کیفیت، انطباق و محرمانگی: عدم ارائه اطلاعات نادرست

سود:

• توانایی ایجاد مرزهای ایمن که خطر اطلاعات نادرست در مورد مسائل مربوط به قیمت، تعهد و سیاست را کاهش می دهد
• امکان طراحی دستورات و فرآیندهای ایمن که از داده های شخصی مشتری محافظت می کند (مطابق با KVKK)
• توانایی ایجاد یک چرخه تضمین کیفیت (QA) که شامل تایید انسانی و ممیزی است

هوش مصنوعی مشتری (AI) هم یک فرصت بزرگ و هم یک ریسک بزرگ برای یک تجارت است. یک اشتباه در یک نسخه بازاریابی را می توان اصلاح کرد. اما قیمت اشتباهی که به مشتری داده می شود، اطلاعات خط مشی اشتباه یا قولی که نمی توان به آن عمل کرد به معنای از دست دادن مستقیم اعتماد، آسیب مالی و مشکلات قانونی است. دفاع "ربات به من گفت" شما را نجات نخواهد داد. مسئولیت این شرکت در قبال مشتری است.

در این بخش نهایی، ما چارچوبی می‌سازیم که همه چیزهایی را که در 11 واحد قبلی آموخته‌اید، ایمن می‌کند. بر سه پایه استوار است: دقت (عدم ارائه اطلاعات نادرست)، حریم خصوصی (حفاظت از داده های شخصی) و کنترل (رضایت انسانی). این سه کمربند ایمنی هستند که هوش مصنوعی را از یک منبع خطر به یک ابزار تجاری قابل اعتماد تبدیل می کند.

توجه: این واحد یک چارچوب کلی ارائه می دهد. مقررات صنعت خودتان (حقوق مصرف کننده، KVKK، قوانین پیام تجاری) ممکن است تعهدات اضافی را تحمیل کند. مسئولیت نهایی مطابقت با موسسه شما است.

سه ریسک، سه ستون

• اطلاعات غلط (توهم): مدل قیمت/سیاست/تعهد را اختراع می کند. ستون: منبع تایید شده + تایید انسانی.
• نقض حریم خصوصی: اطلاعات شخصی مشتری (نام، شماره تلفن، شناسه، پرداخت) وارد ابزار ناامن می شود. ستون: پوشش + وسیله نقلیه تایید شده (انطباق با KVKK).
• فراتر از اختیارات: ربات/نماینده قول می دهد که نمی تواند آن را تحویل دهد (تخفیف، تاریخ دقیق، تضمین). ستون: صلاحیت روشن + نرده محافظ.

هر جریان هوش مصنوعی با مشتری باید این سه خطر را به طور همزمان مدیریت کند.

اجتناب از اطلاعات نادرست: لایه دقت

قانون طلایی دقت: اطلاعات مهم (قیمت، سیاست، تعهد) از یک منبع تایید شده (واحد RAG را به خاطر بسپارید)، نه از حفظ مدل، و زمانی که مطمئن نیستید، مدل ساکت می‌ماند و تحویل داده می‌شود. اصل "ایمن یا انتقال" اطلاعات نادرست را در منبع قطع می کند.

گام به گام: چرخه کیفیت ایمن (QA)

1. طبقه بندی بر اساس ریسک آیا پاسخ کم ریسک (اطلاعات عمومی) است یا ریسک بالا (قیمت، تعهد، مبلغ بازپرداخت)؟
2. درب انسانی را در معرض خطر بالا قرار دهید. این پاسخ ها قبل از ارسال نیاز به تایید انسانی دارند.
3. اتصال به منبع اطلاعات مهم باید بر اساس یک سند تایید شده باشد و نه ساختگی.
4. داده های شخصی را پنهان کنید اگر لازم نیست وارد نشوید. در صورت لزوم ناشناس کنید.
5. با نمونه برداری بررسی کنید. برخی از پاسخ های خودکار به طور منظم توسط انسان بررسی می شوند.
6. بازخورد. جمع آوری خطاها و به روز رسانی درخواست ها و گاردریل.

