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

AI உதவியாளர்களும் (AI assistants) மற்றும் முன்கணிப்பு மதிப்பெண் முறைகளும் (predictive scoring) இப்போது விற்பனை மற்றும் ஆதரவுத் துறைத் தலைவர்களின் வழக்கமான கோரிக்கைகளாக உள்ளன. பெரும்பாலான குழுக்கள் இவற்றை ஒரு வசதியாக (feature request) மட்டுமே பார்க்கிறார்கள். அவர்கள் ஒரு பிளகின் (plugin) தேடிப் வாங்கி, ஒரு சுவிட்சை (toggle) ஆன் செய்துவிட்டு, மந்திரம் நடக்கும் என்று எதிர்பார்க்கிறார்கள். ஆனால் அவர்களுக்குக் கிடைப்பது குழப்பமான தகவல்கள் மட்டுமே. தவறான பரிந்துரைகள். குழப்பமான முடிவுகள். யாரும் நம்ப முடியாத பதில்களைத் தரும் ஒரு அமைப்பு.

CRM-இல் AI என்பது ஒரு வசதி சார்ந்த பிரச்சனை அல்ல, அது ஒரு கட்டமைப்பு (architecture) சார்ந்த பிரச்சனை என்பதால் இது நிகழ்கிறது. அதன் அடிப்படையிலுள்ள செயல்பாட்டு அடுக்கு (operating layer) எவ்வளவு சிறப்பாக இருக்கிறதோ, அவ்வளவு சிறப்பாகவே அந்த நுண்ணறிவு (intelligence) இருக்கும். உங்கள் தரவு நம்பகத்தன்மையற்றதாக இருந்தால், உங்கள் பணிப்பாய்வுகள் (workflows) தெளிவற்றதாக இருந்தால் மற்றும் உங்கள் நிர்வாகக் கட்டுப்பாடு (governance) இல்லையென்றால், AI அந்த இடைவெளிகளைச் சரிசெய்யாது. மாறாக, அது அந்தப் பிரச்சனைகளைத் தீவிரப்படுத்தும். இறுதியில் உங்களுக்கு விரைவான நுண்ணறிவு கிடைக்காமல், விரைவான குழப்பமே மிஞ்சும்.

நீங்கள் எந்தவொரு AI திறனையும் இணைப்பதற்கு முன்பாக, உங்களுக்கு ஒரு செயல்பாட்டு அடுக்கு தேவை. இது உங்கள் தரவு, உங்கள் செயல்முறைகள் மற்றும் உங்கள் மனிதர்களுக்கு இடையிலான இணைப்புத் திசு (connective tissue) போன்றது. ஒரு AI மாதிரி ஒரு பரிந்துரையைச் செய்யும்போது, மூலத் தரவிலிருந்து (raw input) பயனர் நடவடிக்கை (user action) வரை ஒரு தெளிவான வழிமுறை இருப்பதை இது உறுதி செய்கிறது.

அந்த அடுக்கை எவ்வாறு உருவாக்குவது என்பது இதோ.

அல்காரிதத்தில் (Algorithm) தொடங்காமல், தரவிலிருந்து தொடங்குங்கள்

AI-க்கு சூழல் (context) தேவை. ஒழுங்கற்ற உரைகளிலிருந்து (free-text mess) நோக்கத்தைப் புரிந்துகொள்ளவோ அல்லது ஐந்து நகல் பதிவுகளுக்கு (duplicate records) இடையிலான அடையாளத்தைத் தீர்மானிக்கவோ அதனால் முடியாது. நீங்கள் எதைக் கொடுக்கிறீர்களோ அதைத்தான் அது வாசிக்கும். உங்கள் தரவு மோசமாக இருந்தால், அதன் வெளியீடும் மோசமாகவே இருக்கும்.

உங்கள் முக்கியப் பொருட்களை (core objects) தணிக்கை செய்வதன் மூலம் தொடங்குங்கள். Accounts, Leads மற்றும் Opportunities ஆகியவை வழக்கமான தொடக்கப் புள்ளிகள். உங்கள் கட்டாயத் புலங்களை (required fields) கவனியுங்கள். ஒரு Opportunity-ஐ அதன் முடிவுத் தேதி (close date) அல்லது நிலை (stage) இல்லாமலேயே உருவாக்க முடியும் என்றால், உங்கள் முன்னறிவிப்பு மாதிரிக்கு (forecast model) வலுவான தரவு இருக்காது. உங்கள் பிளிക്ക്‌லிஸ்ட்களை (picklists) சரிபார்க்கவும். "Industry" புலத்தில் "Healthcare" என்ற பெயரில் பன்னிரண்டு வெவ்வேறு மாற்றங்கள் இருந்தால், நீங்கள் பயிற்றுவிக்கும் எந்தப் பிரிவு மாதிரியும் (segmentation model) சிதறிவிடும்.

