概述
有用的系统可以帮助代表更好地为客户服务，同时尊重同意、准确性和沟通规则。更多消息或更高的活动数量并不自动意味着更好的销量。
主要要点
- 定义客户价值和业务成果。
- 在外展之前审查索赔和偏好。
- 衡量质量、同意和纠正。
深入探讨
定义客户和业务成果。潜在客户评分、预测和消息起草具有不同的目标和风险。检查在结果出现之前有哪些信息可用，以及标签是否反映了真正的适合性或销售团队过去的关注。在发送之前查看生成的索赔、价格和承诺。不要发明客户需求、产品功能或紧迫性。保持选择退出和沟通偏好在模型之外可执行。衡量合格的机会、客户响应、纠正时间、退订率和下游满意度。模型可以优化回复或会议预订，同时增加不相关的外展活动。按细分进行评估并监控代表性不足的账户是否获得较少有用的服务。保护联系人和帐户数据。记录重要通信的模型、来源和人工编辑，并在建议不确定或帐户上下文不完整时提供手动路径。
04工作示例
抓住陈旧的销售推荐
想象一下，一个模型推荐了一个上个月停止的功能，因为它的目录没有更新。
在发送提案之前，请根据当前来源检查产品和价格。
更新知识源并记录更正，以便过时的推荐不会再次出现。
它显示了什么
构建的示例将销售协助与源新鲜度联系起来。
现实世界的实施
根据当前文档验证生成的提案中的产品声明。
衡量合格的结果和选择退出而不是消息量。
付诸实践
为什么这很重要
- 构建选择. 应用级设计决定了人工智能是否能改善实际结果。
- 团队与工作流程. 良好的工作流程集成可以创造用户值得信赖的生产力收益。
- 风险与安全. 范围明确的用例可以减少变更疲劳和实施风险。
留意
- 将损坏的流程自动化可能会加剧现有问题。
- 团队可能会过度自动化并消除所需的人工判断。
- 如果不持续评估输出，质量可能会出现偏差。
后续步骤
- 绘制当前工作流程并确定摩擦最大的步骤。
- 在完全自动化之前定义人工检查点。
- 对用户进行提示、升级路径和质量标准方面的培训。
- 跟踪任务级结果以确认持续价值。
资料来源与延伸阅读
- Google构建机器学习问题和成功指标
不断探索
常见问题
人工智能生成的外展活动是否可以通过发送更多消息来提高销量？
未必。相关性、同意性、准确性、客户响应和下游价值比数量更重要。