درخواست های قابل کپی

قبل از ارسال پاسخ، درخواست کنید که خطرات را بررسی کند:

این پاسخ مشتری را قبل از ارسال بررسی و علامت گذاری کنید: - آیا قیمت، نرخ یا مبلغ تأیید نشده ای وجود دارد؟- آیا ادعای خط مشی/قانون منشأ آن است یا ممکن است ساخته شود؟- آیا تعهداتی (تاریخ دقیق، ضمانت، تخفیف) بیش از حد مجاز است؟- آیا داده های شخصی (نام، تلفن، شناسه، آدرس، پرداخت) غیرضروری گنجانده شده است؟ هر یافته را با یک برچسب "ریسک بالا/متوسط/کم" و یک پیشنهاد برای اصلاح فهرست کنید. پاسخ: {{ پاسخ }}

پوشاندن سریع اطلاعات شخصی (قبل از ورود به خودرو):

اطلاعات شخصی را در متن زیر پنهان کنید: نام-نام خانوادگی -> [NAME]، تلفن-> [تلفن]، ایمیل -> [ایمیل]، TR/ID -> [ID]، آدرس -> [ADDRESS]، کارت/پرداخت -> [پرداخت]. معنی و جزئیات فنی مشکل را حفظ کنید. متن: {{ متن }}

اخطار گاردریل که مسائل پرخطر را متوجه انسان می کند:

هرگز به تنهایی به این مسائل پاسخ ندهید. به جای آن بگویید "من این را به یک نماینده منتقل می کنم": قیمت دقیق/تخفیف، اختلاف مبلغ قرارداد/بازپرداخت، مشاوره حقوقی/پزشکی/مالی، تغییر داده های شخصی، امنیت/ظن کلاهبرداری. شما می توانید به سوالات دانش عمومی خارج از این لیست پاسخ دهید.

درخواست نمونه گیری برای ممیزی کیفیت منظم (QA):

در زیر 10 پاسخ تصادفی از آخرین پاسخ های X آمده است. برای هر کدام، این موارد را ارزیابی کنید: دقت (آیا مناسب منبع است)، لحن (آیا همدلانه/مناسب است)، ارتباط (آیا سوء استفاده یا نشت داده های شخصی وجود دارد). موضوعات مشکل ساز را به ترتیب اهمیت رتبه بندی کنید و الگوی خطای تکرار شونده را در یک جمله خلاصه کنید (مثلاً "او مدام ضرب الاجل تعیین می کند"). پاسخ ها: {{ مثال }}

رویکرد ضعیف / رویکرد قوی

رویکرد ضعیف

رویکرد قوی

همه پاسخ ها را بدون تایید ارسال کنید

دروازه تایید انسانی برای ریسک بالا

تطبیق قیمت/خط مشی با مدل

لینک به منبع تایید شده

وارد کردن اطلاعات شخصی به وسیله نقلیه همانطور که هست

ماسک بپوشید و با تایید رانندگی کنید

رفع یک به یک خطاها در صورت وقوع

بستن علت اصلی با ممیزی + بازخورد

تفاوت در این است که رویکرد قوی سیستمی را ایجاد می کند که "از خطا قبل از وقوع جلوگیری می کند" نه "در صورت وقوع آن را رفع می کند".

سه کیف کوچک

مورد 1 - مبلغ بازپرداخت ساخته شده. یک ربات گفت: "هنگامی که محصول خود را برگردانید، 850 لیر برگردانده خواهید شد". در حالی که مقدار واقعی متفاوت بود و ربات نمی توانست آن را بداند. درخواست غربالگری ریسک چنین خروجی "مقدار تایید نشده" را در آزمایش های قبلی شناسایی کرده بود. تیم تمام پاسخ های حاوی مقادیر را به دروازه تایید انسانی متصل کرد. یک رقم بازپرداخت نادرست دیگر هرگز برای مشتری ارسال نشد.

