬੂਤ ਸ਼ੁਰੂਆਤੀ ਸੈੱਟ ਹਨ। ਵੈੱਬਸਾਈਟ ਬਾਊਂਸ ਰੇਟ, ਈਮੇਲ ਓਪਨ ਰੇਟ, ਜਾਂ ਸੋਸ਼ਲ ਸੈਂਟੀਮੈਂਟ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇਹਨਾਂ ਨੂੰ ਸਹੀ ਕਰੋ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਅਲਰਟ ਸ਼ੋਰ ਪੈਦਾ ਕਰਦੇ ਹਨ, ਅਤੇ ਸ਼ੋਰ ਲੋਕਾਂ ਨੂੰ ਸਿਸਟਮ ਨੂੰ ਅਣਦੇਖਾ ਕਰਨ ਦੀ ਆਦਤ ਪਾ ਦਿੰਦਾ ਹੈ।
ਮਨੁੱਖੀ ਗਿਆਨ ਨੂੰ ਗਣਿਤ ਨਾਲ ਮਿਲਾਓ। ਆਪਣੀ ਸੇਲਜ਼ ਆਪਰੇਸ਼ਨਜ਼ ਟੀਮ ਨੂੰ ਕਾਰਨਲਤਮਕ ਗ੍ਰਾਫ ਦਾ ਪਹਿਲਾ ਰੂਪ ਤਿਆਰ ਕਰਨ ਦਿਓ। ਉਹ ਤਜ਼ਰਬੇ ਤੋਂ ਜਾਣਦੇ ਹਨ ਕਿ ਜਦੋਂ ਲੀਡ ਸਕੋਰ ਡਿੱਗਦੇ ਹਨ, ਤਾਂ ਅਕਸਰ ਕਾਰਨ ਕੋਈ ਖਾਸ ਕੈਂਪੇਨ ਜਾਂ ਕੁਆਲੀਫਿਕੇਸ਼ਨ ਸਕ੍ਰਿਪਟ ਵਿੱਚ ਹਾਲ ਹੀ ਦਾ ਬਦਲਾਅ ਹੁੰਦਾ ਹੈ। ਅੰਕੜਾਤਮਕ ਕੋਰੀਲੇਸ਼ਨ (Statistical correlation) ਉਹਨਾਂ ਲਿੰਕਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰ ਸਕਦੀ ਹੈ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਚੁਣੌਤੀ ਦੇ ਸਕਦੀ ਹੈ, ਪਰ ਇਹ ਸ਼ੂਨਯ (vacuum) ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਪਹਿਲੀ ਖੋਜ ਬਹੁਤ ਘੱਟ ਹੀ ਕਰਦੀ ਹੈ। ਸੇਲਜ਼ ਸੰਗਠਨਾਂ ਵਿੱਚ ਕਾਰਨ ਅਤੇ ਪ੍ਰਭਾਵ (cause and effect) ਡੋਮੇਨ ਦੀਆਂ ਬਾਰੀਕੀਆਂ ਨਾਲ ਭਰਪੂਰ ਹੁੰਦੇ ਹਨ। ਇਸਦਾ ਸਤਿਕਾਰ ਕਰੋ।
ਹਰ ਚੀਜ਼ ਦਾ ਆਡਿਟ ਕਰੋ। ਚੈਟਬੋਟ ਦੇ ਹਰ ਜਵਾਬ ਨੂੰ ਉਸਦੀ ਸਹੀ ਸੈਮੈਂਟਿਕ ਪਰਿਭਾਸ਼ਾ, SQL ਫਰੈਗਮੈਂਟ, ਜਾਂ ਮੈਟ੍ਰਿਕ ਵਰਜ਼ਨ ਦੇ ਨਾਲ ਰਿਕਾਰਡ ਕਰੋ ਜੋ ਇਸਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ। ਜਦ