చాలా CRM చాట్బాట్లు ఖరీదైన కాలిక్యులేటర్ల కంటే ఎక్కువగా ఏమీ కాదు. పైప్లైన్ విలువ గురించి అడిగితే, అవి నేరుగా ఒక రిపోర్ట్ నుండి తీసుకున్న సంఖ్యను మాత్రమే తిరిగి ఇస్తాయి. ఆ సంఖ్య ఎందుకు మారిందని అడిగితే, సంభాషణ అక్కడితో ఆగిపోతుంది. ముడి డేటా (raw data) మరియు నిజమైన అవగాహన మధ్య ఉన్న ఆ అంతరం వల్లనే డీల్స్ చేజారిపోతాయి మరియు ఆదాయం తెలియకుండానే తగ్గిపోతుంది.
నిజమైన ఆపరేషనల్ విలువ సందర్భం (context) నుండి వస్తుంది. క్లోజ్ రేట్లు (close rates) ఎందుకు మారాయి, ఈ ట్రెండ్ కొనసాగితే ఏమవుతుంది, మరియు ఏ మార్పు వల్ల ఈ కదలిక మొదలైంది అనేది మీరు తెలుసుకోవాలి. Zoho CRM చాట్బాట్లో అంతటి తెలివితేటలను నిర్మించడం సైన్స్ ఫిక్షన్ కాదు. దీనికి ఒక క్లీన్ డేటా పైప్లైన్, క్రమబద్ధమైన సెమాంటిక్ లేయర్ (semantic layer), మరియు ప్రభావాలను వాటి కారణాలకు వెనక్కి అనుసంధానించేలా రూపొందించిన ఆర్కిటెక్చర్ అవసరం.
అసలు సమస్య డేటా కాదు, సందర్భం (Context)
సేల్స్ టీమ్లు ఇప్పటికే డ్యాష్బోర్డ్ల మధ్య మునిగిపోయి ఉన్నారు. ప్రతి CRM డజన్ల కొద్దీ బార్ చార్ట్లు మరియు ఫన్నెల్ వ్యూలను (funnel views) సృష్టిస్తుంది. అయితే, కేవలం ఒక సంఖ్య అనేది నిరర్థకం. క్లోజ్ రేట్లలో 15 శాతం తగ్గుదల అనేది ఏదో జరిగిందని మాత్రమే చెబుతుంది. కానీ, SDR టీమ్ తమ క్వాలిఫికేషన్ స్క్రిప్ట్ను మార్చిందా, పెయిడ్ ట్రాఫిక్ సోర్స్ అకస్మాత్తుగా అనర్హులైన సందర్శకులను పంపిందా, లేదా నెల మొదటి రోజున పోటీదారుడు దూకుడుగా ధరలను తగ్గించాడా అనే విషయాల గురించి అది ఏమీ చెప్పదు.
ఒక తెలివైన వ్యవస్థ ప్రశ్న వెనుక ఉన్న అసలు ప్రశ్నను గుర్తిస్తుంది. ఇది CRMని ఒక స్టాటిక్ డేటాబేస్లా కాకుండా, నిరంతరం మారుతున్న సిగ్నల్ స్ట్రీమ్లా పరిగణిస్తుంది. సరిగ్గా నిర్మించినప్పుడు, చాట్బాట్ అనామలీలను (anomalies) గుర్తించే, మూల కారణాలను (root causes) అన్వేషించే మరియు డేటాబేస్ రోస్ (rows) గురించి కాకుండా బిజినెస్ అవుట్కమ్స్ గురించి మాట్లాడే ఒక అనలిటికల్ పార్ట్నర్గా మారుతుంది.
