چرا حتی به‌روزرسانی موفق CRM با کمک هوش مصنوعی هم ممکن است داده‌های نادرستی بر جای بگذارد

customerthink.com

انتشار در منبع: انتشار در سایت ما:

مقاله اصلی · English

هر به‌روزرسانی در سامانه مدیریت ارتباط با مشتری (CRM) ممکن است با ثبت موفق تمام تغییرات و بدون حتی یک خطای نوشتن داده به پایان برسد، اما همچنان بخشی از اطلاعات نادرست باقی بماند. من اخیراً هنگام انجام یک به‌روزرسانی با کمک هوش مصنوعی با چنین وضعیتی روبه‌رو شدم؛ با این تفاوت که عامل اصلی مشکل، هوش مصنوعی نبود، بلکه یک گردش‌کار قدیمی بود.

این شرکت، یک کسب‌وکار نرم‌افزاری فعال در حوزه فروش سازمانی (B2B) در ایالات متحده بود. آن‌ها به‌تازگی یک متخصص جدید در حوزه عملیات درآمدی (RevOps) استخدام کرده بودند؛ زیرا وضعیت نامناسب CRM عملاً عملیات فروش را متوقف کرده بود. صدها هزار رکورد در سامانه آن‌ها وجود داشت که شامل مشتریان، معاملات، اطلاعات غیرفعال و داده‌های تکراری می‌شد. چنین وضعیتی چندان غیرمعمول نیست. بر اساس مطالعه‌ای از هاروارد بیزینس ریویو (HBR)، تنها ۳ درصد از شرکت‌ها داده‌هایی دارند که حداقل استانداردهای کیفیت را برآورده می‌کنند. گارتنر نیز اعلام کرده است که بر اساس پژوهش این مؤسسه در سال ۲۰۲۰، کیفیت پایین داده‌ها به‌طور متوسط سالانه دست‌کم ۱۲٫۹ میلیون دلار برای سازمان‌ها هزینه ایجاد می‌کند.

در CRM این شرکت نزدیک به ۵۰۰ گردش‌کار وجود داشت که ۳۲۷ مورد از آن‌ها فعال بودند. بسیاری از این فرایندهای خودکار به‌درستی کار نمی‌کردند و بیشترشان برای تخصیص رکوردها بر اساس منطقه جغرافیایی طراحی شده بودند.

مشکل سیستم از کجا ناشی می‌شد؟

CRM مخاطبان را در مناطق جغرافیایی اشتباه نمایش می‌داد، زیرا هیچ مرجع واحد و معتبری برای تعیین منطقه هر مخاطب وجود نداشت. ابزارهای غنی‌سازی داده، اطلاعات متناقضی را به یکدیگر منتقل می‌کردند. شرکت از سه ابزار مختلف غنی‌سازی داده استفاده می‌کرد: دو ابزار متعلق به شرکت‌های ثالث و ابزار اختصاصی هاب‌اسپات. این ابزارها با یکدیگر ارتباط داشتند و بدون وجود قواعد مشخص، داده‌های یکدیگر را بازنویسی می‌کردند.

به‌جای آنکه ابتدا فرایندهای خودکار موجود را متوقف و اصلاح کنند، کارکنان مستقیماً گردش‌کارهای جدیدی ایجاد می‌کردند، بدون اینکه فرایند قبلی را غیرفعال کنند. نتیجه این کار، افت شدید کیفیت داده‌ها در شرکت بود. از آنجا که تخصیص مشتریان به نمایندگان فروش بر اساس منطقه جغرافیایی انجام می‌شد، نمی‌توانستیم هر رکورد را به نماینده مسئول همان منطقه اختصاص دهیم. در نهایت، نخستین افرادی که متوجه مشکل می‌شدند، خود فروشندگان بودند؛ آن‌ها زمانی اعتراض می‌کردند که سرنخ‌های فروش مربوط به مناطقی خارج از محدوده مسئولیتشان به آن‌ها ارجاع داده می‌شد.

اقداماتی که باید انجام می‌دادم

  • هر ۳۲۷ گردش‌کار فعال را بررسی کردم تا مشخص شود کدام‌یک امکان تغییر مالک شرکت را دارند. همچنین سه ابزار غنی‌سازی داده را ارزیابی کردم.
  • از میان ۱۷ گردش‌کاری که می‌توانستند مالک رکوردها را تغییر دهند، ۱۴ مورد را موقتاً متوقف کردم.
  • برای آماده‌سازی و اجرای کار از عامل‌های هوش مصنوعی استفاده کردم.
  • با استفاده از یک فهرست از پیش تعیین‌شده، ۴۲٬۱۸۵ تغییر برای اصلاح فرایند تخصیص رکوردها اعمال کردم.

