اتوماسیون هوشمند فروش برای «نوا»؛ تبدیل لیدهای پراکنده به یک فرآیند فروش هوشمند

نوع برند: شرکت B2B ارائه‌دهنده راهکارهای نرم‌افزاری و خدمات فناوری
نام برند: نُوا (NOVA)
خدمات نتانیک: هوش مصنوعی، اتوماسیون فروش، AI Agent، CRM و طراحی سیستم‌های هوشمند

اتوماسیون هوشمند فروش برای نوا

نُوا یک شرکت B2B فعال در حوزه راهکارهای نرم‌افزاری بود که با افزایش فعالیت‌های بازاریابی، تعداد سرنخ‌های ورودی آن نیز بیشتر شده بود. مشکل اصلی دیگر جذب لید نبود؛ مسئله این بود که تیم فروش نمی‌توانست با سرعت و دقت یکسان، همه سرنخ‌ها را بررسی، اولویت‌بندی و پیگیری کند. بخشی از اطلاعات در فرم‌های سایت، بخشی در CRM و بخشی در مکالمات و ایمیل‌های تیم فروش قرار داشت و همین پراکندگی، تصویر کاملی از هر مشتری بالقوه ایجاد نمی‌کرد. نتانیک برای حل این مسئله، یک اتوماسیون هوشمند فروش طراحی کرد که با ترکیب هوش مصنوعی، تحلیل رفتار، امتیازدهی لید و CRM، فرآیند فروش را ساختاریافته‌تر می‌کرد.

مسئله اصلی نوا

در یک فرآیند فروش B2B، همه لیدها ارزش تجاری یکسانی ندارند و صرفاً افزایش تعداد سرنخ‌ها نمی‌تواند به معنی بهبود عملکرد فروش باشد. یک شرکت ممکن است روزانه ده‌ها درخواست دریافت کند، اما تنها بخشی از آنها از نظر صنعت، اندازه سازمان، نیاز، بودجه یا زمان خرید با خدمات آن مجموعه تناسب داشته باشند. اگر تیم فروش مجبور باشد تمام این سرنخ‌ها را با یک روش بررسی کند، زمان زیادی صرف فرصت‌هایی می‌شود که احتمال تبدیل آنها پایین‌تر است. بنابراین مسئله اصلی نُوا، ساخت یک سیستم برای تشخیص، اولویت‌بندی و پیگیری هوشمند لیدها بود.

هدف پروژه

هدف نتانیک طراحی سیستمی بود که بتواند قبل از ورود لید به مرحله پیگیری فروش، اطلاعات موجود درباره آن را جمع‌آوری و تحلیل کند. سیستم باید می‌توانست ویژگی‌های شرکت، اطلاعات تماس، منبع ورود، رفتار کاربر و نوع درخواست را در کنار یکدیگر قرار دهد و یک تصویر منسجم از لید ایجاد کند. سپس بر اساس قواعد و مدل تحلیلی تعریف‌شده، لیدها در اولویت‌های مختلف قرار می‌گرفتند و اقدامات بعدی برای هر گروه مشخص می‌شد. به این ترتیب، تیم فروش به جای مدیریت دستی تعداد زیادی سرنخ، می‌توانست تمرکز خود را روی فرصت‌های مرتبط‌تر قرار دهد.

لینک داخلی پیشنهادی: در عبارت «هوش مصنوعی برای کسب‌وکار» → لینک به صفحه خدمات هوش مصنوعی نتانیک.

معماری اتوماسیون هوشمند فروش

در طراحی این اتوماسیون هوشمند فروش، نتانیک فرآیند را به چند لایه مستقل اما متصل تقسیم کرد تا هر بخش وظیفه مشخصی داشته باشد. داده‌های اولیه از کانال‌های مختلف وارد سیستم می‌شدند و پس از پاک‌سازی و ساختاربندی، برای تحلیل در اختیار لایه هوشمند قرار می‌گرفتند. سپس سیستم با توجه به معیارهای تعریف‌شده، کیفیت و میزان آمادگی هر لید را ارزیابی می‌کرد و نتیجه را به CRM منتقل می‌ساخت. در نهایت، بر اساس وضعیت هر لید، Workflow مناسب برای پیگیری، اطلاع‌رسانی یا انتقال به کارشناس فروش اجرا می‌شد.

