Graphes de connaissances et LLM : Un guide pratique de la nouvelle frontière de la vente B2B
Les grands modèles de langage (LLM) peuvent apporter une valeur ajoutée considérable aux équipes de vente B2B, mais pour obtenir les meilleurs résultats, ils doivent s'appuyer sur des données contextuelles réelles.
Les ventes et le marketing sont l'un des domaines où l'IA générative et les modèles d'apprentissage à grande échelle (LLM) ont le potentiel de générer le plus de valeur. McKinsey estime que un impact annuel de près de 1 000 milliards de dollars pour ces seules fonctions.
De même, une enquête menée par Bain & Co. auprès de dirigeants d'entreprises B2B a mis en évidence les ventes, le marketing et le support client comme étant les domaines dans lesquels les modèles fondateurs et l'IA générative ont le potentiel le plus élevé. L'étude du BCG a montré que 70% des leaders commerciaux prévoient d'investir dans l'IA générative.
Il existe donc un large consensus sur l'impact potentiel de ces fonctions. Mais quelles sont les implications pratiques de la mise en œuvre de ces technologies dans les ventes interentreprises ? Comment les entreprises peuvent-elles combiner des technologies de pointe telles que les LLM et les graphes de connaissances pour en tirer encore plus d'avantages ? Et quels sont les défis auxquels les entreprises sont confrontées à cet égard ?
Ce sont là quelques-unes des questions que nous allons aborder dans ce billet de blog.
Quelle est l'opportunité pour les ventes B2B ?
Les équipes de vente B2B n'ont pas la tâche facile. Elles traitent généralement avec des clients complexes dans des environnements de vente très concurrentiels et doivent avoir une connaissance approfondie d'une large gamme de produits et de services. Avec une telle charge de travail, il est essentiel de savoir à quels clients et prospects s'adresser, à quel sujet et à quel moment.
Depuis une dizaine d'années, les données sont devenues un élément clé de différenciation pour stimuler l'efficacité et la croissance des ventes interentreprises. Par exemple, pour identifier les opportunités d'acquisition de nouveaux clients à forte valeur ajoutée, ou pour engager de manière proactive les clients sur certains produits ou services. Par exemple, la génération d'alertes et de pistes en temps réel sur la base de modèles statiques prédéfinis n'aide pas les équipes de vente à réagir rapidement aux changements du marché, et les demandes ad hoc adressées aux équipes d'analyse peuvent prendre des jours, des semaines, voire des mois, alors que l'opportunité s'est souvent envolée.
Les nouvelles technologies telles que les LLM offrent la possibilité d'un changement de paradigme, où les équipes de vente disposent de toutes les données et informations dont elles ont besoin pour conduire un engagement proactif et significatif.
Par exemple, un responsable des relations avec les banques commerciales pourrait simplement poser quelques questions : "Quels sont les principaux fournisseurs de l'industrie automobile en Chine ? Lesquels sont déjà clients de la banque ?" ou "Lesquels de mes clients sont les plus susceptibles d'être intéressés par notre nouvelle application de change ? Générer un courriel personnalisé pour chaque client" - et recevoir immédiatement une réponse.
Un gestionnaire de compte Telco peut aussi demander : "Quels sont mes clients qui ont été touchés par la récente panne de réseau dans le sud de Londres ? Qui dois-je contacter en premier ?" ou "Combien le client ABC dépense-t-il en infrastructure de réseau ? Comment ce chiffre se compare-t-il à celui d'autres entreprises similaires ?
Ce qui relevait de la science-fiction il y a encore cinq ans est aujourd'hui possible grâce aux technologies les plus récentes.
Que sont les LLM et les graphes de connaissances ? Et pourquoi les combiner ?
Les grands modèles de langage sont des modèles d'apprentissage automatique capables de comprendre et de générer du langage humain et qui sont pré-entraînés sur de grandes quantités de données. ChatGPT est un exemple de service couramment utilisé, alimenté par le LLM GPT d'OpenAI.
Graphiques de connaissances sont un moyen de stocker des données qui représentent des entités du monde réel et les relations entre ces entités. Les graphes de connaissances peuvent être utilisés pour représenter des systèmes et des événements complexes du monde réel, tels que les structures de propriété, les chaînes d'approvisionnement et les infrastructures de réseau.
En soi, les LLM sont excellents pour répondre à des questions génériques en utilisant les vastes quantités d'informations accessibles au public sur lesquelles ils ont été formés. Cependant, des connaissances plus spécifiques sont nécessaires pour apporter une réelle valeur ajoutée dans un contexte commercial - y compris vos données internes, qui font défaut aux gestionnaires de droits d'auteur. Par exemple, un LLM ne serait pas en mesure de répondre à des questions relatives aux stocks de produits d'un client particulier ou à ses interactions, car il ne connaît pas ces informations.
Les graphes de connaissances peuvent contenir d'énormes quantités d'informations utiles et spécifiques à un domaine et constituent une base très solide pour permettre aux équipes chargées de la science des données d'obtenir des informations contextuelles. Ils peuvent être difficiles à interpréter à grande échelle par les utilisateurs professionnels en raison du nombre de nœuds et d'arêtes et de la complexité des relations. Par exemple, un graphe de connaissances dans le domaine de la banque commerciale peut représenter la base de clientèle mondiale d'une banque et ses clients. chaînes d'approvisionnementenrichie de détails firmographiques et d'événements d'actualité.
Les graphes de connaissances nécessitent également une base de données connectées de bonne qualité pour fournir un reflet précis des relations du monde réel, qui peuvent être créées par la résolution d'entités.