به‌روزرسانی: ۴۲٬۱۸۵ تغییر در حدود ۸ دقیقه

اگر عامل‌های هوش مصنوعی را که خودم ساخته بودم در اختیار نداشتم، بررسی تمام داده‌های CRM و آماده‌سازی تغییرات احتمالاً چندین هفته و حتی چند ماه زمان می‌برد. حدود ۵۵ هزار حساب شرکت در محدوده این عملیات قرار داشتند. اجرای فرایند در حدود ۸ دقیقه، ۴۲٬۱۸۵ تغییر را ثبت کرد و هیچ عملیات نوشتن داده‌ای با خطا مواجه نشد.

این عدد تمام عملیات ثبت تغییر را شامل می‌شود. از این تعداد، ۳۷٬۹۲۰ تغییر به تخصیص حساب‌ها به نمایندگان فروش در چندین منطقه مربوط بود. ۴٬۲۶۵ تغییر دیگر برای پاک‌سازی فیلدهای مرتبط انجام شد؛ از جمله خالی‌کردن فیلد مالک و آزادسازی ۱۰۵ حساب که خارج از محدوده جغرافیایی مسئولیت یک نماینده فروش قرار داشتند.

پس از پایان عملیات، تمام ۵۴٬۷۴۹ رکورد شرکت را دوباره خواندم و با برنامه اولیه تطبیق دادم. از میان ۳۷٬۹۲۰ تخصیص مالک، ۳۷٬۹۱۸ مورد مطابق برنامه بود. دو مورد دیگر هنگام ثبت اولیه درست بودند، اما حدود هشت دقیقه بعد، یک گردش‌کار قدیمی دوباره آن‌ها را به وضعیت قبلی بازگرداند. بررسی مجدد داده‌ها این مشکل را آشکار کرد و همان صبح موضوع را به مشتری گزارش دادم.

این دو مورد در همان روز اصلاح نشدند. حدود سه هفته بعد، گردش‌کار قدیمی غیرفعال شد و طی هفت هفته، هر دو حساب به نماینده فروشی که طبق برنامه تعیین شده بود اختصاص یافتند. سوابق من این نتیجه را ثبت کرده‌اند، اما مشخص نمی‌کنند چه کسی تغییر نهایی را اعمال کرده است.

البته آماده‌سازی این فرایند زمان‌بر بود و به تکرارهای متعدد و اصلاحات زیادی نیاز داشت؛ مسئله‌ای که از ابتدا انتظارش را داشتم.

چه چیزی نزدیک بود به یک مشکل جدی تبدیل شود؟

پیش از اجرای عملیات، هر ۳۲۷ گردش‌کار فعال را بررسی کردم. مشخص شد ۱۷ مورد از آن‌ها قابلیت تغییر مالک شرکت را دارند؛ درحالی‌که همه تصور می‌کردند این تعداد فقط دو مورد است. برای اجرای عملیات، ۱۴ گردش‌کار را متوقف کردم و سه مورد همچنان فعال باقی ماندند. بااین‌حال، همین اقدامات نیز مانع بازگشت دو حساب یادشده به وضعیت قبلی نشد.

حدود سه هفته بعد، سه گردش‌کار جدید برای مسیریابی و تخصیص رکوردها را فعال و هفت گردش‌کار قدیمی را غیرفعال کردم. مسیریاب اصلی و یک گردش‌کار دیگر همچنان فعال باقی ماندند. من منطق شرطی و قواعد تخصیص در گردش‌کارهای جدید را بررسی و از صحت آن‌ها اطمینان حاصل کرده بودم.

پس از اعمال تمام تغییرات، یک ممیزی انجام دادم. کدی که برای بررسی گردش‌کارها توسعه داده بودم، مشخص کرد چرا داده‌ها تغییر کرده‌اند و چرا نتایج مورد انتظار به دست نیامده است. کارکنان این شرکت به‌جای اصلاح گردش‌کارهای موجود، فرایندهای جدیدی را روی آن‌ها ساخته بودند و در نتیجه، گردش‌کارها با یکدیگر تداخل پیدا می‌کردند. قاعده‌ای که دو حساب را به وضعیت قبلی بازگردانده بود، همچنان بر اساس شیوه قدیمی تخصیص عمل می‌کرد.

چگونه صحت کار خودم را بررسی کردم؟

پیش از اعمال هر تغییری، گزارش‌هایی تهیه کردم تا مطمئن شوم اطلاعات و محاسبات اولیه درست هستند. بر اساس داده‌های منطقه‌ای و منطق تخصیص، دقیقاً می‌دانستم اعداد نهایی باید چه باشند. پس از به‌روزرسانی نیز می‌توانستم نتایج واقعی را با برنامه اولیه مقایسه کنم و هرجا مغایرتی وجود داشت، آن را اصلاح کنم.

همچنین پیش از دست‌زدن به سامانه اصلی، کل فرایند را در چند مرحله روی یک نسخه آزمایشی (Sandbox) از پورتال اجرا کردم. برای خواندن تعاریف گردش‌کارها، تهیه فهرست تغییرات و نوشتن اسکریپت‌ها از Claude Code استفاده کردم. سپس یک اسکریپت ساده، تغییرات را بر اساس همان فهرست ثابت و در بسته‌های ۱۰۰تایی ثبت کرد. اسکریپت دومی نیز تمام رکوردها را دوباره خواند تا نتیجه کار بررسی شود.

