Le moteur de prochaine meilleure action : comment ça fonctionne sous le capot

Le « next-best-action » figure aujourd'hui sur la présentation de chaque fournisseur. Parfois, ce qui se cache derrière l'étiquette est un simple score de lead. Parfois, c'est un moteur de règles que quelqu'un a construit en 2019. Occasionnellement, c'est un système qui raisonne réellement sur un portefeuille de comptes. L'étiquette ne vous dit pas lequel, et la démo non plus.

Si vous évaluez l'un de ces systèmes, il est utile de savoir ce qui est censé tourner à l'intérieur. Une fois que vous pouvez voir les étapes, vous pouvez distinguer un vrai moteur de recommandation d'une liste de si-alors déguisée, et vous pouvez vous faire une idée raisonnable de sa tenue quand votre pipeline devient compliqué.

Quatre étapes, et où se cachent les raccourcis

Un vrai moteur NBA est un pipeline. L'activité brute entre d'un côté et une recommandation spécifique et classée sort de l'autre. Quatre choses se produisent entre les deux.

D'abord, l'ingestion des signaux. Le moteur ingère les e-mails, les réunions, l'usage produit, les tickets de support, les contacts marketing, les changements de champs CRM, les données firmographiques et d'intention externes. L'étendue est tout le jeu ici. Un moteur qui ne voit que l'étape CRM travaille à partir d'une infime tranche de ce qui se passe réellement dans le deal, ce qui est le même écart de perception que nous avons couvert dans comment l'IA lit les signaux de revenu que les humains manquent.

Ensuite, l'interprétation. Les événements se transforment en signification. Trois e-mails sans réponse deviennent « le champion s'est tu ». Un pic d'usage d'une équipe qui n'était pas dans le deal original devient « opportunité d'expansion ». C'est l'étape où le machine learning gagne sa place, parce que les motifs à travers quelques milliers de deals passés ne sont pas quelque chose qu'une personne peut garder en tête.

Troisièmement, la génération et la notation de candidats. Le moteur liste les mouvements possibles (réengager le champion, impliquer un dirigeant, envoyer une étude de cas, escalader vers un humain, ne rien faire) et note chacun par rapport à l'objectif, qu'il s'agisse de faire avancer le deal, de protéger le renouvellement, ou de développer le compte. Chaque candidat reçoit un impact estimé et un niveau de confiance.

Quatrièmement, le classement et la livraison. La meilleure action arrive à la bonne personne au bon moment, avec le raisonnement rattaché. Dans une bonne implémentation, le travail est pré-rédigé pour qu'agir dessus ne prenne qu'un clic.

L'écart entre un jouet et un vrai moteur est la profondeur à chaque étape, mais surtout aux étapes deux et trois. C'est là que les systèmes faibles s'effondrent silencieusement en règles statiques.

Moteurs de règles et moteurs d'apprentissage

C'est la distinction qui compte le plus quand vous êtes assis dans une démo.

Un moteur de règles encode les hypothèses de quelqu'un. Si l'étape est égale à négociation et que le nombre de jours depuis la dernière activité est supérieur à sept, recommander un point de contact. C'est transparent et prévisible. Cela ne connaît aussi que ce que quelqu'un a pensé à écrire, c'est mauvais pour classer des priorités concurrentes, et ça devient obsolète à mesure que votre démarche évolue. La plupart des fonctionnalités « next-best-action » dans les outils plus anciens sont des moteurs de règles repeints à neuf.

Un moteur d'apprentissage déduit de vos données historiques ce qui corrèle réellement avec de bons résultats. Il peut pondérer des dizaines de signaux à la fois, faire émerger des mouvements non évidents, et s'améliorer à mesure qu'il observe plus de deals se clôturer ou glisser.

Les moteurs qui valent la peine d'être achetés combinent les deux. Les modèles appris gèrent la reconnaissance de motifs et la priorisation ; une couche explicite de règles et de garde-fous permet à l'entreprise d'imposer sa politique et garde le résultat contrôlable. Un apprentissage boîte noire pur est difficile à faire confiance. Des règles pures ne peuvent pas passer à l'échelle de la vraie complexité. Les combiner est ce qui rend un moteur à la fois intelligent et redevable, sujet de garder l'IA de revenu précise et redevable.

La partie difficile, c'est la priorisation

Générer une prochaine étape plausible est facile. Le problème difficile est de prioriser à travers tout un portefeuille.

Un commercial avec 40 opportunités ouvertes n'a pas besoin de 40 suggestions. Il a besoin de savoir quels trois deals toucher aujourd'hui et quoi faire sur chacun. Cela force le moteur à raisonner globalement plutôt que deal par deal :

• Quelles actions ont l'impact de revenu attendu le plus élevé ?
• Lesquelles sont urgentes et lesquelles peuvent attendre une semaine ?
• Où une petite impulsion serait-elle décisive, et où le deal est-il déjà gagné ou déjà perdu ?
• Comment le nouveau pipeline, les renouvellements à risque et les démarches d'expansion partagent-ils une seule liste classée ?

C'est un problème d'optimisation. Un moteur qui traite chaque deal isolément assignera joyeusement à un commercial plus de travail qu'un humain ne peut en faire, sans jamais répondre à la seule question qui compte, à savoir quoi faire en premier. Bien gérer ce compromis, c'est à cela que sert une architecture native IA, et c'est généralement ce qu'une fonctionnalité rapportée ne peut pas faire.

La transparence est le prix de l'adoption

Une recommandation qu'un commercial ne comprend pas est une recommandation qu'il ne suivra pas. Nous avons vu des commerciaux ignorer des suggestions parfaitement bonnes parce que l'outil disait simplement « appelez ce compte » sans explication. Un moteur en production doit donc livrer plus que la réponse. Il a besoin du raisonnement (quels signaux ont motivé ceci), de la confiance (à quel point le moteur en est sûr, pour que les commerciaux puissent calibrer), et du résultat attendu (à quoi ressemble le succès s'ils agissent).

Ce n'est pas seulement une question d'adoption. C'est ce qui permet aux gens de rattraper le moteur quand il se trompe, ce qui arrivera parfois. Les déploiements les plus sains gardent une personne dans la boucle de décision précisément pour cette raison. Le modèle humain dans la boucle est ce qui permet au moteur de s'améliorer, et les équipes qui le traitent comme une limitation finissent généralement avec un moteur auquel personne ne fait confiance.

Points clés à retenir

• Quatre étapes : ingérer, interpréter, générer et noter les candidats, classer et livrer. Demandez à un fournisseur de vous montrer chacune.
• La plupart des fonctionnalités « next-best-action » héritées sont des moteurs de règles. Les bons superposent des modèles appris et gardent une couche de garde-fous pour que l'entreprise reste aux commandes.
• Suggérer une action est bon marché. Classer à travers tout un portefeuille pour qu'un commercial sache quoi faire en premier, c'est là la vraie valeur.
• Le raisonnement, la confiance et le résultat attendu doivent voyager avec chaque recommandation, sinon les commerciaux ne lui feront pas confiance et personne ne pourra la corriger.
• Le moteur ne peut pas agir sur ce qu'il ne voit pas, donc l'étendue des signaux plafonne tout ce qui suit en aval.

Connaître la mécanique est la meilleure défense contre l'achat d'un moteur de règles déguisé en agent. Si vous voulez voir une couche de prochaine meilleure action qui raisonne sur l'ensemble du tableau de revenu plutôt qu'un enregistrement à la fois, Revnewo vaut le détour.