我从(AI咨询)客户那里收到的最常见请求是“ 给我做一个定制的聊天机器人”。虽然这是解决某些问题的好方法,但远非万能药。在本文中,我分享了三种企业可以在销售背景下使用AI产生价值的替代方法。这些方法涵盖生成式AI、深度学习和机器学习。
图片来自Canva。
大型语言模型(LLM)已经占领了商业领域,现在每家公司都在尝试使用生成式AI。虽然像ChatGPT这样的工具显然很强大,但目前还不清楚企业如何可靠地使用这种技术来 产生价值。
对于我服务的许多企业客户来说,“ 使用AI”意味着构建聊天机器人、助手、AI代理或AI助手。然而,随着对这些解决方案的初步兴奋逐渐消退,组织开始意识到围绕LLM构建系统的主要挑战。
一个核心挑战是,LLM本质上是不可预测的(甚至比传统的学习系统更甚)。因此, 让它们可预测地解决特定问题并不容易。
例如,解决幻觉问题的一种方法是让“评审” LLM审查系统响应的准确性和适当性。然而,增加LLM的数量会导致系统的成本、复杂性和不确定性增加。
这并不是说生成式AI(及其朋友)不值得追求。AI已经让无数公司变得非常富有,我不认为这种情况会很快停止。
关键点在于,通过解决问题而不是仅仅使用AI来产生价值。AI的潜力在于企业 找出 正确 的问题来解决,例如Netflix的推荐系统、UPS的配送路线优化、沃尔玛的库存管理等。
虽然“解决正确的问题”容易说,但并不容易做到。为了帮助解决这个问题,在这里我分享了3种企业都关心的——销售——的AI应用案例。我的希望是激发你的想象力,并通过具体示例展示如何实施它们。
三个案例是:
- 特征工程(Feature Engineering) —— 从文本中提取特征
- 结构化非结构化数据 —— 使文本分析准备好
- 线索评分 —— 确定你的最佳机会
3个AI应用案例。图片由作者提供。
特征工程 包括 创建可用于训练机器学习模型 或进行某些分析的变量。例如,给定一组领英资料,提取当前职位、工作年限和行业等信息,然后以数字形式表示它们。
从简历文本中提取工作年限和行业。图片由作者提供。
传统上,这有两种方法。1)手动创建特征,或2)从第三方购买特征(例如FICO的信用评分,D\&B的公司收入)。然而, LLM创造了第三种方法 来完成此事。
示例:从简历中提取特征
假设你正在为一款SaaS产品进行线索资格审查。该软件帮助中型企业防止网络安全威胁。目标客户是决定哪些供应商适合其公司的IT领导者。
你有一堆从各种来源收集来的10万份专业档案和简历,这些档案基于“IT”、“网络安全”、“领导者”、“VP”等标签。然而,问题是这些线索质量不高,往往包括非IT领导者、初级IT专业人员和其他不符合客户资料的人。
为了确保销售工作集中在正确的客户上, 目标是过滤掉低质量线索,只包括IT领导者。以下是解决这个问题的一些方法。
- 想法1:手动审查所有10万条线索。 问题:对于一个人或一个小型销售团队来说是不切实际的。
- 想法2:编写基于规则的逻辑来过滤简历。 问题:简历的格式多种多样,逻辑表现不佳。
- 想法3:向数据供应商购买此信息。 问题:这将显著增加客户获取成本(每条线索约0.10美元)。
鉴于上述想法的问题,让我们考虑如何用大型语言模型解决这个问题。一个简单的策略是编写一个提示,指示LLM从简历中提取所需信息。下面是一个示例。
``
0
分析从简历中提取的以下文本,确定该人是否在IT行业工作。如果此人不在IT行业工作,返回,如果在则返回
1`。并提供一个简短的解释
你的结论。
简历文本:
{简历文本}
```
这个解决方案完美融合了上述三种想法。它(1)审查每条线索以查找特定信息,(2)由计算机程序自动化,(3)且成本较低(每条线索约0.001美元)。
**额外奖励** : 对于那些有兴趣实现类似功能的人,我在这里分享了一个示例Python脚本 链接 该脚本使用OpenAI API从领英资料中提取工作年限。
来自电子邮件、支持票证、客户评论、社交媒体资料和通话记录的数据都是 非结构化数据 的例子。这仅仅意味着它不像Excel电子表格或.csv文件那样 按行和列组织。
结构化数据与非结构化数据。图片由作者提供。
非结构化数据的问题在于它不适合分析,使得获取洞察变得困难。这与 结构化数据 形成对比(即 按行和列组织的数字)。将非结构化数据转换为结构化格式是自然语言处理(NLP)和深度学习最新进展可以帮助解决的另一个领域。
示例:将简历转换为(有意义的)数字
考虑与前一个例子相同的商业案例。假设我们成功地从10万条线索中挑出了1万名IT领导者。尽管你的销售人员可以开始拨打电话和撰写电子邮件,你首先希望看看是否可以 提炼列表 以优先考虑与过去客户相似的线索。
一种方法是定义附加特征,这些特征提供理想客户资料的更多细节(如行业、合规要求、技术栈、地理位置),可以类似于案例1提取。然而, 识别这些指标可能具有挑战性,开发附加的自动化过程也要付出成本。
另一种方法是使用所谓的 文本嵌入。文本嵌入只是 一段文本的数字表示,具有语义意义。可以将其看作是将简历转换为一组数字。
将文本转换为文本嵌入。图片由作者提供。
文本嵌入的价值在于它们将非结构化文本转换为结构化的数字表格,这对传统的分析和计算方法更友好。例如,在这种情况下,可以使用文本嵌入 数学上评估哪些线索与过去的客户最相似,哪些线索最不同。
最后一个案例是 线索评分,即 根据关键预测指标(如职位、公司收入、客户行为等)评估线索质量。虽然这并不是新的概念,但最近AI的进展提高了解析非结构化数据的能力,可以将其馈送到线索评分模型中。
示例:基于质量评分线索
为了总结我们的业务案例,让我们讨论如何 使用文本嵌入来优先考虑潜在客户。假设我们有一个包含1000个过去线索的列表,其中500个购买了产品,500个没有。对于每条线索,我们都有一个包含关键信息的档案,例如职位、工作经验、当前公司、行业和关键技能。
这些线索可以用来训练一个预测模型,该模型根据客户资料估算其购买产品的概率。虽然开发这种模型有许多细微差别,但基本思路是 我们可以使用这个模型的预测来为每条线索定义等级(例如,A、B、C、D),从而可以用来分类和优先处理1万条新线索。
**额外奖励**:对于那些更技术的读者,希望实现这些方法,我在这段视频中展示了应用于实际销售数据的三个例子。另外,示例代码在GitHub上可免费获取。
AI对企业有着巨大的潜力。然而,实现这种潜力需要找到 合适 的问题来解决。
随着像ChatGPT这样的工具的普及,解决方案的想法很容易局限于AI助手范式。为了帮助拓展可能的空间,我分享了3个实用的AI应用案例,采用了替代的方法。