Conversation Intelligence

In questo case study raccontiamo il lavoro svolto con Superlayer — una moderna revenue platform per i team di vendita B2B — per progettare e sviluppare il modulo Conversation Intelligence. Il modulo permette ai clienti di Superlayer di ottimizzare i processi di vendita, capire meglio i clienti e ricavare insight preziosi dalle loro conversazioni di business.

Potenziare i team di vendita con l’AI

Superlayer voleva potenziare la propria piattaforma integrando un modulo di Conversation Intelligence. L’obiettivo era offrire ai team di vendita uno strumento per registrare, analizzare ed estrarre informazioni utili dalle sales call, così da capire meglio i clienti e migliorare l’efficienza commerciale.

Sfruttando i recenti progressi dell’AI nel natural language processing (NLP) e nel riconoscimento vocale, il modulo Conversation Intelligence punta ad analizzare ed estrarre in modo efficiente le informazioni utili dalle sales call. Grazie a una trascrizione speech-to-text accurata, a modelli di AI all’avanguardia e a un’interfaccia intuitiva che ne presenta i risultati, il nuovo modulo riduce i tempi di ramp-up dei nuovi membri del team e aumenta l’efficienza dei venditori più esperti.

Sfruttare i progressi dell’AI per gli insight sulle call

Il team di Superlayer ha collaborato con Buildo per progettare e sviluppare il modulo di Conversation Intelligence, integrandolo perfettamente nella piattaforma esistente. Il modulo registra le sales call, genera trascrizioni e sintesi e fornisce insight che permettono agli utenti di ricavare informazioni e analisi preziose dalle chiamate. Così i clienti di Superlayer possono valutare rapidamente lo stato di un deal e ottimizzare i processi di vendita, senza dover riguardare intere call o prendere appunti durante la riunione.

Applicando dei tag alle chiamate, i venditori possono filtrare e trovare rapidamente call simili all’interno del team, analizzandone esiti e strategie adottate. I manager, dal canto loro, accedono a una ricca serie di statistiche che permettono di monitorare le performance individuali, individuare le aree di crescita e offrire un mentoring mirato per far crescere i risultati del team.

Lavorare con i migliori strumenti e modelli di AI

Per sviluppare un modulo di Conversation Intelligence efficace per Superlayer, il nostro team ha condotto un’analisi approfondita delle soluzioni tecniche disponibili. Cercavamo la migliore combinazione di tecnologie capace di garantire una registrazione fluida delle riunioni, una trascrizione accurata e analytics ricchi di insight, mantenendo il tutto semplice da usare e affidabile.

Scoprire gli insight

Abbiamo valutato diversi modelli di AI per lo speech-to-text. Molti eccellevano con l’inglese, ma abbiamo notato che le performance calavano con le altre lingue. Ottenute le trascrizioni, abbiamo esplorato approcci diversi per generare sintesi utili, individuare i temi cruciali ed estrarre gli insight chiave da ogni call.

Architettura: una storia di integrazione e bootstrapping veloce

Quando un venditore si unisce a una call programmata con un cliente, l’intera sessione viene registrata. In modo asincrono, la chiamata viene archiviata in modo permanente e ne viene generata una trascrizione. Una volta pronta la trascrizione grezza, viene eseguita una trasformazione dei dati personalizzata per abilitare funzionalità avanzate come la timeline e il testo diarizzato. I risultati intermedi dell’intero processo diventano disponibili non appena il relativo sotto-task è completato, per un’esperienza utente rapida e fluida.

Insight sulle call con la tecnologia LLM

L’obiettivo principale di questa funzionalità è estrarre osservazioni utili che indichino se un cliente ha una solida propensione ad acquistare o provare un prodotto, oppure se emergono segnali contrari.

Per farlo, abbiamo adottato specifiche strategie di Prompt Engineering, tra cui:

• Definire chiaramente il dominio della trascrizione: specificare chi partecipa alla conversazione professionale.
• Strutturare il task: descrivere in modo formale e meticoloso il compito di interpretazione, spiegando anche le emozioni e il tono di voce che classificano un insight come positivo o negativo, al di là del contenuto oggettivo.
• Prevenire le informazioni false: per evitare insight errati, l’output viene limitato e il modello è indotto a verificare i propri risultati fornendo, per ogni insight, i riferimenti esatti alla trascrizione.
• Strutturare prompt e output con dei template: assicurarsi che il prompt in input e l’output prodotto siano ben strutturati. Ogni componente (trascrizione, descrizione dell’insight, titolo, riferimento o categorizzazione) è indicato con delimitatori specifici, così che sia prompt sia output possano essere elaborati in modo programmatico.

Poiché input e output dell’LLM non rientravano nel numero massimo di token disponibili del modello, abbiamo adottato un approccio a token window (segmentazione). Pur avendo lo svantaggio di richiedere più API call, questa strategia si è rivelata la più adatta ai requisiti della funzionalità.

Aumentare l’efficienza commerciale con la Conversation Intelligence

La collaborazione con Superlayer ha dato vita a un potente modulo di Conversation Intelligence, che permette ai team di vendita di capire meglio i clienti e ottimizzare i processi commerciali. La funzionalità aiuta i clienti di Superlayer a ridurre il tempo speso a riguardare le call e a lavorare in modo più efficiente, con tempi di ramp-up più rapidi e win rate più alti.