編者按： 在人工智能技術日益普及的今天，企業如何有效地利用 AI 創造價值，而不僅僅停留在開發 Chatbot 的層面？我們今天為大家分享的這篇文章，作者的觀點是：企業應該將 AI 應用于解決具體的業務問題，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 技術迅速發展的今天，企業需要跳出固有思維，探索AI在各個業務領域的創新應用。通過聚焦于解決實際問題，企業才能真正釋放 AI 的價值，實現業務增長和效率提升。

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。”雖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，我將分享企業可以利用 AI 在銷售領域創造價值的三種方法。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，但對于企業如何穩定可靠地利用這項技術實現價值增長，仍是一個未知數。

在我接觸的這些企業中，大多數將 “使用AI” 等同于開發 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時，存在一些關鍵的挑戰和難題。

01 這件事的難度超出了我的預期……

主要挑戰在于，大語言模型（LLMs）天生具有不可預測性（甚至比傳統機器學習系統更加不可預測）。因此，要想讓它們穩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造的，而非僅僅依賴于 AI 本身。 AI 的潛力在于企業能否找到正確的問題來解決，比如 Netflix 的個性化推薦系統、UPS 的配送路線優化、Walmart 的庫存管理系統等。

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，涉及每個企業都關注的核心議題。我希望它們能夠激發你的想象力??，并通過具體實例演示如何實現它們。

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信息，圖片由作者提供。

傳統上，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”、“leader”、“VP”等標簽的 10 萬份專業資料和簡歷，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：編寫基于規則的邏輯來篩選簡歷。問題：簡歷格式多樣，規則邏輯效果不佳
• 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。這類數據的特點是，它們不像 Excel 表格或 .csv 文檔那樣，以規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

繼續之前的業務案例，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系這些潛在客戶，但我們更希望先對名單進行篩選，優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、合規性要求、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 在商業領域的應用潛力巨大。但要充分發揮這一潛力，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??