Mesmo as melhores ofertas comerciais são eficazes apenas na medida em que são entregues. Na Databricks, oferecemos créditos gratuitos para ajudar os clientes a começarem ou acelerarem a adoção, mas os representantes de vendas enfrentam uma pergunta aparentemente simples: quais das minhas contas de clientes são elegíveis e para quais devo entrar em contato primeiro?
O que parece uma tarefa simples pode se tornar opaca e rapidamente se transformar em um esforço demorado e que envolve várias equipes, especialmente quando as contas estão inesperadamente inelegíveis para ofertas. As equipes de vendas muitas vezes precisam vasculhar documentação, consultar conversas no Slack e investigar manualmente as contas com as equipes de operações. Isso cria um vai e vem desnecessário, diminui o ritmo e atrapalha a oferta de alto valor para os clientes. Mesmo quando se sabe que as contas são elegíveis, nem sempre é óbvio quais devem ser priorizadas.
Para enfrentar o problema, nossa equipe recorreu ao Agent Bricks — plataforma da Databricks para construção de agentes de IA de alta qualidade em dados empresariais — e construiu um sistema multiagente que fornece orientações claras e acionáveis diretamente para as equipes de vendas. Em menos de dois dias, criei uma ferramenta que permite aos representantes de vendas:
Como estagiário em Estratégia de Negócios e Operações neste verão, eu tinha um prazo curto, então velocidade e simplicidade eram críticas. O Agent Bricks me permitiu construir rapidamente uma solução de alta qualidade e fornecer o suporte necessário para as equipes de vendas.
Usando o Supervisor Multi-Agente do Agent Bricks, projetei um sistema que encadeia três agentes construídos para fins específicos sob um supervisor. Como um controlador de tráfego aéreo, o Supervisor decide a qual agente delegar cada parte da questão e depois costura suas respostas em uma resposta clara.
Minha solução usa três agentes: dois agentes AI/BI Genie e um agente Assistente de Conhecimento, gerenciados por um supervisor para orquestrar tarefas e fluxo de informações:
Este agente é treinado em nossa documentação interna não estruturada de ofertas (PDFs, apresentações de slides) para entender profundamente as regras da oferta, requisitos de elegibilidade e o processo de divulgação e entrega da oferta. Como o Assistente de Conhecimento pode receber documentos em seu formato atual, eu não precisei fazer nenhum trabalho extra para analisar, dividir ou incorporar essas informações.
Este agente analisa os dados estruturados da conta do cliente, governados no Catálogo Unity, para determinar quais clientes se qualificam para ofertas específicas e, tão importante quanto, por que outros não se qualificam. O agente pode destacar o(s) requisito(s) de elegibilidade específico(s) que uma conta não atende e sugerir próximos passos se um representante de vendas quiser investigar isso mais a fundo. Para ajudar o agente a passar pelo processo de elegibilidade, a tabela de dados inclui colunas relevantes para cada um dos critérios de elegibilidade.
Este agente analisa os dados estruturados do GTM para classificar as contas elegíveis usando dados de uso, sinais de crescimento e relevância da oferta. As equipes de vendas recebem uma lista clara e priorizada de quem contatar primeiro.
Sem a necessidade de pesquisar a arquitetura do agente supervisor ou interagir com equipes técnicas, consegui construir um sistema funcional de agentes de IA diretamente em nossos dados de clientes e oferecer documentos de programas.
A solução multi-agente remove suposições e cria uma experiência contínua e explicável. Ao combinar dados estruturados do cliente com informações não estruturadas do programa de oferta, o sistema permite:
Mais importante, o sistema escala à medida que contas são adicionadas e mais ofertas são criadas. As informações da conta do cliente e insights do GTM são atualizados automaticamente quando os dados de referência no Catálogo Unity mudam, e novos programas de oferta podem ser suportados atualizando os documentos na base de conhecimento - sem a necessidade de novo código.
Embora o sistema atual seja poderoso, existem algumas limitações a serem observadas:
As ofertas comerciais só funcionam se as equipes de vendas souberem quem mirar - e por quê. Antes do Agent Bricks, isso era um desafio manual e multi-equipe que retardava o alcance e introduzia ambiguidade em nossos programas. Com o Agent Bricks, conseguimos construir, testar e refinar um sistema de IA multi-agente com nada mais em mãos do que nossos dados e nosso objetivo.
Embora nosso sistema tenha algumas limitações em sua forma atual e não esteja integrado às ferramentas que as equipes de vendas usam diariamente, os ganhos já foram significativos; tornou o direcionamento de ofertas mais rápido, mais transparente e mais escalável. A verdadeira mágica está na priorização das contas: o sistema agrega automaticamente dados do cliente e informações de oferta para destacar inteligentemente as oportunidades de maior impacto primeiro, e eu nem mesmo tive que dizer ao agente exatamente como fazer isso. Agora isso é inteligência de dados.
Comece a construir com o Agent Bricks e crie sua primeira solução hoje.
(This blog post has been translated using AI-powered tools) Original Post
Notícias
December 23, 2024/8 min de leitura
Notícias
April 7, 2025/3 min de leitura

