为了讨论如何使用大型语言模型(LLM)实现销售AI,我们首先需要探讨销售AI面临的一些核心挑战,然后展示如何通过智能应用(ChatAI)架构来解决这些问题。
这是蓝莺AI案例分享 Vol.4,感谢阅读。?
如果你只是关心提示词技巧,可以直接阅读「小蓝AI:从客服到销售」部分。
想要实现销售AI或者对通过AI促进销售漏斗转化感兴趣,或者了解蓝莺AI最新产品功能,欢迎添加文后微信入群探讨???
想象一个场景,客户通过聊天窗口咨询一款产品。销售AI首先使用LLM解析客户的问题,然后通过智能代理查询数据库获取产品详细信息,并以自然而友好的方式回应客户。
在对话过程中,AI可以评估客户的兴趣,并主动提供促销信息或其他相关产品建议,同时通过表单收集客户的联系信息,为后续的销售行动做准备。
在这个过程中,AI通过不断的学习和调整,更好地理解客户的需求和行为模式,从而提高转化率和客户满意度。
AI的主动性和被动性的平衡通过不断的实际交互中学习和优化,使得它既不会过度推销,也不会错过合适的销售时机。
在很多年前,现在称为AI1.0的时代,我们就在畅想,并有很多先行者进行了尝试,只不过受限于技术发展,实现效果始终差强人意。
那么在AI2.0时代,大型语言模型LLM的时代,这个问题怎么样了呢?
销售AI的核心挑战
客服到销售角色的转变
将客服职能转变为销售功能一直是个大挑战。传统的客服主要解决问题,而销售则需要识别和利用销售机会。这需要AI不仅能回答问题,还要能主动推销产品或服务,识别潜在的销售线索,并进行跟进。
客户转化漏斗的实现
销售AI的一个关键挑战在于如何有效完成客户转化,这包括从初次接触客户到最终促成销售的整个过程。在这个过程中,每一步都可能出现客户流失,因此如何精准地维持客户的兴趣和参与度,对AI的设计提出了高要求。
主动性与被动性的平衡
销售AI的另一个挑战是如何平衡主动性与被动性。一个过于主动的AI可能会显得侵扰,而过于被动的AI则可能错过销售机会。因此,设计一个既能主动引导也能适时回应的AI系统非常关键。
典型的智能应用(ChatAI)架构方案
一个典型的智能应用架构,是以大模型LLM驱动,聊天为入口,使用Agent智能插件能力驱动API服务:
以大模型LLM为核心
大型语言模型(如GPT系列)可以提供自然语言处理的能力,使得AI能够理解和生成人类语言。在销售AI中,这可以用来解析客户的询问、表达和需求,从而提供定制化的响应和建议。
以聊天为入口
将聊天作为用户与系统交互的主要入口,不仅能提供用户友好的界面,还可以利用聊天的即时性来加快反馈和响应速度。用户可以通过聊天界面发送消息,AI则在后端通过LLM和API服务处理这些消息,并实时提供回复。
我们在快速构建你的智能应用里就已经探讨过未来智能应用的形态,现在这个观点依然没有改变。
由于LLM/AI的优势在于自然语言理解,那么它擅长的自然是直接从与人类的交互中获取内在需求,并加以处理。这部分智力的消耗,才是大部分系统的薄弱点,是产品的价值点。
过去,我们区分一个产品是否好用,讲的是产品体验,是产品经理对需求的洞察、梳理以及裁剪。这个产品化过程,不仅不可避免地遗漏一些需求,而且也不可避免会筛选掉一些需求。
人群不同,需求不同,甚至冲突。这自然也就意味着,同样一个产品,有的人喜欢用就肯定也有人不喜欢用。
如果我们产品化过程总是会满足一部分用户而牺牲另一部分用户,为什么不从用户的交互中直接去满足他们的需求呢?这也许是一个思路。
Agent智能插件驱动API服务
通过智能代理插件调用API服务,AI可以进行更复杂的操作,如访问数据库查询产品信息,处理订单,或更新客户信息等。这些API服务通常基于标准的增删改查操作,与后端数据库或其他业务系统集成。
在使用ChatGPT访问数据库中,我们已经演示过智能插件和数据库的结合。
虽然其中用到的托管API接口属于TiDB Cloud的内测服务,但原理上很简单,就是利用TiDB Cloud的Service功能,封装出一个可以传入SQL语句的API接口,然后根据让AI来根据用户需求组装SQL语句进行查询。
我们当时演示的重点是ChatDB功能,即AI可以自行读取数据库Schema,并组装出正确的SQL语句。
今天我们还是会借助TiDB Cloud来实现,不过用它已发布的功能,即自动封装数据库增删改查的能力,也就是我们平常说的包接口。
这个自动封装的实现逻辑是,将API接口传入的参数对应到数据库表内的字段,那么根据调用路径和方法,就可以实现对数据的增删改查。
今天来演示的是实现AI的个性化。
