چگونه شخصی سازی نماینده تجربه مشتری را دوباره تعریف می کند

مشتریان امروزی بیش از یک صفحه اصلی یا پیشنهاد شخصی انتظار دارند: آنها یک همراه هوشمند می خواهند. وقتی یک برنامه را باز می‌کنند یا یک چت را شروع می‌کنند، می‌خواهند برند آن را بفهمد چرا آنها اینجا هستند تا فورا به آنها کمک کنند.

در Salesforce، ما بیش از حد بر روی زمان واقعی متمرکز هستیم شخصی سازی: گرفتن سیگنال های رفتاری در حین وقوع. اما با تکامل رفتار مشتری، سرعت به تنهایی کافی نیست.

به زبان ساده، شخصی‌سازی سنتی پاسخگو است، شخصی‌سازی مدرن تعاملی است.

تعامل ایده اصلی پشت شخصی‌سازی عاملی است، جایی که هر تجربه احساس می‌کند پاسخگو، مکالمه و هدف محور است. این وبلاگ به چگونگی توسعه آن می پردازد.

شخصی‌سازی نماینده از «زمان واقعی» به هم‌اکنون در حال حرکت است

Salesforce Personalization اکنون تجربیاتی را در زمان واقعی ارائه می دهد که توسط سیگنال های رفتاری هدایت می شوند: همانطور که مشتریان در حال مرور، جستجو و تعامل هستند، فورا واکنش نشان دهید. اما مرحله بعدی این است همین الان شخصی سازی که در آن هوش فقط رفتار را دنبال نمی کند، بلکه آن را پیش بینی می کند.

با شخصی‌سازی بی‌درنگ سنتی، هر عمل – کلیک، جستجو، پیمایش – تجربه وب‌سایت بعدی مناسبی را ایجاد می‌کند. با شخصی سازی عاملهمین سیگنال ها در زمینه تفسیر می شوند. سیستم می فهمد چرا مشتری عمل می کند، نه فقط چی آنها مرحله بعدی را از طریق پاسخ مکالمه می سازند و شکل می دهند.

به عنوان مثال، اگر خریدار برای «ایده‌های سالگرد زیر 1000 دلار» درخواست کند، نماینده از هدف ترکیبی – هدیه، مناسبت و بودجه – برای شروع یک تبادل تعاملی استفاده می‌کند. این گزینه‌های معنی‌دار را توصیه می‌کند و تبلیغات را برجسته می‌کند، و به خریدار اجازه می‌دهد تا انتخاب‌های خود را از طریق گفتگوی طبیعی اصلاح کند.

Intent ارز جدید شخصی سازی نماینده است

هسته اصلی شخصی سازی عاملی یک است هوش لایه ای که درک زبان را به علم توصیه پیوند می دهد.

الف مدل زبان بزرگ (LLM) ابتدا آنچه را که مشتری در زمان واقعی بیان می‌کند تفسیر می‌کند، هدف را از مکالمه طبیعی استخراج می‌کند. وقتی کاربر می گوید “در جستجوی یک هدیه سالگرد”، “برای سفر ماجراجویی بعدی خود به چکمه های کوهنوردی نیاز دارم”، یا “قهوه ساز من برای خانواده من خیلی کوچک است.” LLM این مکالمه را به یک گفتگوی ساخت یافته ترجمه می کند قصد مانند مثال “خرید هدیه”، “تجهیزات فضای باز”، یا “تعویض محصول”.

“شروع سرد” به چالش تفسیر یک هدف جدید اشاره دارد که مدل هنوز آن را نیاموخته است، و سیستم را مجبور می کند که به جای الگوهای یادگیری خاص، بر تعمیم معنایی تکیه کند.

در سناریوهای شروع سرد یا قصد جدید، مدل معنایی بلافاصله برای درک معنای پشت یک پرس و جو فعال می شود. موارد یا محتوای مرتبط را بر اساس زمینه و زبان پیدا می‌کند، نه کلیک‌های گذشته، بنابراین حتی اولین تعامل‌ها نیز مرتبط هستند. این به سیستم اجازه می‌دهد تا فوراً توصیه‌های مربوطه را ارائه کند، حتی برای مقاصدی که قبلاً با آن مواجه نشده بود.

همانطور که تعامل رشد می کند، این تعاملات مبتنی بر قصد وارد می شوند آموزش عمیق برای توصیه های شخصی (DLPR) یادگیری، غنی سازی آن با درک زمینه ای.

با گذشت زمان، DLPR یاد می‌گیرد که مقاصد خاص را به الگوهایی که باعث ایجاد تعامل و تبدیل می‌شوند وصل کند – ایجاد یک چرخه یادگیری مداوم بین مکالمه، قصد و توصیه.