Zoho APIతో పోరాడటం ఆపండి
మీరు దేనినైనా విశ్లేషించకముందే, Zoho నుండి డేటాను క్లీన్గా బయటకు తీయాలి. ప్రతి స్టాండర్డ్ మరియు కస్టమ్ ఆబ్జెక్ట్ కోసం ప్రత్యేకమైన సింక్ స్క్రిప్ట్లను (sync scripts) రాయాలనే కోరికను అదుపులో ఉంచుకోండి. Zoho API పేజినేషన్ (pagination), రేట్ లిమిట్స్ (rate limits), మరియు OAuth టోకెన్ మేనేజ్మెంట్ను అమలు చేస్తుంది. మీ CRMలో జరిగే ప్రతి చిన్న స్కీమా మార్పు (schema change) మెయింటెనెన్స్ సమస్యగా మారుతుంది, దీనివల్ల ఇంజనీరింగ్ సమయం అసలు ప్రొడక్ట్ పని నుండి పక్కదారి పడుతుంది.
దానికి బదులుగా Airbyteని ఉపయోగించండి. ఇందులో మీకు క్లిష్టమైన పనులను సులభతరం చేసే Zoho CRM కనెక్టర్ ఉంది. ఇది మోడిఫైడ్ టైమ్స్టాంప్లను (modified timestamps) ఉపయోగించి క్రమంగా సింక్ చేస్తుంది, కాబట్టి మీరు ప్రతి గంటకు పూర్తి టేబుల్లను లాగాల్సిన అవసరం లేదు. ఇది స్కీమాలను ఆటోమేటిక్గా నార్మలైజ్ చేస్తుంది, మీరు Lead_Source_Detail లేదా Qualification_Score వంటి కస్టమ్ ఫీల్డ్లను జోడించినప్పుడు ఇది చాలా ఉపయోగపడుతుంది. ఆ ఫీల్డ్లు మారినప్పుడు, ఎక్స్ట్రాక్షన్ లాజిక్ను మళ్ళీ రాయాల్సిన అవసరం లేకుండా Airbyte తనను తాను సర్దుబాటు చేసుకుంటుంది. ఇది డేటాను నేరుగా Postgres, Snowflake, లేదా BigQueryలోకి పంపిస్తుంది, దీనివల్ల అర్ధరాత్రి 2 గంటలకు విఫలమయ్యే మధ్యంతర ఫైల్ డ్రాప్ల అవసరం ఉండదు.
ఈ విశ్వసనీయత చాలా ముఖ్యం, ఎందుకంటే మీ స్టాక్ యొక్క తదుపరి లేయర్లు డేటా యొక్క తాజాదనం (freshness) మీద ఆధారపడి ఉంటాయి. మీ డేటా ఇంజెషన్ (ingestion) రికార్డులను వదిలేసినా లేదా రోలను డూప్లికేట్ చేసినా, మీ అనామలీ డిటెక్షన్ తప్పుడు హెచ్చరికలు చేస్తుంది మరియు మీ కాజల్ అనాలిసిస్ (causal analysis) తప్పుడు ఫలితాలను చూపిస్తుంది.
ఆరు లేయర్లు, ఒక స్పష్టమైన స్వరం
ప్రతి భాగం ఒక పనిని చక్కగా చేసేలా మీ ఆర్కిటెక్చర్ను లేయర్లుగా ఉంచండి. ఈ విభజన వల్ల సిస్టమ్ను డీబగ్ చేయడం సులభం అవుతుంది, విస్తరించడం తక్కువ ఖర్చుతో కూడుకున్నది అవుతుంది మరియు సేల్స్ లీడర్షిప్ బాట్ ఒక సమాధానానికి ఎలా వచ్చిందని అడిగినప్పుడు అది మరింత నమ్మదగినదిగా ఉంటుంది.
1. డేటా ఇంజెషన్ (Data Ingestion)
Airbyte ఒక షెడ్యూల్ ప్రకారం Leads, Deals, Contacts, మరియు Activitiesలను తీసుకుంటుంది. ఈ నాలుగు ఆబ్జెక్ట్లు చాలా సేల్స్ ఆపరేషన్లకు ప్రాణాధారం. ఎక్స్ట్రాక్షన్ను సరళంగా మరియు ఊహించదగినదిగా ఉంచండి.
