LeadBot: automatyczna dystrybucja leadów w modelu Farming/Hunting

Wyzwanie

Dział opieki posprzedażowej generował stały strumień leadów sprzedażowych od obecnych klientów, ale ich kierowanie do właściwego kanału wymagało jednoczesnego uwzględnienia kilku zmiennych: modelu Farming/Hunting (leady od obecnych klientów powinny trafiać do farmerów utrzymujących relację, nie do hunterów pozyskujących nowych klientów - bo inna jest ekonomika i cel obu ról), geograficznej bliskości klienta do aktywnego biura sprzedaży terenowej, bieżącej realizacji planu leadowego poszczególnych handlowców oraz kwalifikowalności produktu do modelu terenowego. Do tego dochodził wyjątek nadrzędny: jeśli klient miał już przypisanego opiekuna, cała powyższa logika powinna zostać pominięta. Bez narzędzia ta decyzja była wiedzą „w głowie” managera - nieskalowalną i niespójną między osobami podejmującymi ją ręcznie.

Co zrobiliśmy

• Zbudowanie rozszerzenia przeglądarki jako nakładki na wewnętrzny CRM, analizującej w czasie rzeczywistym otwartą kartę klienta
• Zaprojektowanie ścisłej hierarchii decyzyjnej: farmer terenowy (FIELD) jako priorytet, farmer telesprzedażowy (TM) jako alternatywa, hunterzy świadomie wykluczeni z tego strumienia leadów
• Wprowadzenie nadrzędnego wyjątku: klient z już przypisanym opiekunem pomija całą logikę kwalifikacji - lead trafia bezpośrednio do niego, a mail informacyjny do jego przełożonego
• Integracja z Google Routes API do liczenia rzeczywistego dystansu przejazdu do biur sprzedaży zamiast statycznej mapy regionów, z odrzucaniem biur poza ustalonym limitem kilometrowym
• Wybór konkretnego handlowca według najniższej bieżącej realizacji planu leadowego, nie według najbliższej lokalizacji
• Zaprojektowanie jawnego trybu niepewności: gdy Google API jest niedostępne, narzędzie nie zgaduje, tylko wyświetla komunikat o konieczności ręcznej weryfikacji
• Prowadzenie całego rozwoju reguł biznesowych jako iteracyjnej rozmowy z AI w języku naturalnym, bez pisania specyfikacji technicznych
• Diagnostyka błędów produkcyjnych przez AI wyłącznie na podstawie zrzutów ekranu i logów systemowych - bez logowania się do wewnętrznych systemów klienta, ze względów bezpieczeństwa
• Zbudowanie przez AI symulowanego środowiska testowego uruchamiającego dokładnie ten sam kod co produkcja, gdy bezpośredni dostęp do produkcji nie był możliwy
• Zapewnienie ciągłości pracy między różnymi modelami/asystentami AI dzięki jawnemu dokumentowi przekazania logiki biznesowej

Efekt

• Decyzja o skierowaniu leada skrócona z ręcznego researchu do jednego kliknięcia z pełnym uzasadnieniem
• Wyeliminowane ryzyko błędnego przejęcia leada klienta, który ma już przypisanego opiekuna
• Jedna, audytowalna reguła biznesowa zamiast wiedzy rozproszonej między managerami
• Pełna historia decyzji handlowców dostępna do dalszej analizy
• Automatyczne, codzienne zasilanie danymi bez ręcznej pracy analityka

O projekcie

Korporacja z branży usług cyfrowych, obsługująca około 100 000 klientów biznesowych przez sieć 300 handlowców w modelu terenowym i telesprzedażowym, miała stały strumień leadów sprzedażowych z działu opieki posprzedażowej, ale bez sposobu na spójne kierowanie ich do właściwego kanału. Decyzja zależała jednocześnie od modelu Farming/Hunting, geografii, obciążenia handlowców i statusu opieki nad klientem - i istniała wyłącznie jako wiedza managera, niemożliwa do skalowania. LeadBot, rozszerzenie przeglądarki działające jako nakładka na wewnętrzny CRM, zamienił tę wiedzę w jedną, audytowalną regułę: analizuje kartę klienta w czasie rzeczywistym, liczy rzeczywisty dystans do biur sprzedaży przez Google Routes API, sprawdza bieżące obciążenie handlowców i zwraca gotową, uzasadnioną rekomendację kanału i osoby - z jawnym wyjątkiem dla klientów z już przypisanym opiekunem oraz jawnym komunikatem o niepewności, gdy dane geograficzne są niedostępne, zamiast fałszywej pewności. Największą wartością tego wdrożenia nie jest sam kod, lecz model współpracy z AI przez cały cykl życia narzędzia: reguły biznesowe powstawały jako rozmowa w języku naturalnym, błędy produkcyjne były diagnozowane wyłącznie na podstawie zrzutów ekranu i logów systemowych - bez logowania się do wewnętrznych systemów klienta ze względów bezpieczeństwa - a tam, gdzie bezpośredni dostęp do produkcji nie był możliwy, AI budowało własne, symulowane środowisko testowe uruchamiające dokładnie ten sam kod. To pokazuje, że AI może być operacyjnym partnerem nie tylko przy pierwszej wersji narzędzia, ale też przy jego utrzymaniu i diagnostyce incydentów - również tam, gdzie świadomie nie ma bezpośredniego dostępu do systemów klienta.