OpenAI-ში შემომავალი ლიდების კლიენტებად გადაქცევა

ეს ჩვენი სერიის ნაწილია, სადაც ვაზიარებთ შიდა მაგალითებს, თუ როგორ იყენებს OpenAI საკუთარ ტექნოლოგიასა და API-ებს. ეს ხელსაწყოები გამოიყენება შიგნით, მხოლოდ OpenAI-ში, და აქ გაზიარებულია, როგორც საილუსტრაციო მაგალითები იმისა, თუ როგორ უჭერს მხარს მოწინავე AI გამოყენების სცენარებს ჩვენს გუნდებში. ასევე ვაზიარებთ შიდა ხელსაწყოების სახელებს, რათა უფრო მკაფიოდ გამოჩნდეს, როგორ ეხმარება მოწინავე AI ჩვენს გუნდებს საქმის შესრულებაში.

როდესაც ChatGPT Enterprise და Business გაეშვა, შემომავალი მოთხოვნა მკვეთრად გაიზარდა. ყოველთვიურად გვიკავშირდებოდა ათიათასობით კომპანია — ადრეული სტადიის სტარტაპებიდან მრავალეროვნულ საწარმოებამდე. მოთხოვნა გამორჩეული იყო. ზეწოლა ჩვენს სისტემებზე — რეალური.

ამ ლიდების ფორმებითა და სტატიკური სამუშაო პროცესებით დამუშავება ვეღარ პასუხობდა სიტუაციას. მეტისმეტად ბევრი პოტენციური კლიენტი იღებდა ავტომატურ პასუხს, რომ ონლაინ დარეგისტრირებულიყო. მეტისმეტად ცოტას ეძლეოდა პასუხი თავის კითხვებზე. შედეგად ვკარგავდით შესაძლებლობებს და ყიდვის გამოცდილება ვერ შეესაბამებოდა იმ ნდობას, რომელსაც კლიენტები გვიცხადებდნენ.

გამოწვევა მხოლოდ მასშტაბი არ იყო. ეს იყო ხარისხი. მყიდველებს კონკრეტული პასუხები სურდათ:

• შეესაბამება თუ არა ეს პროდუქტი ჯანდაცვის გარემოს მოთხოვნებს?
• როგორ შევადაროთ გეგმები და ავირჩიოთ სწორი?
• რა შედეგებს ხედავენ ჩვენი ინდუსტრიის სხვა კომპანიები?

„თვეში ათასობით ლიდს ვიღებდით და მხოლოდ მცირე ნაწილთან საუბრის რესურსი გვქონდა. ზოგ ლიდს რამდენიმე კითხვაზე პასუხი სჭირდებოდა, რომ მართლაც შესანიშნავი ყიდვის გამოცდილება მიგვეცა, მაგრამ ამ პერსონალიზებული გამოცდილების მიწოდებას ვერ ვახერხებდით“, — ამბობს Harsha Chilakamarri, ბაზარზე გატანის ინოვაციიდან.

ტრადიციულ ავტომატიზაციას ეს ნიუანსი ვერ მიჰქონდა. ხაზობრივად დაქირავება მდგრადი არ იყო. სხვა მიდგომა გვჭირდებოდა.

ჩვენ შევქმენით AI-ზე დაფუძნებული შემომავალი გაყიდვების ასისტენტი, რომელიც შექმნილი იყო არა წარმომადგენლების ჩასანაცვლებლად, არამედ მათი შესაძლებლობების გასაფართოებლად — და გაწვრთნილი და დახვეწილი იყო წარმომადგენლების უკუკავშირის საფუძველზე.

მის საფუძველშია ჩვენი შიდა კონექტორები. პროდუქტის დოკუმენტაცია, პოლიტიკების ბიბლიოთეკები, კლიენტების ისტორიები და სახელმძღვანელოები ერთიანდება იმ კონტექსტში, რომელზეც მოდელს მსჯელობა შეუძლია. ასისტენტი არ ვარაუდობს. ის პასუხობს ზუსტად, პოტენციური კლიენტის ენაზე, უშუალოდ მის კითხვასთან კავშირში.

ეს ნიშნავს, რომ პოტენციური კლიენტები რამდენიმე წუთში იღებენ პერსონალიზებულ პასუხს, თავიანთ ენაზე დაწერილს და თავიანთ რეალურ კითხვაზე დაფუძნებულს.

