AI అసిస్టెంట్లు మరియు ప్రిడిక్టివ్ స్కోరింగ్ (predictive scoring) ఇప్పుడు సేల్స్ మరియు సపోర్ట్ లీడర్ల నుండి వచ్చే సాధారణ అభ్యర్థనలు. చాలా బృందాలు వీటిని కేవలం ఫీచర్ రిక్వెస్ట్లుగా భావిస్తాయి. వారు ఒక ప్లగిన్ కోసం వెతుకుతారు, ఒక టోగుల్ (toggle) ఎనేబుల్ చేస్తారు మరియు మ్యాజిక్ జరుగుతుందని ఆశిస్తారు. కానీ వారికి దక్కేది కేవలం గందరగోళం మాత్రమే. తప్పుడు సిఫార్సులు. అయోమయపరిచే అవుట్పుట్లు. ఎవరూ నమ్మలేని సమాధానాలను ఇచ్చే ఒక వ్యవస్థ.
ఎందుకంటే CRMలో AI అనేది ఫీచర్ సమస్య కాదు. అది ఆర్కిటెక్చర్ (architecture) సమస్య. దాని కింద ఉన్న ఆపరేటింగ్ లేయర్ ఎంత బాగుంటే, ఆ ఇంటెలిజెన్స్ అంత బాగుంటుంది. మీ డేటా నమ్మదగినది కాకపోయినా, మీ వర్క్ఫ్లోలు అస్పష్టంగా ఉన్నా, మరియు మీ గవర్నెన్స్ లేకపోయినా, AI ఆ లోపాలను సరిదిద్దదు. అది ఆ లోపాలను మరింత వేగవంతం చేస్తుంది. దీనివల్ల మీకు వేగవంతమైన అవగాహన (insight) రాదు, బదులుగా వేగవంతమైన గందరగోళం మాత్రమే మిగులుతుంది.
మీరు ఏదైనా AI సామర్థ్యాన్ని జోడించే ముందు, మీకు ఒక ఆపరేటింగ్ లేయర్ అవసరం. ఇది మీ డేటా, మీ ప్రక్రియలు (processes) మరియు మీ వ్యక్తుల మధ్య అనుసంధానకర్తగా పనిచేస్తుంది. ఒక AI మోడల్ ఏదైనా సూచన చేసినప్పుడు, ముడి ఇన్పుట్ (raw input) నుండి వినియోగదారు చర్య (user action) వరకు ఒక స్పష్టమైన మార్గం ఉండేలా ఇది చూస్తుంది.
ఆ లేయర్ను ఎలా నిర్మించాలో ఇక్కడ ఉంది.
అల్గారిథమ్తో కాకుండా, డేటాతో ప్రారంభించండి
AIకి కాంటెక్స్ట్ (context) అవసరం. అస్తవ్యస్తంగా ఉన్న ఫ్రీ-టెక్స్ట్ నుండి అది ఉద్దేశాన్ని (intent) అర్థం చేసుకోలేదు లేదా ఐదు డూప్లికేట్ రికార్డుల మధ్య గుర్తింపును (identity) సరిచూడలేదు. మీరు దానికి ఏమి ఇస్తారో అది దానిని చదువుతుంది. మీ డేటా సరిగ్గా లేకపోతే, మీ అవుట్పుట్ కూడా సరిగ్గా ఉండదు.
మీ కోర్ ఆబ్జెక్ట్లను (core objects) ఆడిట్ చేయడం ద్వారా ప్రారంభించండి. Accounts, Leads, మరియు Opportunities సాధారణంగా ప్రారంభ స్థానాలు. మీ రిక్వైర్డ్ ఫీల్డ్స్ (required fields) చూడండి. ఒక Opportunityని క్లోజ్ డేట్ (close date) లేదా స్టేజ్ (stage) లేకుండా సృష్టించగలిగితే, మీ ఫోర్కాస్ట్ మోడల్కు సరైన సమాచారం ఉండదు. మీ పిక్లిస్ట్లను (picklists) తనిఖీ చేయండి. "Industry" ఫీల్డ్లో "Healthcare" కి పన్నెండు రకాల వైవిధ్యాలు ఉంటే, మీరు శిక్షణ ఇచ్చే ఏ సెగ్మెంటేషన్ మోడల్నైనా అది విచ్ఛిన్నం చేస్తుంది.
డూప్లికేట్లను కఠినంగా నియంత్రించండి. ఒకవేళ "Acme Incorporated" అనేది వేర్వేరు ఈమెయిల్ డొమైన్లు మరియు యాక్టివిటీ హిస్టరీలతో ఉన్న మూడు వేర్వేరు కాంటాక్ట్లుగా ఉంటే, ఎంగేజ్మెంట్ లేదా చర్న్ రిస్క్ (churn risk) లెక్కించడానికి ప్రయత్నించే ఏ AI అయినా నిజమైన సమాచారాన్ని ముక్కలు ముక్కలుగా చూస్తుంది. ఒక మాస్టర్ రికార్డ్ను ఎంచుకుని, దానిని అమలు చేయండి.