2. డేటా వేర్హౌస్ (Data Warehouse)
ముందుగా ముడి డేటాను (raw data) స్టేజింగ్ ఏరియాలోకి లోడ్ చేయండి. అనలిస్ట్లు లేదా అల్గారిథమ్లు నేరుగా Zoho ప్రొడక్షన్ APIని క్వెరీ చేయనివ్వకండి. స్కీమాలు మారినప్పుడు స్టేజింగ్ లేయర్ మీకు రికవరీ పాయింట్ను ఇస్తుంది మరియు మీ CRMని నెమ్మదింపజేయకుండా చరిత్రను (history) మళ్ళీ ప్రాసెస్ చేయడానికి అనుమతిస్తుంది.
3. సెమాంటిక్ లేయర్ (Semantic Layer)
బిజినెస్ పదాల అసలు అర్థాన్ని ఇక్కడే మీరు నిర్వచిస్తారు. ఉదాహరణకు, Closed Won స్టేజ్, 100 శాతం సంభావ్యత (probability), మరియు గత 90 రోజుల్లో క్లోజ్ అయిన తేదీ ఉన్న ఏ అవకాశాన్ని కూడా "won deal" అని పిలవవచ్చు. "stalled lead" అంటే 14 రోజులుగా ఎటువంటి యాక్టివిటీ లేకపోవడం కావచ్చు. చాట్బాట్ తర్వాత రీజినల్ మేనేజర్కు "stalled leads" పెరిగాయని చెప్పినప్పుడు, అది క్వార్టర్లీ బోర్డ్ రిపోర్ట్లో ఉన్న ఖచ్చితమైన నిర్వచనాన్ని మాత్రమే ఉపయోగించాలి. ఈ లేయర్ లేకపోతే, డ్యాష్బోర్డ్ 42 క్లోజ్డ్ డీల్స్ చూపిస్తుంటే, బాట్ మాత్రం 38 ఉన్నాయని చెప్పే ఇబ్బందికరమైన పరిస్థితి ఎదురవుతుంది.
4. అనామలీ డిటెక్షన్ (Anomaly Detection)
సాధారణంగా యాక్టివిటీ ఉండే ఆదివారం నాడు డీల్ క్రియేషన్ సున్నాకి పడిపోవడం లేదా ఒకే ఒక భారీ ఎంటర్ప్రైజ్ అవకాశం వల్ల పైప్లైన్ విలువ ఒక్కసారిగా పెరగడం వంటి స్పష్టమైన అవుట్లయర్లను (outliers) గుర్తించడానికి స్టాటిస్టికల్ మోడల్స్ను ఉపయోగించండి. క్లోజ్ రేట్లు నెలకు రెండు శాతం చొప్పున క్రమంగా తగ్గడం వంటి సూక్ష్మమైన మార్పులను గుర్తించడానికి లైట్వెయిట్ MLని జోడించండి. మీకు ఈ రెండు రకాల దృష్టి అవసరం. ఒకది పెద్ద అగ్ని ప్రమాదాలను గుర్తిస్తే, మరొకటి పొగను కూడా పసిగడుతుంది.
5. Causal Analysis
ఈ లేయర్ "ఎందుకు" అనే ప్రశ్నకు సమాధానం ఇస్తుంది. ఒక మెట్రిక్ డిపెండెన్సీ గ్రాఫ్ను నిర్మించండి. రెవెన్యూ అనేది క్లోజ్ రేట్ మరియు పైప్లైన్ వాల్యూమ్పై ఆధారపడి ఉంటుంది. క్లోజ్ రేట్ అనేది లీడ్ క్వాలిటీ మరియు రిప్రజెంటేటివ్ పనితీరుపై ఆధారపడి ఉంటుంది. లీడ్ క్వాలిటీ అనేది ట్రాఫిక్ ఛానెల్ మరియు క్వాలిఫికేషన్ ప్రమాణాలపై ఆధారపడి ఉంటుంది. ఒక డౌన్స్ట్రీమ్ మెట్రిక్ విఫలమైనప్పుడు, సిస్టమ్ గ్రాఫ్ ద్వారా అప్స్ట్రీమ్లోకి వెళ్తుంది. ఇది కోరిలేషన్ బలం మరియు సమయ సామీప్యత ఆధారంగా సంభావ్య కారణాలను ర్యాంక్ చేస్తుంది. ఈ విధంగానే బాట్ ఒక సమస్యను చెప్పడం నుండి దాని అసలు కారణాన్ని (driver) గుర్తించడం వరకు వెళ్తుంది.
