넥스트 베스트 액션 엔진: 내부에서는 어떻게 작동하는가

이제 "넥스트 베스트 액션(다음 최선의 행동)"은 모든 벤더의 슬라이드 덱에 등장합니다. 때로는 그 라벨 뒤에 있는 것이 단순한 리드 스코어일 때도 있습니다. 때로는 2019년에 누군가 만든 규칙 엔진일 때도 있습니다. 가끔은 실제로 보유 고객 전체에 걸쳐 추론하는 시스템일 때도 있습니다. 라벨만으로는 어느 쪽인지 알 수 없고, 데모도 마찬가지입니다.

이런 시스템 중 하나를 평가하고 있다면, 내부에서 무엇이 작동해야 하는지 아는 것이 도움이 됩니다. 그 단계들을 볼 수 있게 되면, 진짜 추천 엔진과 겉만 화려한 if-then 목록을 구별할 수 있고, 여러분의 파이프라인이 지저분해졌을 때 그것이 버텨줄지에 대한 괜찮은 추측을 할 수 있습니다.

네 단계, 그리고 지름길이 숨는 곳

진짜 NBA 엔진은 파이프라인입니다. 한쪽 끝으로 원자료 활동이 들어가고 다른 쪽 끝으로 구체적이고 순위가 매겨진 추천이 나옵니다. 그 사이에 네 가지 일이 일어납니다.

첫째, 신호 수집입니다. 엔진은 이메일, 미팅, 제품 사용, 지원 티켓, 마케팅 접점, CRM 필드 변경, 외부 회사 정보 및 관심도 데이터를 끌어옵니다. 여기서는 범위가 전부입니다. CRM 단계만 보는 엔진은 딜에서 실제로 일어나고 있는 일의 극히 일부만 가지고 작업하는 것이며, 이는 AI가 인간이 놓치는 수익 신호를 읽는 방법에서 다룬 것과 동일한 인지 격차입니다.

둘째, 해석입니다. 이벤트가 의미로 바뀝니다. 답장 없는 이메일 세 통은 "챔피언이 침묵했다"가 됩니다. 원래 딜에 없던 팀에서의 사용량 급증은 "확장 기회"가 됩니다. 이것이 머신러닝이 제 몫을 하는 단계입니다. 지난 수천 건의 딜에 걸친 패턴은 사람이 머릿속에 담아둘 수 있는 것이 아니기 때문입니다.

셋째, 후보 생성과 스코어링입니다. 엔진은 가능한 조치들(챔피언 재참여, 임원 참여, 케이스 스터디 발송, 사람에게 에스컬레이션, 아무것도 하지 않기)을 나열하고, 딜을 진전시키거나 갱신을 보호하거나 계정을 성장시키는 것이든, 목표에 대해 각각을 점수화합니다. 모든 후보는 예상 임팩트와 신뢰도를 받습니다.

넷째, 순위화와 전달입니다. 최상위 조치가 적절한 순간에 적절한 사람에게 근거와 함께 전달됩니다. 좋은 구현에서는 작업이 미리 초안 작성되어 있어서 한 번의 클릭으로 실행할 수 있습니다.

장난감 수준과 진짜 엔진 사이의 간극은 모든 단계, 특히 두 번째와 세 번째 단계의 깊이입니다. 그곳이 약한 시스템이 조용히 정적 규칙으로 무너지는 지점입니다.

규칙 엔진과 학습 엔진

데모를 지켜볼 때 가장 중요한 구분입니다.

규칙 엔진은 누군가의 가정을 부호화합니다. 단계가 협상이고 마지막 활동 이후 7일이 지났다면 체크인을 추천하라는 식입니다. 투명하고 예측 가능합니다. 또한 누군가 적어두기로 생각한 것만 알고, 경쟁하는 우선순위 사이의 순위를 매기는 데 서투르며, 여러분의 모션이 변화함에 따라 낡아갑니다. 오래된 도구의 대부분 "넥스트 베스트 액션" 기능은 새 페인트를 칠한 규칙 엔진입니다.

학습 엔진은 여러분의 과거 데이터로부터 실제로 좋은 결과와 상관관계가 있는 것을 도출해냅니다. 수십 개의 신호를 동시에 저울질할 수 있고, 명백하지 않은 조치를 드러낼 수 있으며, 더 많은 딜이 성사되고 사라지는 것을 지켜보면서 개선됩니다.