مورد 2 - پوشاندن حریم خصوصی محافظت شده. یک نماینده می خواست یک شکایت طولانی را که شامل نام، تلفن و اطلاعات سفارش مشتری بود، خلاصه کند. او ابتدا دستور پوشاندن را اجرا کرد. فیلدهای شخصی به برچسب‌های [NAME]، [PHONE] تبدیل شدند. خلاصه با همان کیفیت بود، اما هیچ داده شخصی غیر ضروری به ابزار وارد نشد. یک جریان امن از نظر KVKK ایجاد شده است.

مورد 3 - حسابرسی علت اصلی را پیدا کرد. در نمونه گیری ماهانه QA، هوش مصنوعی یک الگوی تکرارشونده را انتخاب کرد: ربات پرسید "چه زمانی می رسد؟" مدام در سرش برای سوالاتش ضرب الاجل تعیین می کرد. این یک خطای منفرد نبود بلکه یک علت اصلی بود. این تیم موضوع تاریخ تحویل را به گاردریل اضافه کرد و قانون "فقط انتقال تاریخ در سیستم، در غیر این صورت انتقال" را ایجاد کرد. یک اصلاح واحد از ده ها خطا در آینده جلوگیری کرد.

نکته: لیست "خطر بالا" را کوتاه و واضح نگه دارید. اما باید شامل: پول (قیمت، بازگشت، تخفیف)، زمان (تعهد تحویل دقیق)، استثنائات سیاست و تغییر داده های شخصی باشد. این چهار حوزه جایی هستند که بیشترین و پرهزینه ترین خطاها در هوش مصنوعی تماس با مشتری رخ می دهد.

مسئولیت کجا متوقف می شود؟

مهمترین اصل آخر است: هوش مصنوعی یک ضرب کننده سرعت و کیفیت است، نه یک مسئولیت. هر قول، هر قیمت، هر تعهدی که به مشتری داده می شود، شرکت را از نظر قانونی و تجاری متعهد می کند. به همین دلیل هوش مصنوعی به جای «تصمیم گیری» در موقعیت «تولید پیش نویس و انتقال اطلاعات» قرار دارد. در تصمیم گیری های حیاتی، تایید انسان یک تجمل نیست بلکه یک ضرورت است. در یک سیستم به خوبی تثبیت شده، هوش مصنوعی 90٪ کارهای روزمره را انجام می دهد، انسان 10٪ تصمیمات مهم را می گیرد و تمام مسئولیت را بر عهده دارد.

احتیاط: این ایده که "وقتی مدل به اندازه کافی توسعه یابد، نیازی به نظارت انسانی نیست" خطرناک است. مهم نیست که چقدر مدل خوب است، ممکن است گاهی اوقات یک لحن با اعتماد به نفس کاذب تولید کند. و در تجارت ارتباط با مشتری، تنها چیزی که لازم است یک قیمت یا تعهد اشتباه است. دروازه انسان به سوی تایید فدای سرعت نیست، بلکه بهای اعتماد است.

اشتباهات رایج

• ارسال پاسخ های پرخطر (قیمت، تعهد، بازده) بدون تایید انسانی.
• عدم نسبت دادن اطلاعات مهم به منبع تایید شده و تکیه بر حفظ مدل.
• ورود به خودروی ناامن بدون پوشاندن اطلاعات شخصی (نقض KVKK).
• عدم تعریف Guardrail (فهرست موضوعات پرخطر).
• رفع یک به یک خطاها و نادیده گرفتن به روز رسانی علت اصلی (اعلان/قانون).
• فکر می کنید که مسئولیت را بر عهده هوش مصنوعی یا ارائه دهنده ابزار می گذارد.

