에이전트 브릭스 인 액션: 판매 팀을 위한 더 똑똑한 제안 타겟팅

판매 딜레마에서 데이터 기반 행동으로

최고의 상업적 제안조차도 그 배송만큼 효과적일 뿐입니다. Databricks에서는 고객이 시작하거나 채택을 가속화하는 데 도움이 되는 무료 크레딧 제안을 제공하지만, 영업 대표는 간단해 보이는 질문에 직면합니다: 내 고객 계정 중 어떤 것이 자격이 있고, 먼저 어떤 고객에게 연락해야 할까요?

간단해 보이는 작업이 불투명해질 수 있고, 특히 계정이 예상치 못하게 제안에 자격이 없을 때는 시간이 많이 소요되는 여러 팀의 노력이 될 수 있습니다. 판매 팀은 종종 문서를 뒤져보고, Slack 쓰레드를 참조하고, 운영 팀과 함께 수동으로 계정을 조사해야 합니다. 이로 인해 불필요한 왕래가 생기고, 추진력이 느려지며, 고가치 제안을 고객에게 제공하는 것을 방해합니다. 계정이 자격이 있는 것으로 알려져 있을 때도 어떤 계정을 우선 순위에 두어야 할지 항상 명확하지는 않습니다.

에이전트 브릭스로 더 스마트한 시스템 구축하기

이 문제를 해결하기 위해, 우리 팀은 Agent Bricks — Databricks의 엔터프라이즈 데이터에 고품질 AI 에이전트를 구축하기 위한 플랫폼 —를 활용하여 판매 팀에게 명확하고 실행 가능한 지침을 직접 제공하는 다중 에이전트 시스템을 구축했습니다. 두 일 동안, 저는 판매 대표가 다음을 할 수 있는 도구를 만들었습니다:

• 신속하게 어떤 고객 계정이 신용 제안에 자격이 있는지 확인하세요
• 계정이 자격이 없는 정확한 이유를 이해하십시오
• 가장 큰 영향을 미칠 수 있는 고객 계정을 우선적으로 순위를 매기세요

이번 여름에 비즈니스 전략 및 운영 인턴으로, 제가 할 수 있는 시간이 짧았기 때문에 속도와 간결함이 중요했습니다. 에이전트 브릭스를 사용하면 빠르게 고품질의 솔루션을 구축하고 판매 팀이 필요로 하는 지원을 제공할 수 있었습니다.

다중 에이전트 솔루션 설계

Agent Bricks의 다중 에이전트 감독자를 사용하여, 하나의 감독자 아래에 세 가지 목적에 맞게 구축된 에이전트를 연결하는 시스템을 설계했습니다. 공항 교통관제사처럼, 감독관은 각 질문의 각 부분을 어떤 에이전트에게 위임할지 결정하고 그들의 응답을 하나의 명확한 답변으로 연결합니다.

한 명의 감독관, 세 명의 전문 에이전트

제 솔루션은 두 개의 AI/BI Genie 에이전트와 Knowledge Assistant 에이전트, 그리고 작업과 정보 흐름을 조정하는 감독관을 사용합니다:

감독 에이전트 아키텍처를 연구하거나 기술 팀과 협력할 필요 없이, 고객 데이터와 제안 프로그램 문서에 직접 기능적인 AI 에이전트 시스템을 구축할 수 있었습니다.

수동 요청에서 자체 서비스 인사이트로

다중 에이전트 솔루션은 추측을 제거하고 이해하기 쉬운 경험을 제공합니다. 구조화된 고객 데이터와 비구조화된 제안 프로그램 정보를 결합함으로써, 시스템은 다음을 가능하게 합니다:

• 자체 서비스 자격 문제 해결: 여러 팀과 Slack 쓰레드를 통해 라우팅하는 대신, 판매 팀은 이제 내장된 설명 덕분에 제안 자격 문제를 빠르게 이해하고 직접 정보에 기반한 조치를 취할 수 있습니다.
• 더 지능적인 타겟팅: 판매 팀은 실제 성장 신호와 제안의 관련성에 기반하여 고가치 계정에 집중할 수 있습니다. 이는 그들이 고영향력의 기회를 어떻게 식별하는지를 간소화합니다.
• 더 빠른 접근: 제안의 이해도를 높이고 수동적인 부담을 줄임으로써, 응답 SLA는 48시간에서 5초 미만으로 줄어들고, 영업 팀은 더 빠르고 확신 있게 움직일 수 있습니다.

가장 중요한 것은, 시스템은 계정이 추가되고 더 많은 제안이 생성됨에 따라 확장됩니다. Unity 카탈로그의 참조 데이터가 변경될 때 고객 계정 및 GTM 통찰력이 자동으로 업데이트되며, 지식 기반의 문서를 업데이트함으로써 새로운 제안 프로그램을 지원할 수 있습니다 - 새로운 코드는 필요하지 않습니다.

제한 사항

현재 시스템은 강력하지만, 주의해야 할 몇 가지 제한 사항이 있습니다:

• 에이전트 중복: 에이전트들이 직접적으로 컨텍스트를 공유할 수 없기 때문에, 감독자가 "모든 것을 알고 있음"에도 불구하고, 일부 정보가 그들 사이에 중복되어야 했습니다. 예를 들어, 계정 우선 순위 에이전트의 데이터 테이블에는 각 계정이 자격이 있는 제안(이미 자격 에이전트에게 알려진)이 있는지를 나타내는 열이 포함되어 있습니다. 또한 각 제안 유형에 대한 사용 자격 범위에 대한 컨텍스트를 포함하고 있습니다(이미 Offer Details 에이전트에게 알려져 있음). 이 중복은 우선 순위 지정 에이전트가 타겟팅과 계정 순위를 올바르게 판단할 수 있도록 보장합니다.
• 사용자 워크플로우 통합: 대부분의 영업 팀은 Databricks가 아닌 Slack과 Salesforce에서 주로 작업합니다. 이 시스템을 Slackbot이나 Salesforce에 통합하면 자격 세부 사항과 지침을 그들의 일상적인 작업 흐름에 직접 통합할 수 있습니다.

결론

상업 제안은 영업 팀이 누구를 대상으로 해야 하는지, 그리고 왜 그렇게 해야 하는지 알 경우에만 작동합니다. Agent Bricks 이전에는 이것이 수동적이고 여러 팀의 도전 과제였으며, 접근을 늦추고 프로그램에 모호성을 도입했습니다. 에이전트 브릭스를 사용하여, 우리의 데이터와 목표만으로 다중 에이전트 AI 시스템을 구축, 테스트, 개선할 수 있었습니다.

우리 시스템은 현재 형태에서 몇 가지 한계가 있고, 판매 팀이 매일 사용하는 도구에 내장되어 있지는 않지만, 이미 의미 있는 이익을 얻었습니다. 제안 타겟팅이 더 빨라지고, 더 투명해지고, 더 확장 가능해졌습니다. 진정한 마법은 계정의 우선 순위 결정에 있습니다: 시스템은 자동으로 고객 데이터와 제안 정보를 집계하여 가장 높은 영향력을 가진 기회를 먼저 지능적으로 드러내고, 저는 에이전트에게 정확히 어떻게 해야 하는지 말할 필요조차 없었습니다. 이것이 바로 데이터 인텔리전스입니다. 
 

에이전트 브릭스로 구축하기 를 시작하고 오늘 첫 번째 솔루션을 만들어보세요.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)