La combinaison des LLM et des graphes de connaissances peut vous offrir le meilleur des deux mondes - une interface simple en langage naturel alimentée par un large ensemble de données contextuelles, spécifiques au domaine et à l'organisation.
L'ancrage des LLM dans les données du graphe de connaissances réduit non seulement la probabilité d'hallucinations, mais permet également la traçabilité des résultats aux points de données réels contenus dans le graphe de connaissances. Cet aspect est crucial pour instaurer la confiance avec les utilisateurs et la vérifiabilité pour les applications commerciales.
Les graphiques de connaissances peuvent également contenir des données récentes, voire en temps réel, alors que de nombreux LLM n'ont été formés que sur des données allant jusqu'à un certain point (par exemple, GPT-4 Turbo a une date limite d'avril 2023). (Ceci est essentiel pour les ventes B2B, où vous avez besoin d'informations actualisées sur l'organisation et les personnes avec lesquelles vous traitez - par exemple, des informations sur les clients, les stocks de produits, les nouvelles ou les interactions récentes.
Quelle est la valeur commerciale ?
Il y a 4 domaines clés de valeur que l'utilisation d'un LLM et d'un assistant alimenté par un graphe de connaissances peut débloquer pour les ventes B2B :
Croissance du chiffre d'affaires :
Accélérer la génération de leads. L'accès à des informations plus riches via une interface conversationnelle permet aux équipes de vente d'identifier plus de prospects à un rythme plus rapide.
Amélioration des taux de conversion. Les équipes de vente disposent des bonnes informations et des bons messages-guides pour susciter un engagement personnalisé et proactif et aider à conclure des affaires.
Efficacité :
Augmentation de la productivité des équipes de vente. Les équipes de vente n'ont plus besoin de passer du temps à synthétiser des informations disparates ou à demander des données à d'autres équipes.
Augmentation de la productivité de l'équipe d'analyse. Les équipes d'analyse gagnent du temps en traitant des demandes ad hoc et peuvent bénéficier d'une base de graphe de connaissances pour la modélisation.
Expérience des clients et des employés :
Amélioration de l'expérience client. Les clients bénéficient d'un engagement opportun et pertinent, sans que les équipes de vente n'aient à se renseigner inutilement.
Amélioration de l'expérience des employés. Les équipes de vente se concentrent sur la stratégie de vente et l'engagement des clients et sont formées aux dernières technologies.
Risque réduit :
Amélioration de l'identification des risques. Les équipes de vente peuvent mieux comprendre les risques associés ainsi que les opportunités - par exemple, les chocs de crédit dans les chaînes d'approvisionnement ou les liens avec des entités sanctionnées.
Quels sont les défis pratiques à relever ?
IA et gouvernance responsables
Il est essentiel de mettre en place les bons garde-fous autour de toute application de l'IA générative. Dans les ventes B2B, c'est généralement un membre de l'équipe de vente qui interprète les résultats plutôt que de les présenter directement à un client (comme via un chatbot B2C), de sorte que les risques d'hallucinations ou de partage d'informations inappropriées sont quelque peu réduits. Cependant, il est toujours essentiel de s'assurer que :
des tests robustes sont effectués ;
une modération, un suivi et des boucles de rétroaction efficaces sont en place ;
la sécurité, la protection de la vie privée et les contrôles d'accès sont intégrés ;
les utilisateurs soient conscients des limites du modèle.
Microsoft et Google proposent tous deux des fonctionnalités utiles dans ce domaine, par exemple, Sécurité du contenu Azure AI et Attributs de sécurité de l'API Gemini.
Confiance, adoption et amélioration des compétences
Pour que la valeur potentielle de ces technologies se concrétise, les équipes de vente doivent savoir comment les utiliser efficacement et être disposées à le faire. La clé est de s'assurer que ces systèmes sont conçus avec les équipes de vente d'une manière centrée sur l'utilisateur, afin qu'elles soient impliquées dans le processus de développement et que la solution soit une solution dont elles peuvent rapidement tirer profit. La formation à l'utilisation du système est essentielle, tout comme la formation au fonctionnement de l'IA générative et aux limites dont les utilisateurs doivent être conscients.
LLM publics ou privés
De nombreuses organisations ont été confrontées à la question de l'utilisation de LLM publics ou privés, compte tenu des limites du partage des données confidentielles de l'entreprise avec des modèles publics par rapport au coût et à l'efficacité de la formation et de l'hébergement de LLM privés. L'essor des Récupération Génération augmentée (RAG) et les services plus matures et plus sûrs proposés par des entreprises comme Microsoft et Google permettent désormais à un plus grand nombre d'entreprises de combiner leurs données privées avec des LLM publics.
Innovation continue
Étant donné que cet espace évolue très rapidement, il est important que les entreprises conservent, dans la mesure du possible, un certain niveau de flexibilité dans leur approche, afin de leur permettre d'adopter rapidement les nouvelles versions des LLM et d'en tirer profit au fur et à mesure de leur publication à l'avenir. Cette flexibilité nécessitera une collaboration étroite et continue entre les équipes chargées de la technologie, des données et de l'entreprise afin d'identifier, de mettre en œuvre et d'adopter les dernières technologies de manière efficace et efficiente.
Résumé
Le potentiel des LLM et des graphes de connaissances pour transformer les ventes B2B est évident, et les avantages seront significatifs. La mise en œuvre posera quelques problèmes, notamment en ce qui concerne la confidentialité des données, la gouvernance et l'adoption, mais une chose est sûre : ceux qui n'agissent pas maintenant risquent d'être laissés pour compte.
Loading...