6. Chat Interface
Retrieval-Augmented Generation (RAG) కలిగిన LLM ద్వారా ఫలితాలను ప్రదర్శించండి. ఇక్కడ ముఖ్యమైన విషయం ఏమిటంటే, LLM మీ సెమాంటిక్ లేయర్ను మాత్రమే క్వెరీ చేయాలి, ఎప్పుడూ రా డేటా వేర్హౌస్ టేబుల్స్ను కాదు. రా టేబుల్స్ ఫారిన్ కీలు మరియు Unix timestamps భాషలో మాట్లాడుతాయి. సెమాంటిక్ లేయర్ వ్యాపార భాషలో మాట్లాడుతుంది. RAG మోడల్ను మీ అసలు నిర్వచనాలతో అనుసంధానిస్తుంది, తద్వారా హాలూసినేషన్స్ (hallucinations) తగ్గుతాయి మరియు స్థిరత్వం పెరుగుతుంది.
Why a Metric Graph Changes Everything
ఒక నోటిఫికేషన్ మరియు ఒక ఇన్సైట్ మధ్య తేడాను గమనించండి. ఒక సాధారణ డ్యాష్బోర్డ్ ఈ విధంగా అలర్ట్ను పంపుతుంది: "ఈ వారం క్లోజ్ రేట్లు 15 శాతం తగ్గాయి." అది కేవలం ఒక హెడ్లైన్ మాత్రమే, రోగ నిర్ధారణ (diagnosis) కాదు. ఒక స్మార్ట్ సిస్టమ్ ఇలా చెబుతుంది: "ఛానెల్ X నుండి లీడ్ క్వాలిటీ మంగళవారం రోజున తగ్గడం వల్ల క్లోజ్ రేట్లు తగ్గాయి." ఆ రెండో వాక్యం సేల్స్ మేనేజర్కు తక్షణమే చర్య తీసుకోవడానికి ఒక మార్గాన్ని చూపుతుంది. త్రైమాసికం (quarter) దారి తప్పకముందే ఆమె యాడ్ ఖర్చును నిలిపివేయవచ్చు, ల్యాండింగ్ పేజీలో ఏదైనా ఫామ్ పని చేయడం లేదని తనిఖీ చేయవచ్చు లేదా SDR కవరేజీని తిరిగి కేటాయించవచ్చు.
దీనిని నిర్మించడానికి పైన వివరించిన కాజల్ గ్రాఫ్ అవసరం. డౌన్స్ట్రీమ్ నోడ్—క్లోజ్ రేట్—అనుకున్న పరిధి వెలుపలికి వెళ్ళినప్పుడు, సిస్టమ్ దాని పేరెంట్ నోడ్స్ను అంచనా వేస్తుంది. ఇది లీడ్ స్కోర్లు, ఛానెల్ మిక్స్, ఇటీవలి ధరల మార్పులు మరియు రిప్రజెంటేటివ్ అసైన్మెంట్లను పరిశీలిస్తుంది. ఇది ఊహించదు; వ్యాపారం వాస్తవంగా ఎలా నడుస్తుందో ప్రతిబింబించే ఒక నిర్మాణాన్ని అనుసరిస్తుంది.
Getting It Right in Production
ఆర్కిటెక్చర్ మాత్రమే మిమ్మల్ని అనవసరమైన అలర్ట్లు లేదా నమ్మదగని సమాధానాల నుండి రక్షించదు. అమలు (Execution) ముఖ్యం.
