Ένας βοηθός πωλήσεων, φτιαγμένος με τη δική τους ομάδα.
Μια μεταποιητική εταιρεία που πουλά μέσω διανομέων είχε χρόνια δεδομένων πωλήσεων και κανέναν γρήγορο τρόπο να τα αξιοποιήσει. Φτιάχνουμε έναν βοηθό στον οποίο η ομάδα πωλήσεων μπορεί να κάνει ερωτήσεις, στο δικό τους cloud και με τη δική τους ομάδα IT.
Τι θέλουν από αυτόν
- Να βλέπουν ποιοι πελάτες φέρνουν τις περισσότερες πωλήσεις σε κάθε περιοχή
- Να εντοπίζουν πελάτες που αγοράζουν λιγότερο, πριν φύγουν
- Να ξέρουν ποιος πληρώνει με καθυστέρηση και πόσο
- Να δοκιμάζουν τι θα γίνει αν χαθεί ένας πελάτης ή ένα προϊόν
Η πορεία ως τώρα
Πέντε στιγμές που το διαμόρφωσαν.
-
Η παρουσίαση
Οι πρώτες ερωτήσεις δεν αφορούσαν το AI
Δείξαμε ένα demo ενός βοηθού πωλήσεων. Εκείνοι ρώτησαν πού θα πάνε τα δεδομένα τους, πόσο θα κοστίσει και γιατί να μη χρησιμοποιήσουν απλώς το ChatGPT.
Τι μάθαμε: Η εμπιστοσύνη έρχεται πριν από τις λειτουργίες.
-
Η ρύθμιση
Τα πάντα στο δικό τους cloud
Η ομάδα IT μάς έδωσε έναν ιδιωτικό χώρο στο δικό τους cloud. Η πρόσβαση άργησε περισσότερο από το αναμενόμενο. Περιμέναμε αντί να πάρουμε συντομεύσεις.
Τι μάθαμε: Κάντε το μία φορά με ασφάλεια, όχι δύο φορές βιαστικά.
Azure
-
Οι πρώτες εβδομάδες
Τα δεδομένα έλεγαν ένα πράγμα και εννοούσαν άλλο
Χρόνια ιστορικού πωλήσεων έμοιαζαν καθαρά. Μετά ήρθαν οι πραγματικές ερωτήσεις. Ποια ημερομηνία μετράει ως πώληση; Τι σημαίνει ένα μηδέν; Οι απαντήσεις ήταν στο μυαλό των ανθρώπων.
Τι μάθαμε: Ρωτήστε τι σημαίνουν τα δεδομένα, όχι μόνο τι περιέχουν.
PostgreSQL
-
Το πρώτο αποτέλεσμα
Η πρώτη απάντηση στο chat
Μία ανάλυση τρέχει πλέον από άκρη σε άκρη, από τα δεδομένα τους, μέσα από δοκιμασμένο κώδικα, μέχρι μια απάντηση στο chat. Η ομάδα πωλήσεων την ελέγχει με όσα βλέπει στην αγορά.
Τι μάθαμε: Κάντε ένα πράγμα να δουλεύει από άκρη σε άκρη πριν φτιάξετε τα υπόλοιπα.
AI Foundry
-
Τώρα
Η ομάδα τους φτιάχνει το επόμενο κομμάτι
Η ομάδα IT φτιάχνει μόνη της την επόμενη ανάλυση, στον ίδιο κώδικα. Εμείς ελέγχουμε και βοηθάμε.
Τι μάθαμε: Παραδώστε όσο χτίζετε, όχι στο τέλος.
Τι μας ρώτησαν
Οι ερωτήσεις που το διαμόρφωσαν.
- Μπορούμε να δοκιμάζουμε κάθε κομμάτι πριν από το επόμενο;
- Ναι, και καλά έκαναν που ρώτησαν. Χτίζαμε πιο γρήγορα απ' όσο μπορούσε να ελέγξει η ομάδα τους. Τώρα δεν ξεκινά τίποτα νέο πριν δοκιμάσουν το προηγούμενο κομμάτι.
- Γιατί να μη δώσουμε στο AI ολόκληρη τη βάση δεδομένων;
- Γιατί θα άρχιζε να μαντεύει. Παίρνει μόνο λίγα εγκεκριμένα εργαλεία που επιστρέφουν ελεγμένους αριθμούς, οπότε ελέγχουμε τι μπορεί να δει και να πει.
- Πού τρέχει το μοντέλο AI;
- Μέσα στον δικό τους λογαριασμό Azure, όχι σε ένα δημόσιο chatbot. Μπορούν αργότερα να αλλάξουν μοντέλο χωρίς να ξαναχτίσουν το σύστημα.
- Πώς ξέρουμε ότι οι αριθμοί είναι σωστοί;
- Ο κώδικας τους υπολογίζει και η ομάδα τους τους ελέγχει με όσα γνωρίζει. Το AI απλώς εξηγεί το αποτέλεσμα.
- Μπορούμε να εντοπίσουμε από πού βγήκε μια απάντηση;
- Κάθε απάντηση δείχνει την ανάλυση που χρησιμοποίησε και, όπου το επιτρέπουν τα δεδομένα, την παραγγελία. Καταγράφουμε κάθε ερώτηση μαζί με το κόστος της.
Διαβάστε την πλήρη ανάλυση
Πώς ορίσαμε το πεδίο, ασφαλίσαμε τα δεδομένα, εκπαιδεύσαμε και τις δύο ομάδες και τι κάναμε λάθος. Το άρθρο είναι στα αγγλικά.
What does it take to build an AI system on your own sales data?Έχετε τα δεδομένα αλλά όχι σαφή δρόμο;
Φτιάχνουμε συστήματα AI με την ομάδα σας, στο δικό σας cloud, ένα δοκιμασμένο κομμάτι τη φορά. Η ομάδα σας μαθαίνει να τα λειτουργεί και εμείς μένουμε κοντά.