లైఫ్సైకిల్ స్టేజ్లను (lifecycle stages) సరళమైన భాషలో నిర్వచించండి. "Prospecting," "Qualification," మరియు "Negotiation" మధ్య తేడాను బృందంలోని ప్రతి ఒక్కరూ తెలుసుకోవాలి. స్టేజ్లు అస్పష్టంగా ఉంటే, విన్ ప్రాబబిలిటీని (win probability) అంచనా వేయడానికి ప్రయత్నించే AI కేవలం గందరగోళ సమాచారంతోనే శిక్షణ పొందుతుంది.
AI సిస్టమ్కు రీడ్ యాక్సెస్ (read access) ఇచ్చే ముందు సున్నితమైన డేటాను రక్షించండి. PII, ఆర్థిక వివరాలు మరియు ఒప్పంద నిబంధనలు ఎక్కడ ఉన్నాయో తెలుసుకోండి. మోడల్ వాటిని చూడకూడదు అనుకుంటే, దాని కింద ఉన్న ఆర్కిటెక్చర్ ఆ పరిమితిని తప్పనిసరి చేయాలి.
వర్క్ఫ్లోలను ఆటోమేట్ చేసే ముందు వాటిని మ్యాప్ చేయండి
మీకు అర్థం కాని ప్రక్రియను మీరు ఆటోమేట్ చేయలేరు. స్పష్టమైన యజమాని (owner), నిర్వచించబడిన ఎంట్రీ పాయింట్ మరియు పరిస్థితులు తలకిందులైనప్పుడు ఏమి జరుగుతుందనే నియమాలు లేని వర్క్ఫ్లోను AI సపోర్ట్ చేయలేదు.
మీ CRMలోకి పని ఎలా వస్తుందో వివరించండి. అది వెబ్ ఫామ్ (web form) ద్వారా వస్తుందా? స్ప్రెడ్షీట్ అప్లోడ్ ద్వారా వస్తుందా? లేదా మీ బిల్లింగ్ సిస్టమ్ నుండి API ద్వారా వస్తుందా? ప్రతి ఎంట్రీ పాయింట్కు ఒక గేట్ అవసరం. పెయిడ్ క్యాంపెయిన్ల నుండి వచ్చే Leads ఆటో-క్వాలిఫై (auto-qualify) కావచ్చు, కానీ ఇన్బౌండ్ సపోర్ట్ టికెట్లు రివ్యూ లేకుండా సేల్స్ పైప్లైన్లోకి వెళ్లకూడదు.
స్టేటస్ ట్రాన్సిషన్లను (status transitions) స్పష్టంగా నిర్వచించండి. ఎవరైనా క్లోజ్ చేయడం మర్చిపోయినంత మాత్రాన ఒక Lead, Opportunityగా మారిపోకూడదు. నియమాలను సెట్ చేయండి. బహుశా ఒక మీటింగ్ లాగ్ చేసిన తర్వాత మరియు బడ్జెట్ కన్ఫర్మ్ అయిన తర్వాత మాత్రమే ఒక Lead కన్వర్ట్ అవ్వాలి. AI తర్వాత "ఈ Lead సిద్ధంగా ఉన్నట్లు కనిపిస్తోంది" అని సూచించినప్పుడు, అది మీ అసలు ఫన్నెల్ (funnel) కు సరిపోయే ప్రమాణాల ఆధారంగానే ఉండాలి.
మీ బృంద నిర్మాణాన్ని ప్రతిబింబించేలా అసైన్మెంట్ రూల్స్ను (assignment rules) రూపొందించండి. చిన్న బృందాలకు Round-robin పద్ధతి పనిచేస్తుంది. మీరు భౌగోళిక ప్రాంతం లేదా అకౌంట్ సైజు ఆధారంగా విభజించినప్పుడు Territory-based routing ఉపయోగపడుతుంది. ఏది ఏమైనా, దేనిని ఎవరు నిర్వహిస్తున్నారో AIకి తెలియాలి. హాట్ ప్రాస్పెక్ట్లను (hot prospects) పర్యవేక్షించని క్యూలో వేసే లీడ్ స్కోరింగ్ మోడల్ పనికిరాదు.
ఎక్సెప్షన్స్ (exceptions) మరియు ఎస్కలేషన్ల (escalations) కోసం ప్రణాళిక సిద్ధం చేసుకోండి. AI రూటింగ్ రూల్ విఫలమైనప్పుడు ఏమి జరుగుతుంది? ఒక డీల్ నిర్దిష్ట విలువను మించిపోయి మేనేజర్ దృష్టికి వెళ్లాల్సి వస్తే ఏమి చేయాలి? ఆ బ్రాంచ్లను ఇప్పుడే నిర్మించండి. మీరు డిప్లాయ్మెంట్ (deployment) వరకు వేచి చూస్తే, మీరు