برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
این یک معضل است: تیم های مشتری داده های بیشتری نسبت به آنچه که می توانند از آنها استفاده کنند ، دارند – از یادداشت های Salesforce ، بلیط های JIRA ، داشبورد پروژه ، Docs Google – اما آنها تلاش می کنند تا هنگام تهیه پیام های مشتری که واقعاً طنین انداز است ، همه اینها را جمع کنند.
ابزارهای موجود اغلب به الگوهای عمومی یا اسلایدها متکی هستند و در ارائه تصویری کامل از سفرهای مشتری ، نقشه راه ، اهداف پروژه و اهداف تجاری ناکام هستند.
Korl ، یک راه اندازی امروز راه اندازی شده است ، امیدوار است که با یک بستر جدید که در سیستم های مختلف کار می کند ، برای ایجاد ارتباطات بسیار محرمانه ، بر این چالش ها غلبه کند. ابزار چند عامل و چند مدلی از ترکیبی از مدل های OpenAi ، Gemini و Anthropic گرفته تا منبع و متناسب با داده ها استفاده می کند.
Berit Hoffmann ، مدیر عامل و بنیانگذار Korl ، در مصاحبه اختصاصی به VentureBeat گفت: “مهندسان ابزارهای قدرتمند هوش مصنوعی دارند ، اما تیم های مشتری مداری با راه حل های کم عمق و قطع شده گیر کرده اند.” “نوآوری اصلی Korl ریشه در خطوط لوله پیشرفته چند عامل ما دارد که برای ایجاد زمینه مشتری و محصول طراحی شده است که ابزارهای ارائه عمومی فاقد آن هستند.”
ایجاد مواد مشتری متناسب از طریق نمای چند منبع
آژانس های هوش مصنوعی Korl اطلاعاتی را از طریق سیستم های مختلف-مانند مستندات مهندسی از JIRA ، از Google Docs ، طرح هایی از FIGMA و داده های پروژه از Salesforce-جمع آوری می کنند تا یک نمای چند منبع را بسازند.
به عنوان مثال ، هنگامی که مشتری KORL را به JIRA متصل می کند ، نماینده آن قابلیت های محصول موجود و برنامه ریزی شده را برای فهمیدن نحوه نقشه برداری داده ها و واردات توانایی های جدید محصول مطالعه می کند. این پلتفرم با اطلاعات مشتری با اطلاعات مشتری – مانند سابقه استفاده ، اولویت های تجاری و مرحله چرخه عمر – پر کردن شکاف ها با استفاده از هوش مصنوعی مطابقت دارد.
هافمن گفت: “نمایندگان داده Korl به طور خودکار مجموعه داده های متنوع از منابع داخلی و داده های عمومی خارجی را به طور خودکار جمع آوری ، غنی سازی و ساختار می کنند.”
سپس این پلتفرم به طور خودکار بررسی های سه ماهه شخصی (QBRS) ، زمینه های تجدید ، ارائه های مناسب و سایر مواد را برای استفاده در نقاط عطف مهم مشتری ایجاد می کند.
هافمن گفت که تمایز اصلی این شرکت توانایی آن در ارائه “مواد جلا و آماده مشتری” مانند اسلایدها ، روایت ها و ایمیل ها است ، “به جای صرفاً تجزیه و تحلیل یا بینش خام”.
وی گفت: “ما فکر می کنیم این سطح از ارزش عملیاتی را که تیم های مشتری مداری امروز به آن نیاز دارند ، ارائه می دهد با توجه به فشارهایی که برای انجام کارهای بیشتر با کمتر انجام می شود.”
جابجایی بین Openai ، جمینی ، انسان شناسی ، بر اساس عملکرد
هافمن توضیح داد: Korl “مجموعه ای از مدل ها” را در سراسر Openai ، Gemini و Anthropic قرار می دهد و بهترین مدل را برای این کار در آن زمان بر اساس سرعت ، دقت و هزینه انتخاب می کند. KORL باید کارهای پیچیده و متنوعی را انجام دهد – روایت های ظریف ، محاسبه داده ها ، تصاویر – بنابراین هر مورد استفاده با بیشترین مدل مطابقت دارد. این شرکت “مکانیسم های پیشرفته بازگشت” را برای کاهش شکست ها اجرا کرده است. در اوایل ، آنها هنگام تکیه بر یک ارائه دهنده واحد ، میزان شکست بالایی را مشاهده کردند.
این استارتاپ یک تنظیم خودکار اختصاصی برای تنظیم برنامه های متنوع داده های سازمانی در سراسر JIRA ، Salesforce و سایر سیستم ها ایجاد کرد. این پلتفرم به طور خودکار در زمینه های مربوطه در Korl نقشه می کند.
هافمن گفت: “به جای اینکه فقط با هماهنگی معنایی یا نام میدانی باشد ، رویکرد ما عوامل دیگری مانند کمبود داده ها را برای امتیازات و پیش بینی مسابقات میدانی ارزیابی می کند.”
برای سرعت بخشیدن به فرایند ، KORL مدل های کم تحرک و با توان بالا (مانند GPT-4O را برای پاسخ های سریع و ساخت متن) با مدلهای تحلیلی عمیق تر ترکیب می کند (Claude 3.7 برای ارتباطات پیچیده تر و مشتری در چهره).