به طور خلاصه

• هوش مصنوعی تماس با مشتری باید سه خطر را به طور همزمان مدیریت کند: اطلاعات نادرست، نقض حریم خصوصی، مجوز بیش از حد.
• برای دقت: اطلاعات حیاتی را به منبع تأیید شده پیوند دهید، وقتی مطمئن نیستید به آنها واگذار کنید.
• برای حفظ حریم خصوصی: اطلاعات شخصی را پنهان کنید، فقط از وسایل نقلیه تایید شده و ایمن (KVKK) استفاده کنید.
• مسائل پرمخاطره (پول، زمان، سیاست، داده های شخصی) را به دروازه تایید انسانی متصل کنید.
• خطاها را با نمونه برداری بررسی کنید و علت اصلی را ببندید. مسئولیت نهایی همیشه بر عهده انسان است.

وظیفه کاربردی

یک «مجموعه امنیتی» برای جریان تماس با مشتری خود تهیه کنید: (1) یک لیست محافظ از موضوعات پرخطر بنویسید (حداقل پول، زمان، خط مشی، داده های شخصی)، (2) یک نمونه پاسخ مشتری را از طریق درخواست غربالگری ریسک اجرا کنید و یافته ها را برچسب گذاری کنید، (3) یک متن حاوی داده های شخصی را با یک پاسخ پنهان کننده پاک کنید، (4) چک ها، جایی که خطاها ثبت می شوند). در نهایت، انواع تصمیماتی را که هرگز بدون تایید انسان انجام نمی‌شوند، فهرست کنید.

چک لیست

• [ ] من یک لیست نرده محافظ برای موضوعات پرخطر تعریف کرده ام.
• [ ] من اطلاعات مهم را به منبع تایید شده پیوند داده ام.
• [ ] من اطلاعات شخصی را پنهان کردم و فقط از وسایل نقلیه تایید شده استفاده کردم.
• [ ] من یک دروازه تایید انسانی روی پاسخ های پرخطر قرار دادم.
• [ ] من حلقه نمونه گیری منظم و بازخورد QA را ایجاد کرده ام.
• [ ] من در این پروسه روشن کردم که مسئولیت نهایی بر عهده انسان است.

امتحان ماژول

1. مهمترین عنصر هنگام نوشتن یک درخواست سیستم برای چت بات پشتیبانی مشتری چیست؟

• الف) نقش، محدوده، مرزهای ربات و واگذاری آن به انسان در زمانی که ربات آن را نمی داند به وضوح تعریف کنید.
• ب) الزام ربات به ارائه پاسخ به هر سوال ممکن
• ج) کوتاه نگه داشتن سیستم تا حد امکان و عدم ارائه جزئیات
• د) طنز و دوستانه ساختن ربات در همه شرایط

توضیح: نقش ربات، دامنه و به ویژه محدودیت های آن (آنچه که نمی تواند انجام دهد، چه زمانی به دست انسان می رسد) باید به وضوح مشخص شود. در غیر این صورت، ربات ممکن است تعهدات غیرمجاز داشته باشد یا اطلاعات نادرستی در مورد موضوعی که نمی داند تولید کند.

2. بهترین راه برای به دست آوردن نتایج ثابت و خودکار هنگام طبقه بندی بلیط ها با هوش مصنوعی چیست؟

• الف) خلاصه کردن هر درخواست به صورت متن آزاد، بدون فرمت تحمیلی
• ب) ارائه دسته های از پیش تعریف شده، سطوح فوریت ثابت و فرمت خروجی غیرقابل تغییر ✔
• ج) لیست دسته ها را به مدل بسپارید و بگذارید هر بار خودش آن را پیدا کند.
• د) مرتب سازی درخواست ها فقط بر اساس طول

توضیحات: ارائه یک لیست از پیش تعریف‌شده از دسته‌ها، سطوح فوریت ثابت و یک قالب خروجی غیرقابل تغییر (به عنوان مثال JSON) به مدل، یک نتیجه سازگار و قابل پردازش توسط ماشین را در درخواست‌های مختلف تضمین می‌کند. انداختن دسته در مدل هر بار تگ های مختلفی تولید می کند.