நகல் பதிவுகளை (duplicates) தீவிரமாகக் கட்டுப்படுத்துங்கள். "Acme Incorporated" என்பது வெவ்வேறு மின்னஞ்சல் டொமைன்கள் மற்றும் செயல்பாட்டு வரலாறுகளுடன் மூன்று தனித்தனித் தொடர்புகளாக (Contacts) இருந்தால், ஈடுபாடு (engagement) அல்லது வாடிக்கையாளர் வெளியேறும் அபாயத்தைக் (churn risk) கணக்கிட முயலும் எந்தவொரு AI-யும் உண்மையைச் சிதறடித்துவிடும். ஒரு முதன்மைப் பதிவைத் (master record) தேர்ந்தெடுத்து அதை நடைமுறைப்படுத்துங்கள்.

வாழ்க்கைச் சுழற்சி நிலைகளை (lifecycle stages) எளிய மொழியில் வரையறுக்கவும். "Prospecting," "Qualification," மற்றும் "Negotiation" ஆகியவற்றிற்கு இடையிலான வேறுபாட்டைத் குழுவில் உள்ள அனைவரும் அறிந்திருக்க வேண்டும். நிலைகள் தெளிவற்றதாக இருந்தால், வெற்றி வாய்ப்பைத் (win probability) கணிக்க முயலும் AI, தேவையற்ற குழப்பங்களைக் கொண்டே பயிற்றுவிக்கப்படும்.

ஒரு AI அமைப்புக்குத் தரவைப் படிக்கும் அனுமதியை (read access) வழங்குவதற்கு முன், முக்கியமான தரவைப் பாதுகாக்கவும். PII, நிதி விவரங்கள் மற்றும் ஒப்பந்த விதிமுறைகள் எங்கு உள்ளன என்பதைத் தெரிந்து கொள்ளுங்கள். ஒரு மாதிரி அந்தத் தரவைப் பார்க்கக் கூடாது என்றால், அதன் அடிப்படையிலுள்ள கட்டமைப்பு அந்தத் தரவை மறைப்பதை உறுதி செய்ய வேண்டும்.

பணிப்பாய்வுகளைத் தானியக்கமாக்குவதற்கு முன் அவற்றை வரைபடமாக்குங்கள்

உங்களுக்குப் புரியாத ஒரு செயல்முறையை உங்களால் தானியக்கமாக்க (automate) முடியாது. தெளிவான உரிமையாளர், வரையறுக்கப்பட்ட நுழைவுப் புள்ளி மற்றும் விஷயங்கள் தவறாகும்போது என்ன செய்ய வேண்டும் என்பதற்கான விதிகள் இல்லாத ஒரு பணிப்பாய்வை (workflow) AI ஆதரிக்க முடியாது.

உங்கள் CRM-க்குள் வேலை எவ்வாறு நுழைகிறது என்பதை வரைபடமாக வரையுங்கள். அது ஒரு இணையப் படிவமா (web form)? ஒரு ஸ்பிரெட்ஷீட் பதிவேற்றமா (spreadsheet upload)? அல்லது உங்கள் பில்லிங் அமைப்பிலிருந்து வரும் API-யா? ஒவ்வொரு நுழைவுப் புள்ளிக்கும் ஒரு கட்டுப்பாட்டு வாயில் (gate) தேவை. கட்டணப் பிரச்சாரங்களிலிருந்து (paid campaigns) வரும் Leads தானாகத் தகுதி பெறலாம், ஆனால் உள்வரும் ஆதரவுத் டிக்கெட்டுகள் (inbound support tickets) ஆய்வு செய்யப்படாமல் விற்பனைப் பாதையை (sales pipeline) ஒருபோதும் தொடக்கூடாது.

நிலை மாற்றங்களை (status transitions) வெளிப்படையாக வரையறுக்கவும். யாராவது ஒரு Lead-ஐ முடிக்க மறந்துவிட்டதால் அது Opportunity ஆக மாறிவிடக் கூடாது. விதிகளை வகுக்கவும். ஒருவேளை ஒரு சந்திப்பு பதிவு செய்யப்பட்டு, பட்ஜெட் உறுதி செய்யப்பட்ட பின்னரே ஒரு Lead மாற்றப்பட வேண்டும் என்று இருக்கலாம். AI பின்னர் "இந்த Lead தயாராகத் தெரிகிறது" என்று பரிந்துரைக்கும்போது, அது உங்கள் உண்மையான விற்பனைப் பாதையுடன் (funnel) ஒத்துப்போகும் அளவுகோல்களைக் கொண்டு அளவிட வேண்டும்.

உங்கள் குழு