هافمن توضیح داد: “این تضمین می کند که ما برای بهترین تجربه کاربر نهایی بهینه سازی کنیم ، و باعث ایجاد مبادلات مبتنی بر زمینه بین فوری و دقت شویم.”
از آنجا که “امنیت بسیار مهم است” ، کورل به دنبال ضمانت های حفظ حریم خصوصی در درجه سازمانی از فروشندگان برای اطمینان از داده های مشتری از مجموعه داده های آموزش است. هافمن خاطرنشان کرد: ارکستراسیون چند فروشنده و متنی باعث محدودیت بیشتر قرار گرفتن در معرض ناخواسته و نشت داده ها می شود.
دست زدن به داده هایی که “خیلی کثیف” یا “ناقص” هستند
هافمن خاطرنشان كرد كه ، كورل در اوایل ، از مشتریان شنید كه آنها نگران هستند كه داده های آنها “خیلی کثیف” یا “ناقص” باشد كه مورد استفاده خوب قرار گیرد. در پاسخ ، این شرکت خطوط لوله ای را برای درک روابط شیء تجاری و پر کردن شکاف ها – مانند نحوه موقعیت یابی ویژگی های خارجی یا نحوه تراز کردن مقادیر در نتایج مورد نظر ایجاد کرد.
هافمن گفت: “نماینده ارائه ما آنچه را برای تولید اسلایدهای مشتری و مسیر گفتگو (راهنمای مکالمات با مشتریان بالقوه یا رهبری) به صورت پویا در صورت لزوم اعمال می کند ، استفاده می کند.”
او همچنین گفت Korl دارای “چند مدلی واقعی” است. این پلتفرم فقط داده ها را از منابع مختلف بیرون نمی آورد. این تفسیر انواع مختلفی از اطلاعات مانند متن ، داده های ساختاری ، نمودارها یا نمودارها است.
وی گفت: “قدم مهم در حال حرکت فراتر از داده های خام برای پاسخ دادن است: این نمودار به چه داستانی می گوید؟ پیامدهای عمیق تر در اینجا چیست و آیا آنها واقعاً با این مشتری خاص طنین انداز هستند؟” “ما فرآیند خود را برای انجام این دقت و احتیاط بسیار مهم ساخته ایم ، اطمینان حاصل می کنیم که خروجی فقط داده های جمع نشده نیست ، بلکه محتوای واقعاً غنی است که با زمینه معنی دار ارائه می شود.”
دو نفر از رقبای نزدیک Korl شامل Gainsight و Clari هستند. با این حال ، هافمن گفت KORL با در نظر گرفتن زمینه های عمیق محصول و نقشه راه ، خود را متمایز می کند. استراتژی های مؤثر تجدید مشتری و گسترش مشتری نیاز به درک عمیق از آنچه یک محصول انجام می دهد ، و این باید با تجزیه و تحلیل داده ها و رفتار مشتری همراه باشد.
علاوه بر این ، هافمن گفت KORL به دو “کاستی های اساسی” از سیستم عامل های موجود خطاب می کند: زمینه تجارت عمیق و دقت برند. نمایندگان کورل زمینه تجارت را از چندین سیستم جمع می کنند. وی گفت: “بدون این اطلاعات جامع داده ها ، عرشه های خودکار فاقد ارزش تجاری استراتژیک هستند.”
وقتی نوبت به برند می آید ، فناوری اختصاصی Korl دستورالعمل های موجود در مواد موجود را استخراج و تکرار می کند.
کاهش زمان آماده سازی عرشه از “چند ساعت تا دقیقه”
هافمن گفت ، نشانه های اولیه حاکی از آن است که KORL می تواند حداقل یک امتیاز در حفظ درآمد خالص (NRR) را برای شرکت های نرم افزاری بازار میانی باز کند. این امر به این دلیل است که ارزش محصول قبلاً غیر واقعی را کشف می کند و برقراری ارتباط با مشتریان را قبل از خفه کردن یا تصمیم گیری های تجدید یا گسترش آسان می کند.
به گفته هافمن ، این پلت فرم همچنین باعث افزایش کارایی و کاهش زمان آماده سازی عرشه برای هر تماس مشتری از “چند ساعت تا دقیقه” می شود.
مشتریان اولیه شامل Platform Skills Platform DataCamp و Gifting و Direct Mail Sendoso هستند.
امیر یونس ، مدیر ارشد مشتری Sendoso گفت: “آنها با یک چالش مهم و نادیده گرفته می شوند: بیش از حد ، ویژگی های محصول در حالی که تیم های Go-to Market (GTM) آماده فروش ، پشتیبانی یا برقراری ارتباط آنها به طور مؤثر نیستند ، منتشر می شوند.” “با هوش مصنوعی Korl ، (Go-to Market) GTM و ایجاد دارایی می تواند فقط یک کلیک فاصله داشته باشد-بدون اضافه کردن سربار برای تیم های تحقیق و توسعه.”
Korl امروز با 5 میلیون دلار بودجه بذر در یک دور توسط Mac Venture Capital و تأکید بر VC ، با مشارکت Perceptive Ventures و Diane Greene (بنیانگذار VMware و مدیرعامل سابق Google Cloud) وارد بازار شد.