3. هدف اصلی از رویکرد RAG (تولید مبتنی بر دانش / نسل افزوده بازیابی) چیست؟

• الف) توانمندسازی مدل برای دادن پاسخ های خلاقانه تر و بدیع تر
• ب) کوتاه شدن زمان پاسخگویی مدل
• ج) پاسخ مدل را بر اساس مستندات منبع به روز و تأیید شده ارائه شده قرار دهید ✔
• د) الزام مدل برای اتصال به اینترنت تحت هر شرایطی

توضیح: RAG پاسخ مدل را حفظ نمی کند. آن را قادر می سازد تا اسناد منبع به روز شده و تأیید شده را که در زمان سؤال بازیابی شده اند تولید کند. این امر باعث افزایش دقت و کاهش بسیار زیادی اطلاعات ساختگی می شود (توهم).

4. در حین ایجاد پاسخ از پایگاه دانش، اگر پاسخ سؤال در منابع داده شده موجود نباشد، مدل چه باید بکند؟

• الف) حدسی که از دانش عمومی او معقول به نظر می رسد
• ب) کپی برداری و پاسخ آماده در مورد موضوع مشابه
• ج) بی پاسخ گذاشتن سوال و خاموش کردن گفتگو
• د) اظهار نداشتن اطلاعات و هدایت مشتری به منبع/مرجع صحیح ✔

توضیح: مدل نباید اطلاعاتی را که در منبع وجود ندارد، جعل کند. باید به صراحت اعلام کند که اطلاعات لازم را ندارد و مشتری را به یک منبع رسمی یا منبع درست هدایت کند. این خطر اطلاعات نادرست را از بین می برد.

5. بهترین رویکرد برای تهیه پیش نویس پاسخ پشتیبانی به مشتری عصبانی چیست؟

• الف) مستقیم به راه حل فنی و نادیده گرفتن احساسات
• ب) توضیح دفاعی مبنی بر مقصر بودن مشتری
• ج) تا حد امکان رسمی و دور نگه داشتن پاسخ
• د) ابتدا با همدلی احساس را بشناسید، سپس راه حل روشن یا مرحله بعدی ارائه دهید ✔

توضیح: ابتدا باید عاطفه را شناخت و همدلی نشان داد، سپس راه حل مشخص یا مرحله بعدی را به وضوح ارائه کرد. پریدن مستقیم به سمت راه حل فنی یا نادیده گرفتن احساسات تنش را افزایش می دهد.

6. بهترین تغییر هنگام تطبیق پاسخ پشتیبانی با چت زنده به جای ایمیل چیست؟

• الف) کپی کردن متن کلمه به کلمه، بدون تغییر آن، در چت
• ب) متن را رسمی تر کنید و یک بلوک امضا و عنوان موضوع اضافه کنید
• ج) کوتاه کردن و تقسیم متن برای تطبیق آن با سرعت گفتار و مرحله بعدی ✔
• د) تا حد امکان جزئیات فنی را در یک پیام ارائه دهید

توضیحات: چت زنده کوتاه، سریع و محاوره ای است. بلوک های طولانی ایمیل؛ تبدیل پیام ها به کوتاه، تکه تکه و متمرکز بر یک مرحله بعدی برای کانال مناسب است. انتقال همان متن از کانالی به کانال دیگر بدون تغییر آن، تجربه را خراب می کند.

7. سالم ترین رویکرد برای واجد شرایط بودن یک مشتری بالقوه (سرب) با پشتیبانی هوش مصنوعی چیست؟

• الف) کادربندی خروجی هوش مصنوعی (ICP/BANT) و علامت گذاری مفروضاتی که باید تأیید شوند ✔
• ب) پردازش تمام اطلاعات تولید شده توسط هوش مصنوعی در CRM به عنوان واقعی بدون تأیید آن.
• ج) احراز صلاحیت فقط بر اساس تعداد کارکنان شرکت
• د) ارسال پیام کلی یکسان برای هر سرنخ و رد شدن از صلاحیت

توضیحات: هوش مصنوعی می‌تواند یک گزارش ساختار یافته از اطلاعات در دسترس عموم تولید کند. اما این خروجی ممکن است حاوی مفروضاتی باشد. استفاده از نتیجه صلاحیت با علامت گذاری مفروضاتی که نیاز به تأیید دارند و قرار دادن آنها در چارچوبی مانند ICP/BANT صحیح است. پذیرفتن خروجی به عنوان واقعی بدون سوال خطرناک است.

