編者按： 在人工智能技術(shù)日益普及的今天，企業(yè)如何有效地利用 AI 創(chuàng)造價值，而不僅僅停留在開發(fā) Chatbot 的層面？我們今天為大家分享的這篇文章，作者的觀點是：企業(yè)應(yīng)該將 AI 應(yīng)用于解決具體的業(yè)務(wù)問題，而不是僅僅追隨 AI Chatbot 的潮流。

本文為我們揭示了 AI 在銷售領(lǐng)域的三個創(chuàng)新應(yīng)用場景。從特征工程到非結(jié)構(gòu)化數(shù)據(jù)處理，再到精準(zhǔn)的潛在客戶評分，每一個場景都展示了 AI 如何解決實際業(yè)務(wù)問題，而不是停留在表面的"智能對話"層面。

在 AI 技術(shù)迅速發(fā)展的今天，企業(yè)需要跳出固有思維，探索AI在各個業(yè)務(wù)領(lǐng)域的創(chuàng)新應(yīng)用。通過聚焦于解決實際問題，企業(yè)才能真正釋放 AI 的價值，實現(xiàn)業(yè)務(wù)增長和效率提升。

作者 | Shaw Talebi

編譯 | 岳揚

客戶向我提出的最常見需求是“為我打造一個專屬的聊天機器人?！彪m然這種需求是解決某些問題的好辦法，但遠不是萬能的。 在本篇文章中，我將分享企業(yè)可以利用 AI 在銷售領(lǐng)域創(chuàng)造價值的三種方法。這些方法包括了生成式 AI、深度學(xué)習(xí)和機器學(xué)習(xí)技術(shù)。

Image from Canva.

大語言模型（LLMs）在商界掀起了一股熱潮，如今，幾乎每家企業(yè)都在探索使用生成式 AI。雖然像 ChatGPT 這樣的工具非常強大，但對于企業(yè)如何穩(wěn)定可靠地利用這項技術(shù)實現(xiàn)價值增長，仍是一個未知數(shù)。

在我接觸的這些企業(yè)中，大多數(shù)將 “使用AI” 等同于開發(fā) chatbot 、co-pilot、AI Agents 或 AI assistant。 但是隨著時間的推移，這種最初的熱情開始減弱，企業(yè)開始意識到在實際構(gòu)建和運用這些基于大語言模型的系統(tǒng)時，存在一些關(guān)鍵的挑戰(zhàn)和難題。

01 這件事的難度超出了我的預(yù)期……

主要挑戰(zhàn)在于，大語言模型（LLMs）天生具有不可預(yù)測性（甚至比傳統(tǒng)機器學(xué)習(xí)系統(tǒng)更加不可預(yù)測）。因此，要想讓它們穩(wěn)定地以可預(yù)測的方式解決特定問題，并非一件簡單的事。

舉個例子，為了解決模型的“幻覺”問題，我們可以采用“評判” LLMs 來檢查系統(tǒng)響應(yīng)的準(zhǔn)確性與適當(dāng)性。但是，增加 LLMs 的數(shù)量，也會相應(yīng)提高系統(tǒng)的成本、復(fù)雜度和不可預(yù)測性。

02 瞄準(zhǔn)正確的問題

并不是說生成式 AI（及其同類技術(shù)）不值得我們投入。AI 已經(jīng)讓無數(shù)公司賺得盆滿缽滿，而且我認為這一趨勢在短期內(nèi)不會改變。

關(guān)鍵在于，價值是通過解決問題來創(chuàng)造的，而非僅僅依賴于 AI 本身。 AI 的潛力在于企業(yè)能否找到正確的問題來解決，比如 Netflix 的個性化推薦系統(tǒng)、UPS 的配送路線優(yōu)化、Walmart 的庫存管理系統(tǒng)等。

03 三個銷售領(lǐng)域的 AI 應(yīng)用場景

“瞄準(zhǔn)正確的問題”說起來簡單，做起來卻不容易。為了幫助大家解決這個問題，在此分享三個 AI 在銷售領(lǐng)域的應(yīng)用場景，涉及每個企業(yè)都關(guān)注的核心議題。我希望它們能夠激發(fā)你的想象力??，并通過具體實例演示如何實現(xiàn)它們。

這三個應(yīng)用場景包括：

• 特征工程（Feature Engineering）—— 從文本數(shù)據(jù)中提煉關(guān)鍵特征
• 非結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化（Structuring Unstructured Data）—— 將文本數(shù)據(jù)轉(zhuǎn)化為可分析的格式
• 給潛在客戶打分（Lead Scoring）—— 精準(zhǔn)識別最有潛力的客戶

