O Motor de Próxima Melhor Ação: Como Funciona por Baixo dos Panos

"Próxima melhor ação" está em todo slide de fornecedor agora. Às vezes a coisa por trás do rótulo é uma pontuação de lead. Às vezes é um motor de regras que alguém construiu em 2019. Ocasionalmente é um sistema que realmente raciocina através de uma carteira de negócios. O rótulo não diz qual é qual, e a demo também não.

Se você está avaliando um desses, ajuda saber o que deveria estar rodando por dentro. Uma vez que você consegue ver os estágios, consegue distinguir um motor de recomendação real de uma lista de se-então vestida de gala, e consegue fazer uma estimativa decente de se ele vai se sustentar quando seu pipeline ficar confuso.

Quatro estágios, e onde os atalhos se escondem

Um motor NBA real é um pipeline. Atividade bruta entra de um lado e uma recomendação específica e classificada sai do outro. Quatro coisas acontecem no meio.

Primeiro, ingestão de sinal. O motor puxa e-mails, reuniões, uso de produto, tickets de suporte, toques de marketing, mudanças de campo no CRM, dados firmográficos e de intenção externos. Amplitude é o jogo inteiro aqui. Um motor que só vê o estágio do CRM está trabalhando com uma fatia do que realmente está acontecendo no negócio, que é a mesma lacuna de percepção que cobrimos em como a IA lê sinais de receita que humanos perdem.

Segundo, interpretação. Eventos se transformam em significado. Três e-mails sem resposta se tornam "o campeão ficou em silêncio". Um pico de uso de um time que não estava no negócio original se torna "oportunidade de expansão". Este é o estágio onde o aprendizado de máquina merece seu lugar, porque os padrões através de alguns milhares de negócios passados não são algo que uma pessoa consiga carregar na cabeça.

Terceiro, geração de candidatos e pontuação. O motor lista os movimentos possíveis (reengajar o campeão, envolver um executivo, enviar um case, escalar para um humano, não fazer nada) e pontua cada um contra o objetivo, seja avançar o negócio, proteger a renovação, ou fazer a conta crescer. Todo candidato recebe um impacto estimado e um nível de confiança.

Quarto, classificação e entrega. A ação principal vai para a pessoa certa no momento certo, com o raciocínio anexado. Em uma boa implementação, o trabalho já vem pré-rascunhado, então agir sobre ele é um clique.

A lacuna entre um brinquedo e um motor real é a profundidade em cada estágio, mas especialmente nos estágios dois e três. É aí que sistemas fracos silenciosamente colapsam em regras estáticas.

Motores de regras e motores de aprendizado

Essa é a distinção que mais importa quando você está sentado em uma demo.

Um motor de regras codifica as suposições de alguém. Se o estágio é igual a negociação e dias desde a última atividade é maior que sete, recomende um check-in. É transparente e previsível. Também só sabe o que alguém pensou em escrever, é ruim em classificar entre prioridades concorrentes, e fica desatualizado conforme seu movimento muda. A maioria das funcionalidades de "próxima melhor ação" em ferramentas mais antigas são motores de regras com tinta nova.

Um motor de aprendizado descobre a partir dos seus dados históricos o que realmente se correlaciona com bons resultados. Ele consegue pesar dezenas de sinais de uma vez, revelar movimentos que não são óbvios, e melhorar conforme observa mais negócios fechando e deslizando.

Os motores que vale a pena comprar combinam os dois. Modelos aprendidos lidam com reconhecimento de padrões e priorização; uma camada explícita de regras e proteções permite que o negócio aplique política e mantém a saída controlável. Aprendizado de caixa-preta puro é difícil de confiar. Regras puras não conseguem escalar para a complexidade real. Juntá-los é o que torna um motor inteligente e responsável ao mesmo tempo, que é o tema de mantendo a IA de receita precisa e responsável.

A parte difícil é a priorização

Gerar um próximo passo plausível é fácil. O problema difícil é priorizar através de uma carteira inteira.

Um representante com 40 oportunidades abertas não precisa de 40 sugestões. Precisa saber quais três negócios tocar hoje e o que fazer em cada um. Isso força o motor a raciocinar globalmente em vez de negócio por negócio:

• Quais ações têm o maior impacto de receita esperado?
• Quais são sensíveis ao tempo e quais podem esperar uma semana?
• Onde um pequeno empurrão seria decisivo, e onde o negócio já está ganho ou já está perdido?
• Como novo pipeline, renovações em risco e jogadas de expansão compartilham uma única lista classificada?

É um problema de otimização. Um motor que trata cada negócio isoladamente vai alegremente atribuir a um representante mais trabalho do que um humano consegue fazer, sem nunca responder a única pergunta que importa, que é o que fazer primeiro. Fazer bem essa troca é para o que uma arquitetura nativa de IA é construída, e geralmente é o que uma funcionalidade parafusada não consegue fazer.

Transparência é o preço da adoção

Uma recomendação que um representante não consegue entender é uma recomendação que ele não vai seguir. Já vimos representantes ignorarem sugestões perfeitamente boas porque a ferramenta só dizia "ligue para esta conta" sem explicação. Então um motor de produção precisa entregar mais que a resposta. Precisa do raciocínio (quais sinais impulsionaram isso), da confiança (quão certo ele está, para que os representantes possam calibrar), e do resultado esperado (como é o sucesso se eles agirem).

Isso não é só sobre adoção. É o que permite que as pessoas capturem o motor quando ele está errado, o que vai acontecer às vezes. As implantações mais saudáveis mantêm uma pessoa no circuito de decisão exatamente por esse motivo. O modelo human-in-the-loop é como o motor melhora, e os times que o tratam como uma limitação tendem a terminar com um motor em que ninguém confia.

Principais conclusões

• Quatro estágios: ingerir, interpretar, gerar e pontuar candidatos, classificar e entregar. Peça a um fornecedor para mostrar cada um.
• A maioria das funcionalidades legadas de "próxima melhor ação" são motores de regras. As boas colocam modelos aprendidos por cima e mantêm uma camada de proteção para que o negócio permaneça no controle.
• Sugerir uma ação é barato. Classificar através de uma carteira inteira para que um representante saiba o que fazer primeiro é o valor real.
• Raciocínio, confiança e resultado esperado precisam viajar com toda recomendação, ou os representantes não vão confiar nela e ninguém conseguirá corrigi-la.
• O motor não consegue agir sobre o que não consegue ver, então a amplitude de sinal limita tudo a jusante.

Conhecer a maquinaria é a melhor defesa contra comprar um motor de regras fantasiado de agente. Se você quer ver uma camada de próxima melhor ação que raciocina através de todo o panorama de receita em vez de um registro de cada vez, vale a pena olhar a Revnewo.