• კომპანია ტოკიოში იღებს პასუხს იაპონურად და არა ინგლისურ ფორმულარულ წერილს.
• საავადმყოფოთა სისტემა, რომელიც შესაბამისობაზე კითხულობს, დეტალებს პირველივე მიმოწერაში იღებს და არა ლოდინის რამდენიმე დღის შემდეგ.
• თუ პოტენციური კლიენტი საწარმოს დონისთვის კვალიფიცირდება, მიმოწერა შეუფერხებლად გადაეცემა წარმომადგენელს, კონტექსტის შენარჩუნებით.

„ეს მოდელი გვაძლევს საშუალებას, თითოეულ კლიენტთან გვქონდეს ურთიერთობა და ყველას ჰიპერპერსონალიზებული გამოცდილება მივაწოდოთ“, — ამბობს Chilakamarri.

ეს არ არის ავტომატიზაცია მხოლოდ ავტომატიზაციისთვის. ეს არის ავტომატიზაცია, რომელიც დაუყოვნებლივ ქმნის ღირებულებას.

გარღვევა მხოლოდ ასისტენტის პირველ პასუხში არ ყოფილა. ის ციკლში იყო, რომელიც მის უკან იდგა.

მოდელის გაწვრთნისას პასუხის ყოველი მონახაზი გაყიდვების წარმომადგენლებთან ბრუნდებოდა შესწორებებისთვის. ყოველი შესწორება სასწავლო მონაცემად იქცა. სიზუსტე 60 პროცენტიდან რამდენიმე კვირაში 98 პროცენტზე მეტამდე გაიზარდა. ზოგადი შაბლონების ნაცვლად, ასისტენტმა ჩვენი გუნდის საუკეთესო ვერსიას დაემსგავსა, განსჯა დააკოდიფიცირა და მასშტაბურად ხელმისაწვდომი გახადა.

წარმომადგენლებისთვის ცვლილება მყისიერი იყო. შემოსული წერილები აღარ ივსებოდა არაკვალიფიციური ლიდებით. ისინი ხსნიდნენ უკვე დაწყებულ საუბარს ისეთ პოტენციურ კლიენტებთან, რომლებსაც რეალური ინტერესი ჰქონდათ და რეალურ კითხვებზე უკვე ჰქონდათ პასუხი მიღებული.

eval-ებმა ხელმძღვანელობასაც თავდაჯერებულობა შესძინა. მათ აჩვენეს გაზომვადი პროგრესი და არა მხოლოდ ცალკეული ისტორიები. დაამტკიცეს, რომ ასისტენტის პასუხისმგებლიანად მასშტაბირება შეიძლებოდა.

გავლენა მყისიერი იყო. პატარა კომპანიამ, რომელიც ადრე რიგში იკარგებოდა, კითხვები გამოგზავნა, რამდენიმე საათში გააზრებული პასუხები მიიღო და რამდენიმე დღეში საწარმოს დონის კონტრაქტს მოაწერა ხელი. ასეთი ისტორიები ისევ და ისევ მეორდებოდა.

რაც ადრე ჩიხი იყო, ჩვენი ზრდის ერთ-ერთ ყველაზე ძლიერ არხად იქცა. რამდენიმე თვეში წლიური განმეორებადი შემოსავლის მრავალმილიონიანი მოცულობა გაიხსნა.

იმ წარმომადგენლებისთვისაც, რომლებსაც კვალიფიციური ლიდები გადაეცემოდათ, ეს ცვლილება არანაკლებ ღირებული იყო. ზოგადი ლიდების ქექვის ნაცვლად, ისინი ხედავდნენ აქტიურ საუბრებს მკაფიო განზრახვით. პირველად, არავინ გრძნობდა, რომ უყურადღებოდ იყო დატოვებული.

ეს მხოლოდ შემომავალ ლიდებს არ ეხება. ეს უფრო ფართო შესაძლებლობაზე მიანიშნებს: ონბორდინგი, განახლებები და მხარდაჭერა — ყველაფერს შეუძლია სარგებლის მიღება სანდო, პერსონალიზებული საუბრებიდან.

გაკვეთილი მარტივია: როდესაც თქვენი საუკეთესო წარმომადგენლების ხარისხს AI-ის მეშვეობით მასშტაბირებთ, ცვლით იმას, რაც მთელი გუნდისთვის არის შესაძლებელი.

როგორც Chilakamarri-მ თქვა: „ხელმძღვანელობა ამით მეტად აღფრთოვანებული ვერც იქნებოდა. ეს მტკიცებულებაა იმისა, რომ შეგვიძლია OpenAI OpenAI-ზე ავაშენოთ და ჩვენი ტექნოლოგია პირდაპირ კლიენტებს ვაჩვენოთ.“

თითოეული ლიდის პერსონალიზება უბრალოდ ტაქტიკა არ არის. ეს ყველასთვის უკეთესი ურთიერთობის გზად იქცევა.