3 AI Use Cases. Image by author.

04 應(yīng)用場景 1：特征工程

特征工程會創(chuàng)建可以用于訓(xùn)練機器學(xué)習(xí)模型或進行某種分析的數(shù)據(jù)變量（variables）。比如，給出一組領(lǐng)英（LinkedIn）個人資料，我們可以提取出當(dāng)前職位、工作年限和所在行業(yè)等信息，并將這些信息轉(zhuǎn)化為數(shù)值形式。

從簡歷文本中提取工作年限和所在行業(yè)信息，圖片由作者提供。

傳統(tǒng)上，特征工程方法分兩種：1）手動構(gòu)建特征，或 2）從第三方購買特征（比如，從 FICO 獲取信用評分，從 D&B 獲取公司營收數(shù)據(jù)）。但現(xiàn)在，大語言模型（LLMs）為我們提供了第三種可能的方法。

示例：從簡歷中提取特征

假設(shè)你正在為一家提供 SaaS 服務(wù)的公司篩選潛在客戶。該軟件有助于幫助中型企業(yè)抵御網(wǎng)絡(luò)安全風(fēng)險。目標(biāo)客戶群體是那些決定供應(yīng)商是否適合自己公司的 IT leaders。

假設(shè)你手頭有一堆帶有“IT”、“Cybersecurity”、“l(fā)eader”、“VP”等標(biāo)簽的 10 萬份專業(yè)資料和簡歷，這些資料來自多種渠道。但問題在于，這些信息的質(zhì)量不高，其中不乏非 IT 的 leaders

、入門級 IT 行業(yè)人員以及其他不符合目標(biāo)客戶特征的人。

為了確保銷售資源投入到正確的客戶群體，我們的目標(biāo)是篩選出真正的 IT leaders。以下是解決這一問題的幾種解決方案：

• 方案1：人工審查10 萬份的全部潛在客戶資料。問題：對于個人或小型銷售團隊來說，過于耗費時間
• 方案2：編寫基于規(guī)則的邏輯來篩選簡歷。問題：簡歷格式多樣，規(guī)則邏輯效果不佳
• 方案3：向數(shù)據(jù)供應(yīng)商購買信息。問題：會大大提高獲客成本（每條客戶線索大約 0.10 美元）

考慮到上述方案都存在一些問題，我們可以探討如何利用大語言模型來解決這個問題。有一種有效的策略是設(shè)計一種提示詞，指示大語言模型從簡歷中提取我們想要的信息。以下是一個示例。

這個解決方案巧妙地結(jié)合了上述三種方案的優(yōu)點。它（1）像人一樣審查每條客戶線索的具體信息，（2）通過計算機程序?qū)崿F(xiàn)自動化，（3）且成本更低（每條客戶線索大約只需 $0.001 ）。

額外福利（Bonus） ：對于那些想要嘗試實現(xiàn)此類方案的朋友，我在此（??https://youtu.be/3JsgtpX_rpU?si=WG1X-tvKmXLQLkEY&t=446）?? 分享了一個 Python 腳本示例，該腳本利用 OpenAI API 從領(lǐng)英（LinkedIn）個人資料中提取“工作年數(shù)”信息??。

05 應(yīng)用場景 2：非結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化

電子郵件、客服工單、用戶評價、社交媒體資料以及通話記錄等，都是非結(jié)構(gòu)化數(shù)據(jù)的具體表現(xiàn)。這類數(shù)據(jù)的特點是，它們不像 Excel 表格或 .csv 文檔那樣，以規(guī)范的行列格式進行排列。

Structured vs Unstructured data. Image by author.

非結(jié)構(gòu)化數(shù)據(jù)之所以難以利用，是因為它不適合直接分析，這讓我們難以從中獲得有價值的見解 ，這與那些以行列形式排列的結(jié)構(gòu)化數(shù)據(jù)形成了鮮明對比。 利用自然語言處理（NLP）和深度學(xué)習(xí)的最新技術(shù)，我們可以將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換成適合分析的結(jié)構(gòu)化格式。

示例：將簡歷內(nèi)容轉(zhuǎn)化為（有意義的）數(shù)據(jù)指標(biāo)