살 만한 가치가 있는 엔진은 둘을 결합합니다. 학습된 모델은 패턴 인식과 우선순위 지정을 처리하고, 명시적인 규칙 및 가드레일 계층은 비즈니스가 정책을 강제하고 결과물을 통제 가능하게 유지하도록 해줍니다. 순수한 블랙박스 학습은 신뢰하기 어렵습니다. 순수한 규칙은 진정한 복잡성으로 확장될 수 없습니다. 이 둘을 결합하는 것이 엔진을 똑똑하면서도 동시에 책임질 수 있게 만드는데, 이는 수익 AI를 정확하고 책임감 있게 유지하기의 주제입니다.

어려운 부분은 우선순위 지정입니다

그럴듯한 다음 단계를 생성하는 것은 쉽습니다. 어려운 문제는 전체 보유 고객에 걸쳐 우선순위를 매기는 것입니다.

40개의 열린 기회를 가진 담당자에게는 40개의 제안이 필요하지 않습니다. 그들은 오늘 어떤 세 개의 딜을 챙겨야 하고 각각에 대해 무엇을 해야 하는지 알아야 합니다. 이는 엔진이 딜 하나하나가 아니라 전체적으로 추론하도록 강제합니다.

• 어떤 조치가 가장 높은 예상 매출 임팩트를 가지는가?
• 어떤 것이 시간에 민감하고 어떤 것이 일주일을 기다릴 수 있는가?
• 작은 넛지가 결정적일 곳은 어디이며, 딜이 이미 이겼거나 이미 사라진 곳은 어디인가?
• 신규 파이프라인, 위험한 갱신, 확장 플레이가 어떻게 하나의 순위 목록을 공유하는가?

이것은 최적화 문제입니다. 각 딜을 독립적으로 취급하는 엔진은 담당자에게 사람이 할 수 있는 것보다 더 많은 업무를 태연하게 배정하면서도, 정작 가장 중요한 질문인 무엇을 먼저 해야 하는지에는 결코 답하지 않을 것입니다. 이 트레이드오프를 잘 다루는 것이 AI 네이티브 아키텍처가 만들어진 이유이며, 이는 대개 덧붙인 기능이 할 수 없는 것입니다.

투명성은 채택의 대가입니다

담당자가 이해할 수 없는 추천은 그들이 받아들이지 않을 추천입니다. 우리는 도구가 아무런 설명 없이 그냥 "이 계정에 전화하세요"라고만 말했다는 이유로 담당자들이 완벽하게 괜찮은 제안을 무시하는 것을 지켜봤습니다. 그래서 프로덕션 엔진은 답 이상의 것을 제공해야 합니다. 근거(어떤 신호가 이것을 이끌었는지), 신뢰도(얼마나 확신하는지, 담당자가 이를 보정할 수 있도록), 그리고 예상 결과(제대로 행동했을 때 좋은 것이 어떤 모습인지)가 필요합니다.

이는 단순히 채택에 관한 것만이 아닙니다. 이는 엔진이 틀렸을 때, 그리고 때때로 틀릴 것이므로, 사람들이 그것을 잡아낼 수 있게 해주는 것이기도 합니다. 가장 건강한 배포는 바로 이 이유 때문에 결정 루프 안에 사람을 유지합니다. 휴먼인더루프 모델은 엔진이 개선되는 방식이며, 이를 한계로 취급하는 팀은 결국 아무도 신뢰하지 않는 엔진을 갖게 되는 경향이 있습니다.

핵심 요약

• 네 단계: 수집, 해석, 후보 생성 및 스코어링, 순위화 및 전달. 벤더에게 각 단계를 보여달라고 요청하십시오.
• 대부분의 레거시 "넥스트 베스트 액션" 기능은 규칙 엔진입니다. 좋은 것들은 그 위에 학습된 모델을 층층이 쌓고 비즈니스가 통제권을 유지하도록 가드레일 계층을 유지합니다.
• 조치를 제안하는 것은 저렴합니다. 담당자가 무엇을 먼저 해야 할지 알 수 있도록 전체 보유 고객에 걸쳐 순위를 매기는 것이 실제 가치입니다.
• 근거, 신뢰도, 예상 결과는 모든 추천과 함께 전달되어야 합니다. 그렇지 않으면 담당자는 신뢰하지 않고 아무도 수정할 수 없습니다.
• 엔진은 볼 수 없는 것에 대해서는 행동할 수 없으므로, 신호의 범위가 그 이후 모든 것의 한계를 정합니다.

기계의 작동 방식을 아는 것이 에이전트의 탈을 쓴 규칙 엔진을 사는 것을 막는 최선의 방어책입니다. 하나의 레코드가 아니라 전체 수익 그림에 걸쳐 추론하는 넥스트 베스트 액션 계층을 보고 싶다면, Revnewo가 살펴볼 만합니다.