編者按： 在人工智能技術日益普及的今天，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)應該將 AI 應用于解決具體的業(yè)務問題，而不是僅僅追隨 AI Chatbot 的潮流。

本文為我們揭示了 AI 在銷售領域的三個創(chuàng)新應用場景。從特征工程到非結構化數據處理，再到精準的潛在客戶評分，每一個場景都展示了 AI 如何解決實際業(yè)務問題，而不是停留在表面的"智能對話"層面。

在 AI 技術迅速發(fā)展的今天，企業(yè)需要跳出固有思維，探索AI在各個業(yè)務領域的創(chuàng)新應用。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、深度學習和機器學習技術。

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實現(xiàn)價值增長，仍是一個未知數。

在我接觸的這些企業(yè)中，大多數將 “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建和運用這些基于大語言模型的系統(tǒng)時，存在一些關鍵的挑戰(zhàn)和難題。

01 這件事的難度超出了我的預期……

主要挑戰(zhàn)在于，大語言模型（LLMs）天生具有不可預測性（甚至比傳統(tǒng)機器學習系統(tǒng)更加不可預測）。因此，要想讓它們穩(wěn)定地以可預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)響應的準確性與適當性。但是，增加 LLMs 的數量，也會相應提高系統(tǒng)的成本、復雜度和不可預測性。

02 瞄準正確的問題

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

關鍵在于，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 三個銷售領域的 AI 應用場景

“瞄準正確的問題”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 在銷售領域的應用場景，涉及每個企業(yè)都關注的核心議題。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。

這三個應用場景包括：

• 特征工程（Feature Engineering）—— 從文本數據中提煉關鍵特征
• 非結構化數據結構化（Structuring Unstructured Data）—— 將文本數據轉化為可分析的格式
• 給潛在客戶打分（Lead Scoring）—— 精準識別最有潛力的客戶

3 AI Use Cases. Image by author.

04 應用場景 1：特征工程

特征工程會創(chuàng)建可以用于訓練機器學習模型或進行某種分析的數據變量（variables）。比如，給出一組領英（LinkedIn）個人資料，我們可以提取出當前職位、工作年限和所在行業(yè)等信息，并將這些信息轉化為數值形式。

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 獲取公司營收數據）。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

假設你正在為一家提供 SaaS 服務的公司篩選潛在客戶。該軟件有助于幫助中型企業(yè)抵御網絡安全風險。目標客戶群體是那些決定供應商是否適合自己公司的 IT leaders。

假設你手頭有一堆帶有“IT”、“Cybersecurity”、“l(fā)eader”、“VP”等標簽的 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：向數據供應商購買信息。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）通過計算機程序實現(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 從領英（LinkedIn）個人資料中提取“工作年數”信息??。

05 應用場景 2：非結構化數據結構化

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，都是非結構化數據的具體表現(xiàn)。這類數據的特點是，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.

非結構化數據之所以難以利用，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構化數據形成了鮮明對比。 利用自然語言處理（NLP）和深度學習的最新技術，我們可以將非結構化數據轉換成適合分析的結構化格式。

示例：將簡歷內容轉化為（有意義的）數據指標

繼續(xù)之前的業(yè)務案例，假設我們已經從 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、技術棧、所在地理位置等），這些特征可以通過類似應用場景 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（text embeddings）。 該技術將一段文本轉換為一系列在語義上有意義的數字，就像是把簡歷內容轉換成一組數據指標。

將文本內容轉換為文本嵌入，Image by author.

文本嵌入技術的價值在于，它能夠將非結構化的文本信息轉換成結構化的數字表格，這樣的格式更便于采用傳統(tǒng)的數據分析和計算方法。例如，在這種情況下，我們可以利用文本嵌入技術進行數學分析，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 應用場景 03：給潛在客戶打分

最后一個應用場景是給潛在客戶打分，涉及到根據關鍵預測因素（key predictors）（如職位、公司營收、客戶行為等）來評估潛在客戶的質量。盡管這一應用場景并不新奇，但 AI 的最新技術使我們能夠更有效地處理非結構化數據，進而將其用于潛在客戶的評分模型。

示例：根據潛在客戶的“質量”進行評級

最后我們來探討如何利用文本嵌入技術對潛在客戶進行優(yōu)先級排序。假設我們有一個包含 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、工作經驗、當前公司、所在行業(yè)和掌握的技能等關鍵信息的個人檔案。

利用這些數據，我們可以訓練一個預測模型，該模型能夠根據潛在客戶的個人檔案來預估他們購買產品的概率。雖然開發(fā)這樣的模型涉及許多復雜因素，但基本思路是，我們可以利用模型的預測結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）：若你想要實際應用這些方法，我在這個視頻（??https://youtu.be/3JsgtpX_rpU）??? 中詳細講解了應用于我公司真實銷售數據的三個真實應用案例。此外，相關的示例代碼可在 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)領域的應用潛力巨大。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

本期互動內容 ??

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

原文鏈接：

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