繼續(xù)之前的業(yè)務(wù)案例，假設(shè)我們已經(jīng)從 10 萬個潛在客戶中篩選出了 1 萬個 IT leaders 。雖然銷售人員可以開始聯(lián)系這些潛在客戶，但我們更希望先對名單進行篩選，優(yōu)先關(guān)注那些與以往客戶相似的潛在客戶。

一種做法是定義更多特征，更細致地描繪理想客戶畫像（例如，所在行業(yè)、合規(guī)性要求、技術(shù)棧、所在地理位置等），這些特征可以通過類似應(yīng)用場景 1 的方法提取。但是，識別這些特征可能存在難度，且開發(fā)額外的自動化流程也需要成本。

另一種方法是采用所謂的文本嵌入技術(shù)（text embeddings）。 該技術(shù)將一段文本轉(zhuǎn)換為一系列在語義上有意義的數(shù)字，就像是把簡歷內(nèi)容轉(zhuǎn)換成一組數(shù)據(jù)指標(biāo)。

將文本內(nèi)容轉(zhuǎn)換為文本嵌入，Image by author.

文本嵌入技術(shù)的價值在于，它能夠?qū)⒎墙Y(jié)構(gòu)化的文本信息轉(zhuǎn)換成結(jié)構(gòu)化的數(shù)字表格，這樣的格式更便于采用傳統(tǒng)的數(shù)據(jù)分析和計算方法。例如，在這種情況下，我們可以利用文本嵌入技術(shù)進行數(shù)學(xué)分析，以確定哪些潛在客戶與以往客戶最為相似，哪些則差異最大。

06 應(yīng)用場景 03：給潛在客戶打分

最后一個應(yīng)用場景是給潛在客戶打分，涉及到根據(jù)關(guān)鍵預(yù)測因素（key predictors）（如職位、公司營收、客戶行為等）來評估潛在客戶的質(zhì)量。盡管這一應(yīng)用場景并不新奇，但 AI 的最新技術(shù)使我們能夠更有效地處理非結(jié)構(gòu)化數(shù)據(jù)，進而將其用于潛在客戶的評分模型。

示例：根據(jù)潛在客戶的“質(zhì)量”進行評級

最后我們來探討如何利用文本嵌入技術(shù)對潛在客戶進行優(yōu)先級排序。假設(shè)我們有一個包含 1000 名潛在客戶的列表，其中 500 人最終購買了產(chǎn)品，另外 500 人則沒有。其中的每位潛在客戶，我們都擁有包括職位、工作經(jīng)驗、當(dāng)前公司、所在行業(yè)和掌握的技能等關(guān)鍵信息的個人檔案。

利用這些數(shù)據(jù)，我們可以訓(xùn)練一個預(yù)測模型，該模型能夠根據(jù)潛在客戶的個人檔案來預(yù)估他們購買產(chǎn)品的概率。雖然開發(fā)這樣的模型涉及許多復(fù)雜因素，但基本思路是，我們可以利用模型的預(yù)測結(jié)果為每名潛在客戶分配一個等級（例如A、B、C、D），并使用這些等級來對 1 萬名潛在客戶進行分類和優(yōu)先級排序。

額外福利（Bonus）：若你想要實際應(yīng)用這些方法，我在這個視頻（??https://youtu.be/3JsgtpX_rpU）??? 中詳細講解了應(yīng)用于我公司真實銷售數(shù)據(jù)的三個真實應(yīng)用案例。此外，相關(guān)的示例代碼可在 GitHub（??https://github.com/ShawhinT/YouTube-Blog/tree/main/ai-for-business/3-sales-use-cases）?? 上免費獲取。

07 回顧全文

AI 在商業(yè)領(lǐng)域的應(yīng)用潛力巨大。但要充分發(fā)揮這一潛力，就需要找到適合 AI 解決的問題。

隨著 ChatGPT 等 AI 工具的普及，解決方案很容易局限于 AI Assistant 模式。為了幫助拓展可能的解決方案范圍，我分享了三個實際的 AI 應(yīng)用案例，這些案例采用了不同的策略和方法。

Thanks for reading!

Hope you have enjoyed and learned new things from this blog!

About the authors

Shaw Talebi

Data Scientist | PhD, Physics

??https://shawhin.medium.com/??

END

本期互動內(nèi)容 ??

?文章提到了三個銷售領(lǐng)域的AI應(yīng)用場景。在你的行業(yè)中，你認為還有哪些潛在的AI應(yīng)用場景值得探索？

原文鏈接：

??https://towardsdatascience.com/3-ai-use-cases-that-are-not-a-chatbot-f4f328a2707a??