هر کسی می‌تواند نسخه کوچک‌تری از این روش را اجرا کند؛ زیرا قابلیت مشاهده تاریخچه ویژگی‌ها در هاب‌اسپات، مقادیر قبلی هر فیلد، زمان تغییر آن و عامل انجام‌دهنده تغییر را نشان می‌دهد.

من هرگز اجازه نمی‌دهم هوش مصنوعی تصمیم بگیرد چه رکوردی به چه کسی اختصاص یابد یا منطق تخصیص چگونه باشد. همیشه خودم منطق شرطی را تعیین می‌کنم. برای مثال، اگر یک نماینده فروش معاملات بازی داشته باشد و در حال مذاکره با حسابی خارج از منطقه مسئولیتش باشد، آن حساب را از فهرست تغییرات حذف می‌کنم. تغییر مالکیت چنین حسابی منطقی نیست، زیرا نماینده در حال تعامل با مشتری است.

قواعد حفاظتی ضروری

یکی از نکات مهمی که از تجربه خودم آموخته‌ام این است که عامل‌های هوش مصنوعی باید همیشه محدودیت‌ها و قواعد حفاظتی مشخصی داشته باشند تا نتوانند خودسرانه تغییراتی اعمال کنند. در هر فرایندی، موقعیت‌هایی وجود دارد که باید برای آن‌ها از پیش قواعد ثابتی تعیین کرد و تصمیم‌گیری درباره آن‌ها را به خودمان سپرد.

گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۷، به دلیل ضعف‌های حاکمیتی که تنها پس از وقوع حوادث در محیط عملیاتی آشکار می‌شوند، ۴۰ درصد از شرکت‌ها جایگاه عامل‌های هوش مصنوعی خودمختار را تنزل دهند یا آن‌ها را به‌طور کامل از چرخه فعالیت خارج کنند.

در پروژه این شرکت، هر حسابی که معامله بازی داشت، به‌عنوان حساب هدف مشخص شده بود، برچسب شریک تجاری داشت یا در فهرست ممنوعیت فروش قرار گرفته بود، بدون توجه به منطقه جغرافیایی از فرایند تخصیص مجدد کنار گذاشته شد. تنها استثنا، حساب‌های هدف در منطقه اروپا، خاورمیانه و آفریقا (EMEA) بودند که مشتری درخواست کرده بود برچسب آن‌ها حذف شود.

نخستین بررسی نشان داد که هیچ‌یک از حساب‌های تحت حفاظت تغییر نکرده‌اند. اما در بررسی بعدی ۹۹۲ حساب دارای معامله باز، مشخص شد یک حساب جابه‌جا شده است؛ زیرا معامله مربوط به آن پس از استخراج داده‌های اولیه ثبت شده بود. من همان روز حساب را به وضعیت درست بازگرداندم.

همچنین تمام اجراها ابتدا در قالب اجرای آزمایشی (Dry Run) انجام می‌شدند. تا زمانی که شخصاً مجوز نهایی را صادر نمی‌کردم، هیچ تغییری در داده‌های واقعی ثبت نمی‌شد.

دفعه بعد چه کاری را متفاوت انجام می‌دهم؟

در نخستین ممیزی، گردش‌کارهایی را شناسایی کردم که امکان تغییر مالک رکورد را داشتند. اما این بررسی نتوانست مانع بازگرداندن دو حساب به وضعیت قبلی توسط یک گردش‌کار قدیمی شود و همچنین معامله‌ای را که پس از استخراج داده‌ها ایجاد شده بود، شناسایی نکرد.

دفعه بعد، تمام عواملی را که می‌توانند یک رکورد را تغییر دهند بررسی خواهم کرد و درست پیش از ثبت تغییرات، دوباره حساب‌های تحت حفاظت را می‌خوانم. باید نه‌تنها نیازهای مشتری، بلکه وضعیت واقعی سیستم را نیز در نظر بگیریم.

حتی اگر تصور کنیم عاملی تأثیری در نتیجه ندارد، ممکن است هر چیزی باعث تغییر یک رکورد شود؛ از گردش‌کارها، قواعد غنی‌سازی داده و منابع اطلاعاتی گرفته تا یکپارچه‌سازی‌ها، عامل‌های هوش مصنوعی، مراحل معاملات، تغییرات دستی کاربران CRM و سایر فرایندهای خودکار.

بنابراین، اگر تیم شما برای انجام کارهایش به CRM متکی است، عبارت «به‌روزرسانی با موفقیت انجام شد» را پاسخ نهایی ندانید. بپرسید چه عوامل دیگری می‌توانند آن رکوردها را تغییر دهند و مطمئن شوید که پس از پایان عملیات، شخصی دوباره اطلاعات را بررسی می‌کند.