مسیر ورود لید

اولین مرحله سیستم، دریافت لید از منابع مختلف بود و هدف آن جلوگیری از پراکندگی اطلاعات در کانال‌های متعدد بود. فرم سایت، کمپین‌های تبلیغاتی، صفحات فرود، درخواست‌های مشاوره و سایر نقاط تماس می‌توانستند به سیستم متصل شوند و اطلاعات اولیه را در یک ساختار مشخص قرار دهند. پس از دریافت داده، اطلاعات تکراری یا ناقص شناسایی می‌شد و رکورد مربوط به لید در سیستم CRM ایجاد یا به‌روزرسانی می‌گردید. این ساختار باعث می‌شد هر لید از همان ابتدای ورود، یک مسیر مشخص و قابل پیگیری داشته باشد.

جریان اصلی سیستم

معماری کلی فرآیند به این شکل طراحی شد:

1. دریافت لید از کانال‌های مختلف

2. پاک‌سازی و یکپارچه‌سازی اطلاعات

3. تحلیل مشخصات و رفتار لید با AI

4. محاسبه امتیاز و تعیین سطح اولویت

5. ثبت نتیجه در CRM و اجرای Workflow

6. انتقال لید مناسب به تیم فروش و ثبت بازخورد

این مدل از نظر معماری به مفهوم Lead Management نزدیک است؛ فرآیندی که شامل جذب، ارزیابی، مسیردهی، پرورش و پیگیری لید تا تبدیل شدن به فرصت فروش است. [لینک خارجی پیشنهادی: Lead Management در HubSpot]

امتیازدهی هوشمند لیدها

یکی از مهم‌ترین بخش‌های پروژه، طراحی سیستم Lead Scoring بود؛ اما در این پروژه امتیازدهی صرفاً بر اساس یک عدد ثابت انجام نمی‌شد. اطلاعات مربوط به تناسب لید با بازار هدف و همچنین رفتار او در تعامل با برند در کنار یکدیگر بررسی می‌شدند تا تصویر دقیق‌تری از کیفیت سرنخ ایجاد شود. برای مثال، یک شرکت ممکن است از نظر اندازه و صنعت برای نُوا مناسب باشد، اما هیچ تعامل جدی با محصولات یا خدمات نداشته باشد. در مقابل، لیدی ممکن است تعامل بالایی داشته باشد اما از نظر نوع کسب‌وکار در بازار هدف قرار نگیرد؛ بنابراین سیستم باید هر دو جنبه را در نظر می‌گرفت.

معیارهای امتیازدهی

مدل امتیازدهی می‌توانست ترکیبی از معیارهای مختلف را در نظر بگیرد:

• تناسب صنعت و بازار هدف

• اندازه و مشخصات سازمان

• نوع محصول یا خدمت موردنیاز

• رفتار کاربر در وب‌سایت

• تعامل با محتوا و فرم‌های فروش

• میزان آمادگی برای شروع گفتگو

این مدل با مفهوم رایج Lead Scoring هم‌راستا است؛ در سیستم‌های CRM، امتیازدهی می‌تواند بر اساس ویژگی‌های رکورد و رفتارهای ثبت‌شده انجام شود و نتیجه برای اولویت‌بندی و Workflowهای بعدی مورد استفاده قرار گیرد. [لینک خارجی پیشنهادی: HubSpot Lead Scoring]

امتیاز ثابت کافی نیست

در بسیاری از فرآیندهای فروش، یک مدل امتیازدهی ساده با چند شرط ثابت می‌تواند نقطه شروع مناسبی باشد، اما با رشد داده‌ها و پیچیده‌تر شدن بازار، نیاز به تحلیل دقیق‌تر افزایش پیدا می‌کند. رویکرد نتانیک در پروژه نُوا این بود که AI در کنار قواعد مشخص قرار بگیرد و تصمیم‌گیری صرفاً به یک مدل غیرقابل‌کنترل سپرده نشود. سیستم می‌توانست اطلاعات ساختاریافته را بررسی کند و در کنار قوانین تجاری، الگوهای موجود در داده را نیز برای تحلیل بهتر مورد استفاده قرار دهد. به این ترتیب، اتوماسیون فروش هم قابلیت کنترل داشت و هم امکان توسعه تدریجی.

