Grafos de conocimiento y LLM: Una guía práctica para la próxima frontera de las ventas B2B

Las ventas y el marketing son una de las áreas en las que la IA generativa y los grandes modelos de aprendizaje (LLM) tienen potencial para generar más valor. McKinsey estima que casi un billón de dólares de impacto anual sólo en estas funciones.

Del mismo modo, una encuesta realizada por Bain & Co. a líderes empresariales B2B destacó las ventas, el marketing y la atención al cliente como las áreas en las que los modelos fundacionales y la IA generativa tienen el mayor potencial. La investigación del BCG reveló que El 70% de los líderes de ventas planea invertir en IA Generativa.

Así pues, existe un amplio consenso sobre el impacto potencial en todas estas funciones. Pero, ¿cuáles son las implicaciones prácticas de la aplicación de estas tecnologías en las ventas B2B? ¿Cómo pueden las organizaciones combinar tecnologías punteras como los LLM y los gráficos de conocimiento para obtener mayores beneficios? ¿Y cuáles son algunos de los retos a los que se enfrentan las organizaciones al hacerlo?

Estas son algunas de las cuestiones que abordaremos en esta entrada del blog.

¿Cuál es la oportunidad para las ventas B2B?

Los equipos de ventas B2B tienen un trabajo duro. Suelen tratar con clientes complejos en entornos de ventas muy competitivos y deben conocer a fondo una amplia gama de productos y servicios. Con tantas cosas entre manos, es fundamental saber con qué clientes y clientes potenciales hablar, sobre qué y cuándo.

En la última década, los datos se han convertido en un elemento diferenciador clave para impulsar la eficiencia y el crecimiento de las ventas B2B. Por ejemplo, para identificar oportunidades de adquisición de nuevos clientes de alto valor o para captar clientes de forma proactiva en relación con determinados productos o servicios. Sin embargo, las soluciones basadas en datos suelen carecer de flexibilidad o velocidad: por ejemplo, la generación de alertas y oportunidades en tiempo real basadas en modelos estáticos predefinidos no ayuda a los equipos de ventas a reaccionar con rapidez ante los cambios del mercado, y las solicitudes ad hoc a los equipos de análisis pueden tardar días, semanas o incluso meses, momento en el que la oportunidad suele haber pasado.

Las nuevas tecnologías, como los LLM, ofrecen la oportunidad de un cambio de paradigma, en el que los equipos de ventas tienen a su alcance todos los datos y la información que necesitan para impulsar un compromiso proactivo y significativo.

Por ejemplo, un gestor de relaciones de banca comercial podría simplemente hacer algunas preguntas: "¿Quiénes son los proveedores más importantes de la industria de fabricación de automóviles en China? ¿Cuáles de ellos son ya clientes del banco?" o "¿Cuáles de mis clientes tienen más probabilidades de estar interesados en nuestra nueva aplicación de cambio de divisas? Genere un correo electrónico personalizado para cada cliente"- y reciba inmediatamente una respuesta.

O un gestor de cuentas de una empresa de telecomunicaciones podría preguntar: "¿Cuáles de mis clientes se han visto afectados por la reciente interrupción de la red en el sur de Londres? ¿A quién debo contactar primero?" o "¿Cuánto gasta el cliente ABC en infraestructura de red? ¿Cómo se compara con otras empresas similares?

Lo que hace cinco años podía parecer ciencia ficción, hoy es posible gracias a la tecnología más avanzada.

¿Qué son los LLM y los grafos de conocimiento? ¿Y por qué combinarlos?

Los grandes modelos lingüísticos son modelos de aprendizaje automático capaces de comprender y generar lenguaje humano y están preentrenados en grandes cantidades de datos. ChatGPT es un ejemplo de servicio de uso común impulsado por el GPT LLM de OpenAI.

Gráficos de conocimiento son una forma de almacenar datos que representan entidades del mundo real y las relaciones entre esas entidades. Los grafos de conocimiento pueden utilizarse para representar sistemas y acontecimientos complejos del mundo real, como estructuras de propiedad, cadenas de suministro e infraestructuras de red.

Por sí solos, los LLM son excelentes para responder a preguntas genéricas utilizando la ingente cantidad de información pública con la que han sido formados. Sin embargo, se necesitan conocimientos más específicos para aportar un valor real en un contexto comercial, incluidos los datos internos, de los que carecen los LLM. Por ejemplo, un LLM no podría responder a preguntas relacionadas con las existencias de productos o las interacciones de un cliente concreto, ya que no conoce esta información.

Los grafos de conocimiento pueden contener enormes cantidades de información útil y específica de un dominio, y proporcionan una base muy sólida para que los equipos de ciencia de datos desvelen perspectivas contextuales. Pueden ser difíciles de interpretar a escala por los usuarios empresariales debido al número de nodos y aristas, y a la complejidad de las relaciones. Por ejemplo, un grafo de conocimiento en banca comercial podría representar la base global de clientes de un banco y sus cadenas de suministroenriquecida con datos firmográficos y noticias de actualidad.

Los grafos de conocimiento también requieren una base de datos conectados de buena calidad para ofrecer un reflejo preciso de las relaciones del mundo real, que puede crearse mediante la resolución de entidades.

Combinar los LLM con los gráficos de conocimiento puede proporcionarle lo mejor de ambos mundos: una interfaz sencilla y de lenguaje natural potenciada por un amplio conjunto de datos contextuales, de dominio y específicos de la organización.