Start small. వ్యాపారం ఇప్పటికే గమనిస్తున్న మూడు లేదా నాలుగు ముఖ్యమైన మెట్రిక్లను ఎంచుకోండి. పైప్లైన్ క్రియేటెడ్, యావరేజ్ డీల్ సైజ్, క్లోజ్ రేట్ మరియు సేల్స్ సైకిల్ లెంగ్త్ అనేవి మంచి ప్రారంభ సెట్. వెబ్సైట్ బౌన్స్ రేట్లు, ఈమెయిల్ ఓపెన్ రేట్లు లేదా సోషల్ సెంటిమెంట్ వంటి వాటిని చేర్చే ముందు వీటిని సరిగ్గా సెట్ చేసుకోండి. మరీ ఎక్కువ అలర్ట్లు అనవసరమైన శబ్దాన్ని (noise) సృష్టిస్తాయి, మరియు ఆ శబ్దం వల్ల ప్రజలు సిస్టమ్ను విస్మరించడం అలవాటు చేసుకుంటారు.
Blend human knowledge with math. మీ సేల్స్ ఆపరేషన్స్ టీమ్ను కాజల్ గ్రాఫ్ యొక్క మొదటి వెర్షన్ను రూపొందించనివ్వండి. లీడ్ స్కోర్లు తగ్గినప్పుడు, దానికి కారణం తరచుగా ఒక నిర్దిష్ట క్యాంపెయిన్ లేదా క్వాలిఫికేషన్ స్క్రిప్ట్లో ఇటీవలి మార్పు అని వారికి అనుభవం ద్వారా తెలుసు. స్టాటిస్టికల్ కోరిలేషన్ ఆ లింక్లను ధృవీకరించవచ్చు లేదా సవాలు చేయవచ్చు, కానీ అది శూన్యంలో (vacuum) వాటిని మొదటిసారి కనుగొనలేదు. సేల్స్ సంస్థలలో కారణం మరియు ప్రభావం (cause and effect) డొమైన్ నైపుణ్యంతో నిండి ఉంటాయి. దానిని గౌరవించండి.
Audit everything. ప్రతి చాట్బాట్ సమాధానాన్ని, దానిని రూపొందించడానికి ఉపయోగించిన ఖచ్చితమైన సెమాంటిక్ నిర్వచనం, SQL ఫ్రాగ్మెంట్ లేదా మెట్రిక్ వెర్షన్తో పాటు లాగ్ చేయండి. ఒక రిప్రజెంటేటివ్ ఒక అకౌంట్ను హై రిస్క్ అని బాట్ ఎందుకు గుర్తించిందో ప్రశ్నించినప్పుడు, దాని వెనుక ఉన్న కారణాన్ని చూపండి. సేల్స్ టీమ్లలో నమ్మకమే అసలైన పెట్టుబడి. బాట్ ఊహించి సమాధానం ఇస్తోందని వినియోగదారులు అనుమానిస్తే, వారు మళ్ళీ తమ అంతర్ దృష్టి (gut instinct) మరియు స్ప్రెడ్షీట్ల కోసం వెతుకుతారు.
The Real Takeaway
CRM ఫీల్డ్లను వినియోగదారులకు తిరిగి వినిపించే లుకప్ టూల్స్ను నిర్మించడం ఆపండి. దానిని మించి వెళ్లడానికి అవసరమైన సాంకేతికత—Airbyte ద్వారా స్ట్రీమింగ్ ఇంజెషన్, గవర్న్డ్ సెమాంటిక్ లేయర్, స్టాటిస్టికల్ మరియు కాజల్ మోడల్స్, మరియు అసలు బిజినెస్ లాజిక్పై ఆధారపడిన LLM—ప్రస్తుతం అందుబాటులో ఉన్నాయి. కష్టమైన భాగం మోడల్ వైరింగ్ కాదు. మీ మెట్రిక్లను ఖచ్చితంగా నిర్వచించడం, మీ కారణాలను అప్స్ట్రీమ్లో స్ట్రక్చర్ చేయడం మరియు తెలివైనదిగా కనిపించడం కోసం సిస్టమ్ అనవసరమైన శబ్దాన్ని (noise) సృష్టించకుండా చూడటం అనే క్రమశిక్షణ ముఖ్యం. సమాధానాల కోసం నిర్మించండి, అప్పుడు మాత్రమే చాట్బాట్ సేల్స్ మీటింగ్లో తన స్థానాన్ని సంపాదించుకోగలదు.
Based on the architecture described by Mayu2008. For more discussions on data engineering and AI systems, join the GyaanSetu community.