هوش مصنوعی در فرآیند فروش

نقش هوش مصنوعی در این پروژه صرفاً تولید متن برای ایمیل یا پاسخ‌گویی به مشتری نبود و در بخش تحلیل و تصمیم‌سازی نیز مورد استفاده قرار گرفت. سیستم می‌توانست اطلاعات مختلف مربوط به یک لید را کنار هم قرار دهد و خلاصه‌ای قابل استفاده برای کارشناس فروش ایجاد کند. این خلاصه می‌توانست شامل مشخصات کسب‌وکار، نیاز احتمالی، مسیر ورود، تعاملات قبلی و پیشنهاد اقدام بعدی باشد. هدف این بود که کارشناس فروش قبل از برقراری تماس، تصویر کامل‌تری از وضعیت لید داشته باشد.

تحلیل زمینه‌ای لید

وقتی اطلاعات یک لید از چند منبع مختلف جمع‌آوری می‌شود، ارزش واقعی داده زمانی مشخص می‌شود که بتوان ارتباط میان آنها را تشخیص داد. برای مثال، مشاهده چند صفحه مرتبط با یک محصول به‌تنهایی ممکن است اطلاعات زیادی ایجاد نکند، اما زمانی که این رفتار در کنار درخواست مشاوره و مشخصات شرکت قرار گیرد، می‌تواند معنای متفاوتی پیدا کند. سیستم هوشمند تلاش می‌کرد این اطلاعات را در یک زمینه مشترک قرار دهد تا خروجی کاربردی‌تری برای تیم فروش ایجاد شود. این همان جایی است که هوش مصنوعی در فروش می‌تواند فراتر از اتوماسیون‌های شرطی عمل کند.

خلاصه هوشمند برای کارشناس فروش

یکی از قابلیت‌های طراحی‌شده، تولید خلاصه‌ای از وضعیت لید پیش از ارجاع به کارشناس بود. به جای اینکه فروشنده مجبور باشد چندین رکورد و تعامل قبلی را بررسی کند، اطلاعات مهم در یک نمای ساختاریافته در اختیار او قرار می‌گرفت. این خلاصه می‌توانست به فروشنده کمک کند مکالمه را با شناخت بیشتری از مسئله مشتری آغاز کند و از پرسش‌های تکراری جلوگیری شود. در نتیجه، AI نقش یک لایه آماده‌سازی اطلاعات را ایفا می‌کرد و تصمیم نهایی همچنان در اختیار انسان باقی می‌ماند.

«قرار نبود هوش مصنوعی جای فروشنده را بگیرد؛ قرار بود فروشنده قبل از هر تماس، اطلاعات بهتر و تصمیم آماده‌تری در اختیار داشته باشد.»

اتصال سیستم به CRM

CRM در این پروژه به‌عنوان مرکز اطلاعات فروش در نظر گرفته شد و اتوماسیون هوشمند به جای ایجاد یک سیستم جداگانه، تا حد امکان در کنار ساختار CRM قرار گرفت. اطلاعات مربوط به لید، امتیاز، وضعیت، فعالیت‌ها و اقدامات انجام‌شده در یک رکورد قابل پیگیری ثبت می‌شدند. این معماری باعث می‌شد تیم فروش همچنان محیط آشنای خود را داشته باشد و هوش مصنوعی در پشت صحنه، فرآیندهای زمان‌بر را مدیریت کند. در نتیجه، فناوری جدید به جای ایجاد یک جزیره اطلاعاتی دیگر، به زیرساخت موجود متصل می‌شد.

هماهنگی بازاریابی و فروش

یکی از مشکلات رایج در کسب‌وکارهای در حال رشد، فاصله میان تیم بازاریابی و فروش است. بازاریابی لید ایجاد می‌کند، اما فروش همیشه اطلاعات کافی درباره منبع، رفتار یا زمینه ورود آن لید در اختیار ندارد. اتوماسیون طراحی‌شده این اطلاعات را در یک مسیر مشترک قرار می‌داد تا انتقال لید از بازاریابی به فروش با اطلاعات کامل‌تری انجام شود. چنین ساختاری می‌تواند پایه مناسبی برای اندازه‌گیری عملکرد کمپین‌ها و بررسی کیفیت واقعی لیدها نیز ایجاد کند.