8. مهمترین اصل در ایمیل فروش سرد موثر چیست؟

• الف) تشریح کلیه ویژگی ها و دستاوردهای شرکت به تفصیل
• ب) روی مشکل/هدف خریدار تمرکز کنید، آن را کوتاه نگه دارید و یک CTA واضح ارائه دهید
• ج) ارسال همان متن کلی برای هر چه بیشتر افراد
• د) لیست قیمت دقیق را بلافاصله در اولین ایمیل به اشتراک بگذارید

توضیحات: ایمیل های فروش موثر متمرکز بر گیرنده هستند، نه بر فرستنده: آنها به یک مشکل یا هدف مشتری می پردازند، کوتاه و شخصی هستند و شامل یک مرحله بعدی واضح (CTA) می شوند. لیست کردن تمام ویژگی های شرکت باعث از دست رفتن خریدار می شود.

9. هنگام تهیه متن پیشنهاد/پیشنهاد با هوش مصنوعی، چه عنصری بیشتر قدرت اقناع خروجی را افزایش می دهد؟

• الف) فقط فهرستی طولانی از مشخصات را فهرست کنید
• ب) کلی و مبهم نگه داشتن پیشنهاد برای هر مشتری
• ج) قیمت را به هیچ وجه ننویسید و فقط جملات تکمیلی اضافه کنید
• د) ایجاد یک روایت منفعت‌محور که به نیازها و اهداف مشتری مرتبط است ✔

توضیح: نوشتن پیشنهاد به زبان منفعت گرا که با نیازها و اهداف مشتری مرتبط باشد، قدرت متقاعدسازی آن را افزایش می دهد. تنها ارائه لیستی از مشخصات، مشتری را متعجب می کند که "این چه چیزی برای من ایجاد می کند؟" او را با سوالش تنها می گذارد.

10. هنگام تهیه پاسخ هوش مصنوعی به اعتراض فروش ("قیمت شما خیلی بالاست") بهترین رویکرد چیست؟

• الف) اعتراض را نادیده بگیرید و به سراغ موضوع دیگری بروید
• ب) ارائه تخفیف بزرگ به صورت فوری و بدون قید و شرط
• ج) به طور خاص با مشتری با شناخت اعتراض و اصلاح ارزش/منفعت پاسخ دهید ✔
• د) متهم کردن مشتری به عدم درک محصول

توضیح: ابتدا باید اعتراض را بشناسید، سپس ارزش/منفعت را دوباره چارچوب بندی کنید و یک پاسخ خاص مشتری ارائه دهید. دادن یک تخفیف بزرگ بلافاصله ارزش را کاهش می دهد. نادیده گرفتن اعتراض اعتماد را از بین می برد.

11. با ارزش ترین خروجی مورد انتظار از هوش مصنوعی هنگام پردازش یادداشت های مصاحبه در CRM چیست؟

• الف) ساختار یادداشت ها به عنوان خلاصه، تصمیمات، مراحل بعدی و مسئولیت ها ✔
• ب) کپی برداری از یادداشت ها به همان صورت که هستند، بدون تغییر
• ج) فقط یادداشت ها را طولانی تر و فانتزی تر کنید
• د) فقط مدت و زمان مکالمه را ضبط کنید

توضیحات: نت های پراکنده; قرار دادن آن در یک قالب ساختاریافته مانند خلاصه، تصمیمات اتخاذ شده، مراحل بعدی (اقدامات) و افراد مسئول، پیگیری را برای تیم آسان تر می کند. کپی کردن یادداشت همانطور که هست یا صرفاً گسترش آن ارزشی ایجاد نمی کند.

