Een salesassistent, gebouwd met hun eigen team.
Een fabrikant die via distributeurs verkoopt, had jaren aan salesdata en geen snelle manier om die te gebruiken. We bouwen een assistent waar hun salesteam vragen aan kan stellen, in hun eigen cloud en samen met hun eigen IT-team.
Wat ze ermee willen
- Zien welke klanten per regio de meeste omzet brengen
- Klanten opmerken die minder kopen, voordat ze vertrekken
- Weten wie te laat betaalt en hoeveel
- Testen wat er gebeurt als een klant of product wegvalt
De weg tot nu toe
Vijf momenten die het vormden.
-
De pitch
De eerste vragen gingen niet over AI
We lieten een demo van een salesassistent zien. Zij vroegen waar hun data heen zou gaan, wat het zou kosten en waarom ze niet gewoon ChatGPT gebruiken.
Wat we leerden: Vertrouwen komt vóór features.
-
Opzet
Alles in hun eigen cloud
Hun IT-team gaf ons een afgeschermde omgeving in hun eigen cloud. Toegang duurde langer dan gepland. We wachtten in plaats van een kortere weg te nemen.
Wat we leerden: Doe het één keer veilig, niet twee keer snel.
Azure
-
Eerste weken
De data zei het ene en bedoelde het andere
Jaren aan saleshistorie zagen er netjes uit. Toen kwamen de echte vragen. Welke datum telt als verkoopdatum? Wat betekent een nul? De antwoorden zaten in de hoofden van mensen.
Wat we leerden: Vraag wat de data betekent, niet alleen wat erin staat.
PostgreSQL
-
Eerste resultaat
Het eerste antwoord in de chat
Eén analyse werkt nu van begin tot eind, van hun data via geteste code tot een antwoord in de chat. Hun salesteam controleert het tegen wat ze in de praktijk zien.
Wat we leerden: Laat één ding van begin tot eind werken voordat je de rest bouwt.
AI Foundry
-
Nu
Hun team bouwt het volgende deel
Hun IT-team bouwt de volgende analyse zelf, in dezelfde code. Wij reviewen en helpen.
Wat we leerden: Draag over terwijl je bouwt, niet aan het eind.
Wat ze ons vroegen
De vragen die het vormden.
- Kunnen we elk onderdeel testen voor het volgende begint?
- Ja, en die vraag was terecht. We bouwden sneller dan hun team kon controleren. Nu begint er niets nieuws totdat ze het vorige onderdeel hebben geprobeerd.
- Waarom geven we de AI niet de hele database?
- Omdat hij dan gaat gokken. Hij krijgt alleen een paar goedgekeurde tools die gecontroleerde cijfers teruggeven. Zo bepalen wij wat hij kan zien en zeggen.
- Waar draait het AI-model?
- In hun eigen Azure-account, niet in een openbare chatbot. Ze kunnen later naar een ander model overstappen zonder opnieuw te bouwen.
- Hoe weten we dat de cijfers kloppen?
- Code berekent ze en hun team controleert ze tegen wat ze weten. De AI legt alleen het resultaat uit.
- Kunnen we een antwoord herleiden?
- Elk antwoord verwijst naar de analyse die is gebruikt, en naar de order als de data dat toelaat. We loggen elke vraag met de kosten.
Lees de volledige uitleg
Hoe we het afbakenden, de data veilig maakten, beide teams trainden en wat we verkeerd deden. Het artikel is in het Engels.
What does it take to build an AI system on your own sales data?Heb je de data, maar geen duidelijke route?
We bouwen AI-systemen met je team, in je eigen cloud, één getest onderdeel tegelijk. Je team leert ze te beheren en wij blijven dichtbij.