ثبت بازخورد فروش

سیستم فقط برای ارسال اطلاعات به فروشنده طراحی نشده بود و بازخورد تیم فروش نیز بخشی از چرخه سیستم محسوب می‌شد. نتیجه تماس، وضعیت فرصت، دلیل عدم پیگیری یا تبدیل شدن لید به مشتری می‌تواند داده ارزشمندی برای بهبود فرآیند باشد. این اطلاعات در مراحل بعدی می‌توانند برای اصلاح معیارهای امتیازدهی و Workflowها مورد استفاده قرار گیرند. به این ترتیب، سیستم به‌تدریج از یک اتوماسیون ثابت به یک فرآیند قابل بهینه‌سازی تبدیل می‌شود.

طراحی Workflowهای هوشمند فروش

پس از تحلیل و امتیازدهی، هر لید الزاماً نباید یک مسیر یکسان را طی کند. سیستم بر اساس وضعیت هر رکورد، Workflow مناسب را فعال می‌کرد تا اقدام بعدی با شرایط لید هماهنگ باشد. برای مثال، لیدهای با تناسب بالا می‌توانستند سریع‌تر به کارشناس فروش منتقل شوند، در حالی که لیدهای کم‌آمادگی می‌توانستند وارد مسیر پرورش و ارتباط تدریجی شوند. این تفکیک باعث می‌شود منابع تیم فروش بر اساس اولویت واقعی تخصیص پیدا کنند.

مسیرهای مختلف پیگیری

بر اساس ساختار تعریف‌شده، Workflowها می‌توانستند برای سناریوهای مختلف اجرا شوند:

• ارجاع فوری لیدهای با اولویت بالا به فروش

• ارسال اطلاعات تکمیلی برای لیدهای نیازمند بررسی

• ورود لیدهای کم‌آمادگی به فرآیند Nurturing

• یادآوری خودکار برای پیگیری‌های انجام‌نشده

• ثبت و به‌روزرسانی وضعیت در CRM

• ایجاد هشدار برای فرصت‌های حساس یا زمان‌دار

این ساختار باعث می‌شود اتوماسیون فروش به مجموعه‌ای از Triggerهای پراکنده تبدیل نشود و هر اقدام، بخشی از یک منطق مشخص باشد.

زمان‌بندی پیگیری

زمان در فروش B2B می‌تواند اهمیت زیادی داشته باشد و تأخیر در پاسخ‌گویی ممکن است باعث از دست رفتن بخشی از فرصت‌های تجاری شود. به همین دلیل، زمان ورود لید و سطح اولویت آن در طراحی Workflow مورد توجه قرار گرفت. سیستم می‌توانست برای برخی شرایط، هشدار یا اقدام خودکار تعریف کند و در موارد دیگر، وظیفه را به کارشناس مربوطه منتقل کند. هدف، حذف پیگیری انسانی نبود؛ بلکه کاهش احتمال فراموش شدن اقدامات مهم بود.

AI Agent در اتوماسیون فروش

در مراحل پیشرفته‌تر پروژه، معماری قابلیت حرکت به سمت یک AI Agent فروش را نیز داشت. تفاوت Agent با یک Workflow ساده در این است که Agent می‌تواند با توجه به وضعیت موجود، از ابزارهای مختلف استفاده کند و یک فرآیند چندمرحله‌ای را دنبال کند. برای مثال، یک Agent می‌تواند اطلاعات لید را از CRM دریافت کند، زمینه درخواست را تحلیل کند، اطلاعات مرتبط را بازیابی کند و در محدوده‌ای که برای آن تعریف شده، اقدام بعدی را پیشنهاد یا اجرا کند. البته چنین سیستمی باید با ابزارها، مجوزها و Guardrailهای مشخص طراحی شود.