12. بهترین راه برای اطمینان از عدم ارائه اطلاعات نادرست در خروجی هوش مصنوعی که با مشتری در تماس است چیست؟

• الف) دادن اختیارات کامل به مدل و اجازه دادن به آن به تنهایی هر تعهدی را انجام دهد
• ب) محدود کردن اطلاعات حیاتی به منابع تایید شده، تفویض اختیار در مواقع نامطمئن، و افزودن لایه ای از تایید انسانی ✔
• ج) تمام چک های سرعت را بردارید و خروجی را مستقیما ارسال کنید
• د) در صورت فاش شدن اطلاعات نادرست بعداً منتظر اصلاح باشید

توضیحات: مدل; اطلاعات مهم مانند قیمت، سیاست و تعهد نباید جعل شوند، بلکه باید فقط از منابع تایید شده به دست آیند و در صورت عدم اطمینان باید به انسان ها تحویل داده شوند. پاسخ های انتقادی باید لایه ای از اعتبار انسانی داشته باشند.

13. اگر یک متخصص پشتیبانی بخواهد که ابزار هوش مصنوعی شکایت مشتری شامل نام، شماره تلفن و اطلاعات سفارش را خلاصه کند، چه کاری باید انجام دهد؟

• الف) اطلاعات را همانطور که هست بچسبانید و سریعترین نتیجه را بگیرید
• ب) با فرض افزودن عبارت «محرمانه» در انتهای متن کافی است
• ج) پوشاندن و ناشناس کردن اطلاعات شخصی و/یا استفاده از ابزار تایید شده با اطمینان شرکتی ✔
• د) تصور اینکه ارسال اطلاعات و سپس حذف مکالمه خطر را از بین می برد.

توضیح: داده های شخصی (در محدوده KVKK) نباید بی جهت در ابزارهای شخص ثالث وارد شود. رویکرد صحیح؛ پنهان کردن و ناشناس کردن اطلاعات هویتی و/یا استفاده از ابزار تایید شده با تضمین داده های شرکتی (عدم استفاده از داده ها در آموزش، سیاست ذخیره سازی).

14. بهترین اصل در طراحی دنباله پیگیری فروش چند مرحله ای چیست؟

• الف) ارسال یک پیام یادآوری هر روز
• ب) در هر پیام یک مقدار جدید اضافه کنید و در فواصل زمانی معقول ادامه دهید ✔
• ج) به طور مداوم فرکانس پیام را تا دریافت پاسخ افزایش دهید.
• د) اگر اولین پاسخ دریافت نشد، کل مجموعه را در یک ایمیل طولانی قرار دهید.

توضیحات: هر پیام بعدی باید با افزودن یک مقدار جدید (محتوا، مورد، زاویه متفاوت) ادامه یابد و باید در فواصل زمانی معقول ارسال شود. تکرار همان پیام "فقط یک یادآوری" در فواصل کوتاه بسیار زیاد است و نرخ پاسخ را کاهش می دهد.

15. نقش هوش مصنوعی هنگام ایجاد چرخه تضمین کیفیت (QA) برای تیم های پشتیبانی و فروش چیست؟

• الف) هوش مصنوعی پیش نویس تولید می کند. پاسخ های انتقادی توسط انسان ها بررسی و تایید می شود، مسئولیت بر عهده انسان است ✔
• ب) هوش مصنوعی تمام پاسخ ها را بدون تایید ارسال می کند. مردم فقط وقتی شکایت می کنند نگاه می کنند
• ج) اگر هوش مصنوعی به اندازه کافی پیشرفته باشد، نیازی به نظارت انسانی نخواهد بود.
• د) مسئولیت بر عهده شرکت نرم افزاری است که ابزار را ارائه می دهد

توضیحات: هوش مصنوعی پیش نویس های پاسخ را تولید می کند و سازگاری را بهبود می بخشد. با این حال، پاسخ‌های انتقادی به مشتری، به‌ویژه آن‌هایی که شامل قیمت/تعهد/خط‌مشی هستند، باید توسط یک انسان بررسی و تایید شوند. مسئولیت نهایی همیشه بر عهده تیم انسانی است.