El hecho de basar los LLM en los datos del grafo de conocimiento no sólo reduce la probabilidad de alucinaciones, sino que permite rastrear los resultados hasta puntos de datos reales contenidos en el grafo de conocimiento. Esto es crucial para generar confianza entre los usuarios y para la auditabilidad de las aplicaciones comerciales.

Los gráficos de conocimiento también pueden contener datos recientes e incluso en tiempo real, mientras que muchos LLM sólo se han entrenado con datos hasta cierto punto. (Por ejemplo, GPT-4 Turbo tiene una fecha límite de abril de 2023.) Esto es esencial para las ventas B2B, en las que se necesita información actualizada sobre la organización y las personas con las que se está tratando; por ejemplo, información sobre clientes, existencias de productos, noticias o interacciones recientes.

¿Cuál es el valor empresarial?

Existen 4 áreas clave de valor que pueden desbloquear las ventas B2B con un LLM y un asistente basado en gráficos de conocimiento:

1. Crecimiento de los ingresos:

   • Acelere la generación de clientes potenciales. El acceso a información más rica a través de una interfaz conversacional permite a los equipos de ventas identificar más clientes potenciales a un ritmo más rápido.

   • Mejores tasas de conversión. Los equipos de ventas disponen de la información y los avisos adecuados para impulsar un compromiso personalizado y proactivo y ayudar a cerrar acuerdos.

2. Eficiencia:

   • Mayor productividad del equipo de ventas. Los equipos de ventas ya no necesitan perder tiempo sintetizando información dispar o solicitando datos a otros equipos.

   • Aumento de la productividad del equipo de análisis. Los equipos de análisis ahorran tiempo en la gestión de solicitudes ad hoc y pueden beneficiarse de una base de gráficos de conocimiento para el modelado.

3. Experiencia de clientes y empleados:

   • Mejora de la experiencia del cliente. Los clientes reciben un compromiso oportuno y relevante, sin investigaciones innecesarias por parte de los equipos de ventas.

   • Mejora de la experiencia de los empleados. Los equipos de ventas se centran en la estrategia de ventas y la captación de clientes y reciben formación sobre las últimas tecnologías.

4. Riesgo reducido:

   • Mejor identificación de riesgos. Los equipos de ventas pueden comprender mejor los riesgos asociados, así como las oportunidades; por ejemplo, las crisis crediticias en las cadenas de suministro o los vínculos con entidades sancionadas.
     

¿Cuáles son algunos de los retos prácticos?

IA y gobernanza responsables

Es fundamental contar con las barreras adecuadas en torno a cualquier aplicación de IA generativa. En las ventas B2B, suele haber un miembro del equipo de ventas que interpreta los resultados en lugar de que estos se muestren directamente a un cliente (como a través de un chatbot B2C), por lo que los riesgos de alucinaciones o de que se comparta información inapropiada se reducen en cierta medida. Sin embargo, sigue siendo fundamental asegurarse de que:

• se realizan pruebas robustas;

• se establezcan circuitos eficaces de moderación, supervisión y retroalimentación;

• seguridad, privacidad y controles de acceso;

• los usuarios conozcan las limitaciones del modelo.

Por ejemplo, Microsoft y Google ofrecen funciones muy útiles en este ámbito, Azure AI Seguridad de contenidos y Atributos de seguridad de la API Gemini.

Confianza, adopción y mejora de las competencias

Para garantizar que se aprovecha el valor potencial de estas tecnologías, los equipos de ventas deben saber cómo utilizarlas eficazmente y estar dispuestos a hacerlo. La clave aquí es garantizar que estos sistemas se diseñen con los equipos de ventas de una forma centrada en el usuario, para que participen en el proceso de desarrollo y la solución sea una de la que puedan obtener valor rápidamente. Proporcionar formación sobre cómo utilizar el sistema es fundamental, pero también lo es la formación sobre cómo funciona la IA generativa y las limitaciones que deben conocer los usuarios.

LLM públicos frente a LLM privados

Una cuestión con la que muchas organizaciones han estado lidiando es el uso de LLM públicos frente a privados, dadas las limitaciones a la hora de compartir datos confidenciales de la empresa con modelos públicos frente al coste y la eficacia de formar y alojar LLM privados. El aumento de Recuperación Generación aumentada (RAG) y los servicios cada vez más maduros y seguros de empresas como Microsoft y Google permiten ahora a más empresas combinar sus datos privados con los LLM públicos.

Innovación continua

Dado que se trata de un espacio que evoluciona tan rápidamente, es importante que las empresas mantengan un nivel de flexibilidad en su enfoque siempre que sea posible, para permitirles adoptar rápidamente y beneficiarse de las nuevas versiones de LLM a medida que se publiquen en el futuro. Esta flexibilidad requerirá una colaboración continua y estrecha entre los equipos de tecnología, datos y negocio para identificar, implementar y adoptar las últimas tecnologías de forma eficiente y eficaz.

Resumen

El potencial de los LLM y los gráficos de conocimiento para transformar las ventas B2B es evidente, y los beneficios serán significativos. Habrá algunos retos en las implantaciones, sobre todo en lo que respecta a la privacidad de los datos, la gobernanza y la adopción, pero una cosa está clara: quienes no actúen ahora corren el riesgo de quedarse atrás.