DLPR از شبکه‌های عصبی چندلایه برای تجزیه و تحلیل تعاملات و زمینه پیچیده کاربر استفاده می‌کند و به سیستم اجازه می‌دهد تا به صورت پویا مرتبط‌ترین محتوا را برای هر فرد رتبه‌بندی و پیش‌بینی کند.

نمونه ای از یک جریان یادگیری توصیه مبتنی بر قصد

چرا فقط از LLM استفاده نمی کنید؟

مدل‌های زبان بزرگ (LLM) در درک و تولید زبان طبیعی برتری دارند. آنها امروز لایه استخراج قصد شخصی سازی عامل را فعال می کنند. هنگامی که مشتری چیزی مانند “این قهوه ساز برای خانواده من خیلی کوچک است” می نویسد یا می گوید، LLM می تواند آن را به عنوان یک عبارت مرتبط با محصول شناسایی کند که به عنوان نقطه شروعی برای پاسخ ها یا توصیه های شخصی عمل می کند.

با این حال، LLM ها – حتی زمانی که با Retrieval-Augmented Generation (RAG) جفت شوند – کلی هستند. آنها می توانند اطلاعات محصول را بازیابی و ترجمه کنند، اما اساساً کاتالوگ، قیمت، در دسترس بودن یا اهداف بهینه سازی برند را نمی دانند.
در نتیجه، آنها ممکن است پاسخ‌های روانی بدهند که درست به نظر می‌رسند، اما زمینه کسب‌وکار را از دست می‌دهند.

بیایید به چند نمونه از محدودیت‌های فعلی و اینکه چگونه توصیه‌های مبتنی بر قصد در Salesforce Personalization، هوش محاوره‌ای متنی را اضافه می‌کنند، نگاهی بیاندازیم:

شخصی‌سازی نیروی فروش از هدف و محدودیت‌های مشتق شده (مانند مناسبت و بودجه) برای ایجاد توصیه‌های متنی استفاده می‌کند که فراتر از پاسخ‌های مبتنی بر رفتار در زمان واقعی و سنتی با ترکیب آنچه مشتری در لحظه بیان می‌کند و اطمینان از مرتبط بودن، در دسترس بودن و همسو بودن نتایج با اهداف تجاری است.

• خدمات
  مشتری می گوید: این قهوه ساز برای خانواده من خیلی کوچک است.
  یک LLM عمومی می‌تواند دستورالعمل‌های تمیز کردن یا گارانتی را بازیابی کند زیرا با «ماشین قهوه» و «مشکل» مطابقت دارد.

  شخصی‌سازی نیروی فروش می‌تواند از قصد تفسیر شده برای استنباط توصیه‌هایی برای محصولات یا گزینه‌های خدمات مرتبط استفاده کند، و با بلوغ استدلال قصد، این عبارات به طور فزاینده‌ای پیشنهادهای جایگزین یا ارتقای دقیق‌تری را ارائه می‌کنند که با نیازهای مشتری همسو می‌شوند.

• سفر کنید
  کاربر می نویسد “به دنبال یک گریز سریع از کوه.”
  RAG می تواند مقالات مقصد را بازیابی کند. Salesforce Personalization می‌تواند از سیگنال مکالمه برای ایجاد هدف (اقامت کوتاه، ماجراجویی)، ایجاد توصیه‌هایی متناسب با موجودی زنده و داده‌های وفاداری استفاده کند.

LLM ها زبان را می فهمند. سفارشی سازی عامل از زمینه آگاه است

Agentic Personalization هوش محاوره ای از LLM را با مدل های معنایی برای پوشش شروع سرد و مدل های DLPR برای بهینه سازی ترکیب می کند.
این ارکستراسیون تضمین می کند که هر خروجی نه تنها از نظر زبانی قابل درک است، بلکه از نظر متنی مرتبط، ایمن برای برند و درآمد پسند است.

هوش مبتنی بر هدف در حال تغییر نحوه عملکرد شخصی سازی است. با ترکیب سیگنال‌های مکالمه با درک معنایی و مدل‌های بهینه‌سازی، Salesforce Personalization می‌تواند فراتر از پاسخگویی به رفتار حرکت کند و شروع به پاسخ دادن به آنچه مشتریان در لحظه بیان می‌کنند، باشد.

همانطور که هوش مصنوعی، داده ها و تجربه در کنار هم قرار می گیرند، برندهایی که پیشرو هستند، آنهایی هستند که قصد را همانطور که بیان می شود – از طریق جستجوها، گفتگوها و تعاملات – تشخیص می دهند و از این درک برای هدایت هر لحظه با محتوای متنی استفاده می کنند.

آینده شخصی‌سازی متعلق به تجربیاتی است که قصد را درک می‌کنند و هر لحظه را به خاطر آن بالا می‌برند.