۳ کاربرد هوش مصنوعی در فروش سازمانی (غیر از چت‌بات)

مهندسی ویژگی، ساختاردهی داده‌های بدون ساختار، و امتیازدهی به لیدها

رایج‌ترین درخواستی که از مشتریان در پروژه‌های مشاوره هوش مصنوعی دریافت کرده‌ایم این بوده:«برای ما یک چت‌بات اختصاصی بسازید.»در حالی که چت‌بات برای بعضی مسائل راه‌حل خوبی است، اما قطعاً «راه‌حل همه‌چیز» نیست. در این مقاله سه روش دیگر را معرفی می‌کنم که کسب‌وکارها می‌توانند با استفاده از هوش مصنوعی در حوزهٔ فروش ارزش ایجاد کنند. این روش‌ها شامل هوش مصنوعی مولد، یادگیری عمیق و یادگیری ماشین هستند.

سلطهٔ مدل‌های زبانی بزرگ

مدل‌های زبانی بزرگ (LLMها) دنیای کسب‌وکار را تسخیر کرده‌اند و حالا تقریباً همهٔ شرکت‌ها می‌خواهند ازهوش مصنوعی مولد Generative AI استفاده کنند. با اینکه ابزارهایی مثل Fibonacciai بسیار قدرتمندند، اما برای بسیاری از کسب‌وکارها هنوز مشخص نیست چطور می‌توان از این فناوری به‌صورت قابل‌اعتماد ارزش استخراج کرد.
برای اغلب شرکت‌هایی که دیده‌ایم، «استفاده از AI» یعنی ساخت یک چت‌بات، ایجنت یا دستیار هوشمند. اما حالا که هیجان اولیه فروکش کرده، سازمان‌ها متوجه چالش‌های واقعی ساخت سیستم‌های مبتنی بر LLM شده‌اند. این کار سخت‌تر از چیزی است که فکر می‌کنید…

یکی از چالش‌های اصلی این است که LLMها ذاتاً غیرقابل‌پیش‌بینی هستند (حتی بیشتر از مدل‌های سنتی یادگیری ماشین). بنابراین وادار کردن آن‌ها به حل یک مسئلهٔ مشخص، همیشه ساده نیست. مثلاً یکی از راه‌حل‌های مشکل «هذیان‌گویی» مدل‌ها این است که یک LLM دیگر نقش «داور» را بازی کند و خروجی مدل اصلی را بررسی کند. اما اضافه کردن مدل‌های بیشتر یعنی هزینهٔ بیشتر، پیچیدگی بیشتر، و عدم‌قطعیت بیشتر.

حل مسئلهٔ درست

این حرف‌ها به این معنی نیست که نباید سراغ Generative AI رفت. برعکس؛ هوش مصنوعی شرکت‌های زیادی را ثروتمند کرده و این روند ادامه خواهد داشت.

نکتهٔ کلیدی این است که ارزش از حل مسئله ایجاد می‌شود، نه از استفادهٔ صرف از AI.
وقتی کسب‌وکارها مسئلهٔ درست را پیدا کنند، هوش مصنوعی می‌تواند معجزه کند (مثل توصیه‌گرهای نتفلیکس، بهینه‌سازی مسیرهای UPS، یا مدیریت موجودی والمارت)

3 کاربرد هوش مصنوعی در فروش

پیدا کردن «مسئلهٔ درست» کار ساده‌ای نیست. برای کمک، در ادامه سه کاربرد عملی AI را در حوزهٔ فروش معرفی می‌کنم. هدفم این است که ذهن شما را باز کنم و با مثال‌های واقعی نشان دهم چطور می‌توان آن‌ها را پیاده‌سازی کرد.

سه کاربرد عبارت‌اند از:

• مهندسی ویژگی – استخراج ویژگی از متن
• ساختاردهی داده‌های بدون ساختار – تبدیل متن به دادهٔ قابل تحلیل
• امتیازدهی به لیدها – شناسایی بهترین فرصت‌های فروش

کاربرد اول: مهندسی ویژگی (Feature Engineering)

مهندسی ویژگی یعنی ساختن متغیرهایی که بتوان از آن‌ها برای آموزش مدل‌های یادگیری ماشین یا تحلیل داده استفاده کرد.مثلاً از روی پروفایل‌های لینکدین، ویژگی‌هایی مثل عنوان شغلی، سال‌های تجربه، یا صنعت را استخراج کنیم و آن‌ها را به‌صورت عددی نمایش دهیم.

تا قبل از LLMها، این کار معمولاً به دو روش انجام می‌شد:
روش ۱: ساخت دستی ویژگی‌ها
روش ۲: خرید داده از شرکت‌های ثالث (مثل امتیاز اعتباری FICO یا درآمد شرکت از D&B)
اما LLMها یک راه سوم ایجاد کرده‌اند.