Agent به جای Automation

اتوماسیون سنتی معمولاً بر اساس قواعد از پیش تعریف‌شده کار می‌کند و برای هر وضعیت مشخص، یک اقدام مشخص انجام می‌دهد. Agent می‌تواند در شرایط پیچیده‌تر، وضعیت را تحلیل کند و با توجه به هدف تعریف‌شده، مسیر مناسب را انتخاب کند. مستندات رسمی OpenAI نیز Agent را سیستمی توصیف می‌کند که می‌تواند از مدل زبانی برای مدیریت اجرای Workflow استفاده کند و از ابزارهای مختلف برای دریافت اطلاعات یا انجام اقدامات بهره ببرد. [لینک خارجی پیشنهادی: راهنمای رسمی OpenAI درباره AI Agents]

Guardrail و کنترل انسانی

استقلال بیشتر سیستم به معنی حذف کنترل انسانی نیست و اتفاقاً هرچه Agent قابلیت بیشتری داشته باشد، تعریف محدودیت‌ها اهمیت بیشتری پیدا می‌کند. برای همین، معماری پروژه امکان تعیین محدوده عملیات، سطح دسترسی، شرایط انتقال به انسان و قوانین اجرای اقدامات را در نظر می‌گرفت. برخی اقدامات می‌توانند کاملاً خودکار باشند و برخی دیگر تنها پس از تأیید کارشناس اجرا شوند. این رویکرد کمک می‌کند سیستم هوشمند در مسیر مشخص و قابل کنترل حرکت کند.

امنیت داده‌های فروش

اطلاعات فروش معمولاً شامل داده‌های تجاری، اطلاعات تماس، تاریخچه تعاملات و گاهی جزئیات حساس مشتریان است. بنابراین طراحی یک اتوماسیون هوشمند فروش بدون در نظر گرفتن امنیت داده، راهکار کاملی محسوب نمی‌شود. دسترسی به اطلاعات باید بر اساس نقش کاربران تعریف شود و هر Agent یا Workflow تنها به داده‌هایی دسترسی داشته باشد که برای انجام وظیفه خود نیاز دارد. همچنین ثبت رویدادها و بررسی فعالیت‌های سیستم می‌تواند به کنترل بهتر فرآیند کمک کند.

سطح دسترسی کاربران

کارشناس فروش، مدیر فروش و مدیر سازمان لزوماً به یک سطح از اطلاعات نیاز ندارند. بنابراین معماری سیستم باید بتواند دسترسی را بر اساس نقش و مسئولیت تنظیم کند و اطلاعات غیرضروری را در اختیار کاربران قرار ندهد. همین اصل در مورد Agentها نیز باید رعایت شود و هر Agent فقط ابزارها و داده‌های موردنیاز خود را دریافت کند. این تفکیک، یکی از پایه‌های مهم توسعه پایدار سیستم‌های هوشمند سازمانی است.

نظارت و ثبت رویدادها

برای سیستم‌هایی که در فرآیندهای تجاری فعالیت می‌کنند، مشاهده اینکه چه اتفاقی افتاده و چرا یک اقدام انجام شده اهمیت زیادی دارد. ثبت فعالیت‌ها، وضعیت Workflow و تغییرات داده می‌تواند به تیم فنی و مدیریتی کمک کند رفتار سیستم را بهتر بررسی کند. این اطلاعات همچنین در زمان عیب‌یابی یا اصلاح منطق اتوماسیون کاربرد خواهند داشت. به همین دلیل، قابلیت مشاهده و کنترل سیستم از ابتدا بخشی از طراحی در نظر گرفته شد.

نتیجه پروژه و ارزش ایجادشده

پروژه نُوا نشان داد که ارزش AI در فروش الزاماً از یک چت‌بات یا ابزار تولید متن به دست نمی‌آید. وقتی داده‌های CRM، رفتار کاربران، قواعد فروش و قابلیت‌های هوش مصنوعی در یک معماری منسجم قرار بگیرند، می‌توان فرآیند فروش را ساختاریافته‌تر و قابل اندازه‌گیری‌تر کرد. تیم فروش به جای بررسی یکسان همه لیدها، اطلاعات اولویت‌بندی‌شده‌تری دریافت می‌کند و می‌تواند زمان خود را بهتر مدیریت کند. از طرف دیگر، سازمان یک زیرساخت قابل توسعه در اختیار خواهد داشت که می‌تواند در مراحل بعدی به Agentهای پیشرفته‌تر متصل شود.