从智能体角度来看,就是为AI增加记忆存储。让AI可以根据对话对象的不同,从一个第三方服务中读取关于对象信息,并根据自己的角色定义,对回复进行定制。
让一千个人眼里有一千个AI,就像玩游戏的时候,NPC可以喊出你的名字,知道你的身份和近况一样。
为了实现这个功能,我们定义了一个用户画像信息的表profile
,作为销售线索数据库Leads
的存储。
在TiDB Data Service中,会自动映射一个RESTful API,如下:
蓝莺AI服务中的智能插件则定义调用这个API:
并在其中添加两个函数,一个是获取用户信息:
另一个是设置用户信息:
注意,数据库表的主键是userid
,在插件中是从系统环境变量传入的。
这是蓝莺AI-Agent框架的系统机制,会根据对话识别对方身份,这个身份是跟用户登录相关,因此不可伪造,也是在API服务中进行权限控制的重要标识。
关于智能插件的权限控制,是AI企业内落地的重要工作,我们后续会专门介绍。
从客服到销售
调教AI从一个被动性客服到主动性客服,重点还是在提示词。本案例中最值得的两个建议是,向AI解释目的和添加示例。
提示词技巧一:解释目的
在收集数据方面,实测时AI显得并不积极,甚至是有一点刻意回避。
我们猜测,除了变懒的因素外,并不能排除跟底层Prompt设置有关。因此解释收集动作的目的,会增强AI对当前身份角色的理解,更容易达到主动询问用户的目的。
部分提示词如下:
为了可以个性化回复客户,你需要获取客户画像信息,并与客户保持联系。请使用以下策略与客户沟通获取信息:
1. 提供明确的价值
在请求客户联系方式之前,确保客户了解提供联系方式的好处。例如,您可以让 AI 解释说通过留下联系方式,客户可以接收到更多有关产品更新、特别优惠或重要通知的信息。
示例提示:
"为了保证您能及时了解到我们最新的产品更新和专属优惠,您可以留下您的电子邮件地址或联系电话吗?"
2. 在合适的时刻提出请求
选择一个与客户互动积极且相关的时刻来请求联系方式。通常在提供了有用信息或解决了客户的问题后,客户更愿意留下联系方式。
示例提示:
"很高兴我们解决了您的问题!如果您愿意接收未来的更新和解决方案,不妨留下您的联系方式。"
3. 建立信任
让客户明白他们的信息是安全的,并且不会被滥用。确保遵循隐私政策并告知客户他们的数据如何被保护。
示例提示:"我们重视您的隐私。您的联系信息将被安全处理,仅用于发送您感兴趣的更新。"
4. 持续沟通
很多时候,客户对自己的需求都是在了解产品的过程中逐渐清晰,所以需要我们持续沟通,介绍产品的优势或者了解客户更多画像信息,都会有助于他们选择我们。所以当一次对话,可以根据用户画像中未知的信息,继续发起提问,提醒用户提供信息。
示例提示:"很高兴已经解答了你的问题,关于贵公司或者项目的信息可以更多介绍一下吗,这将有助于我们为您提供个性化的服务。"
提示词技巧二:添加示例
为了进一步准确对应智能插件中的数据条目,我们将数据库表的各种字段解释放在了提示词中,这样也就不需要其每次调用数据库Schema接口获取结构说明了。
这样让AI更好理解意图的同时,也能减少调用时间,改善交互体验。
部分提示词如下:
具体客户信息可以通过 get_customer_profile 调用获得,如果相关数据条目为空,则需要问询用户获取,但要注意,一次只问一个问题,防止用户反感:
1. 公司名称
示例:“可以告诉我您的公司或产品名称吗?方便我们为您定制方案。”
2. 关注产品
示例:“您想了解蓝莺的哪一款产品呢?”
3. 注册帐号
示例:“您是否注册了蓝莺IM控制台,如果已经注册,可否告诉下您的帐号呢?”
4. 联系人姓名
示例:“能否告知您的姓名,方便我们保持联系。”
5. 手机号码
示例:“如果您希望电话沟通,还请留下您的电话号码,或者,你可以考虑选择其他联系方式。”
6. 微信号码
示例:“如果您希望电话沟通,还请留下您的电话号码,或者,你可以考虑选择其他联系方式。”
7. 会议时间
示例:“您也可以说明一下希望联系的时间,我们会尽量将会议安排在期望的时间。不过由于近期安排较满,具体的联系时间会稍有不同,还请多多理解。”
总结
通过整合LLM、智能代理和聊天界面,销售AI能够有效地处理客户咨询,优化销售流程,并提高客户满意度。这种系统不仅提高了销售效率,还能通过数据驱动的洞察帮助企业更好地理解和服务于其客户。通过不断迭代和优化,销售AI将成为企业获得竞争优势的关键工具。
寻找更多可能
以上,是我们在销售AI上的实践,供参考。我们相信肯定有更好的提示词,也有很多地方可以去改进,欢迎一起来探讨。
来源:蓝莺IM