مثال: استخراج ویژگی از رزومه‌ها

فرض کنید برای یک نرم‌افزار امنیت سایبری، می‌خواهید لیدهای مناسب را پیدا کنید. مشتری هدف شما مدیران IT هستند.
شما ۱۰۰هزار رزومه و پروفایل جمع کرده‌اید، اما کیفیت لیدها پایین است و افراد نامرتبط زیادند.

راه‌حل‌های معمول:
بررسی دستی → غیرعملی
قوانین شرطی → روی رزومه‌های متنوع خوب جواب نمی‌دهد.
خرید داده → هزینهٔ زیاد (حدود ۱۰ سنت برای هر لید)

راه‌حل با LLM: یک پرامپت ساده می‌نویسید که از مدل بخواهد تشخیص دهد فرد در صنعت IT هست یا نه:
متن رزومه را تحلیل کن و مشخص کن آیا فرد در صنعت IT کار می‌کند یا نه. اگر نمی‌کند 0 و اگر می‌کند 1 برگردان. سپس یک توضیح کوتاه بده.

این روش ترکیبی از سه ایدهٔ قبلی است:

• بررسی دقیق هر رزومه
• انجام خودکار با کامپیوتر
• هزینهٔ بسیار کمتر (حدود ۰.۰۰۱ دلار برای هر لید)

کاربرد دوم: ساختاردهی داده‌های بدون ساختار

ایمیل‌ها، تیکت‌های پشتیبانی، نظرات مشتریان، پروفایل‌های شبکه‌های اجتماعی و متن تماس‌ها—همه دادهٔ بدون ساختار هستند.این داده‌ها برای تحلیل مناسب نیستند، چون مثل جدول اکسل سازمان‌دهی نشده‌اند.

یکی از راه‌های تبدیل این داده‌ها به دادهٔ قابل تحلیل، استفاده از امبدینگ‌های متنی است.
مثال: تبدیل رزومه به اعداد معنی‌دار
فرض کنید از ۱۰۰هزار لید، ۱۰هزار مدیر IT مناسب پیدا کرده‌اید. حالا می‌خواهید آن‌ها را اولویت‌بندی کنید.
می‌توانید ویژگی‌های بیشتری استخراج کنید، اما این کار زمان‌بر است.

راه بهتر:رزومه را به یک بردار عددی تبدیل کنید (Text Embedding).
امبدینگ‌ها متن را به مجموعه‌ای از اعداد تبدیل می‌کنند که معنای متن را در خود دارند.
با این کار می‌توانید:

شباهت لیدهای جدید به مشتریان قبلی را اندازه‌گیری کنید.
لیدهای نامرتبط را سریع حذف کنید.

کاربرد سوم: امتیازدهی به لیدها (Lead Scoring)

امتیازدهی یعنی پیش‌بینی کیفیت یک لید بر اساس ویژگی‌هایی مثل عنوان شغلی، صنعت، رفتار کاربر و…این کار جدید نیست، اما AI توانایی ما را در تحلیل داده‌های متنی بسیار افزایش داده است.

مثال: نمره‌دهی به لیدها بر اساس کیفیت

فرض کنید ۱۰۰۰ لید قبلی دارید—۵۰۰ نفر خریده‌اند و ۵۰۰ نفر نخریده‌اند.
برای هر لید اطلاعاتی مثل عنوان شغلی، تجربه، شرکت، صنعت و مهارت‌ها دارید.
می‌توانید یک مدل پیش‌بینی بسازید که احتمال خرید را تخمین بزند.سپس لیدهای جدید را با نمره‌هایی مثل A، B، C، D دسته‌بندی کنید تا تیم فروش روی بهترین‌ها تمرکز کند.

نکته‌ی اضافه : برای خوانندگان فنی‌ حرفه‌ای‌تر که به دنبال پیاده‌سازی این رویکردها هستند، در کتاب مدیر هوشمند کسب و کار موارد استفاده‌ اعمال‌شده بر داده‌های فروش دنیای واقعی از کسب‌وکارهای مختلف سازمانی و عادی را بررسی کرده‌ایم. علاوه بر این، متن نمونه کتاب به صورت رایگان در کتابراه و طاقچه موجود است.

جمع‌بندی

هوش مصنوعی ظرفیت عظیمی برای ایجاد ارزش دارد، اما این ارزش زمانی آزاد می‌شود که مسئلهٔ درست انتخاب شود. در دنیایی که ابزارهایی مثل Fibonacciai همه‌جا هستند، ایده‌ها اغلب به «ساخت چت‌بات» محدود می‌شوند.برای گسترش دید، در این متن سه کاربرد عملی معرفی شد که از روش‌های متفاوتی استفاده می‌کنند. این اپلیکیشن را می توانید از طریق مایکت یا کافه بازار نصب کنید.

مطالب بیشتر در مورد هوش مصنوعی برای کسب و کار
کتاب مدیر هوشمند کسب و کار (هوش مصنوعی برای مدیران)