دستاوردهای معماری

مهم‌ترین خروجی پروژه، ساخت یک سیستم یکپارچه برای مدیریت جریان لید بود، نه صرفاً افزودن یک ابزار AI به فرآیند فروش. معماری ایجادشده امکان دریافت داده از منابع مختلف، تحلیل اطلاعات، امتیازدهی، ثبت در CRM و اجرای اقدامات بعدی را در یک مسیر مشخص فراهم می‌کرد. همچنین ساختار سیستم به شکلی طراحی شد که بتوان در آینده معیارهای جدید، ابزارهای بیشتر و Agentهای تخصصی‌تر به آن اضافه کرد. این قابلیت توسعه، سیستم را از یک پروژه کوتاه‌مدت به یک زیرساخت قابل رشد تبدیل می‌کند.

نقش نتانیک

نتانیک در این پروژه مسئله را از زاویه ترکیبی استراتژی، فناوری و تجربه کسب‌وکار بررسی کرد و تمرکز اصلی را روی ساخت یک سیستم قابل استفاده در عملیات واقعی قرار داد. طراحی معماری، منطق امتیازدهی، اتصال AI به CRM، تعریف Workflowها و مسیر توسعه Agent، بخش‌هایی از این رویکرد بودند. هدف، استفاده نمایشی از هوش مصنوعی نبود؛ بلکه فناوری باید مسئله مشخصی را در فرآیند فروش حل می‌کرد. این همان رویکردی است که نتانیک در طراحی راهکارهای هوشمند برای کسب‌وکارها دنبال می‌کند.

آینده اتوماسیون هوشمند فروش نوا

مرحله بعدی این پروژه می‌تواند توسعه Agentهای تخصصی برای بخش‌های مختلف فروش باشد. برای مثال، یک Agent می‌تواند مسئول تحلیل لیدها باشد، Agent دیگری اطلاعات موردنیاز کارشناسان را آماده کند و یک سیستم دیگر وظیفه پایش Pipeline و شناسایی نقاط نیازمند اقدام را بر عهده بگیرد. این ساختار در صورت طراحی صحیح می‌تواند بخشی از کارهای تکراری تیم فروش را مدیریت کند و در عین حال تصمیم‌های حساس را به انسان منتقل کند. مسیر توسعه باید بر اساس داده واقعی و نیاز عملیاتی سازمان ادامه پیدا کند، نه صرفاً اضافه کردن قابلیت‌های جدید به سیستم.

از لید تا رابطه

فروش هوشمند فقط درباره تبدیل یک فرم به یک معامله نیست و ارزش واقعی زمانی ایجاد می‌شود که تمام مسیر ارتباط با مشتری قابل درک باشد. داده‌های هر تعامل می‌توانند به شناخت بهتر نیازها، زمان‌بندی و زمینه تصمیم‌گیری مشتری کمک کنند. هوش مصنوعی می‌تواند این اطلاعات را در اختیار تیم قرار دهد تا ارتباطات دقیق‌تر و متناسب‌تری شکل بگیرد. در این نگاه، اتوماسیون فروش به جای تمرکز صرف بر سرعت، به ابزاری برای ساختن فرآیندهای منسجم‌تر و قابل توسعه تبدیل می‌شود.

جمع‌بندی

پروژه نُوا نمونه‌ای از طراحی اتوماسیون هوشمند فروش با تمرکز بر یکپارچه‌سازی داده، تحلیل AI، Lead Scoring و CRM است. در این معماری، هوش مصنوعی به جای قرار گرفتن در حاشیه فرآیند فروش، در بخش‌هایی وارد می‌شود که می‌تواند اطلاعات را بهتر تحلیل و اقدامات تکراری را ساختاریافته‌تر کند. در عین حال، تصمیم‌های حساس همچنان تحت کنترل تیم انسانی باقی می‌مانند و سیستم با محدودیت‌ها و سطوح دسترسی مشخص فعالیت می‌کند. نتیجه نهایی، یک زیرساخت قابل توسعه است که می‌تواند از مدیریت لید شروع شود و در آینده به سمت AI Agentهای تخصصی و اتوماسیون عمیق‌تر فرآیند فروش حرکت کند.