În vânzările B2B, rolul unui modul de Next Best Action care folosește inteligența artificială este să spună ce trebuie să facă agentul de vânzări la fiecare pas. Să sune clientul? Să trimită o ofertă? Să propună o re-aprovizionare sau un produs complementar adăugat la comandă? Practic, este un vânzător pas cu pas.
Un modul „pas cu pas" transformă datele din ERP, CRM, e-commerce și, mai ales, experiența companiei, într-o succesiune de pași logici pentru agentul de vânzări.
În Ghidul OPTI despre recomandări AI, upsell și cross-sell în B2B, am arătat proiecte care identifică produsele relevante pentru un client, dar NBA extinde această capabilitate, pentru că recomandă fiecare acțiune concretă din ciclul de vânzare al clienților companiei.
1. Acțiuni specifice B2B, recomandate cu precizie
În e-commerce sau B2C, o recomandare de produs poate fi suficientă, dar în B2B, vânzările țin cont de istoricul de comenzi, contracte-cadru cu prețuri negociate, limite de credit, restanțe, condiții logistice (livrarea dintr-un anumit depozit într-un anumit timp), compatibilități tehnice sau bugete sezoniere, care nu se văd într-un simplu catalog.
Un modul de recomandări B2C spune „Ce produs ar putea cumpăra clientul?"
Un modul de Next Best Action spune: „Sună clientul astăzi. Ultima comandă a fost acum 42 de zile, consumul estimat indică re-aprovizionare în următoarea săptămână, produsul Y este compatibil cu achizițiile anterioare, stocul este disponibil, iar discountul maxim permis este 5%."
Exemple de acțiuni pas cu pas:
| Sună pentru re-aprovizionare | |
| Propune produse complementare | |
| Propune un pachet (bundle) | |
| Trimite documentație tehnică sau cataloage |
Dificultatea și oportunitatea stau în adaptarea la companie. Un sistem bun de Next Best Action generează puține acțiuni și notificări, dar foarte relevante. Altfel agenții umani vor prefera propria experiență și nu îi va ajuta.
Cum arată o acțiune recomandată în CRM?
Cardurile de Next Best Action pot fi amplasate în CRM-ul companiei lângă fiecare client, lead sau oportunitate. Ele trebuie să răspundă la patru întrebări pentru agentul de vânzări:
- Ce trebuie să fac?
- De ce acum?
- Ce ofertă comercială să propun?
- Ce limitări contractuale sau comerciale trebuie să respect?
Exemplu detaliat:
Client: Alfa Distribution SRL
Acțiune recomandată: Sună pentru re-aprovizionare
De ce:
- Ultima comandă a fost acum 38 de zile.
- Istoricul indică o comandă nouă la 35-45 de zile.
- Produsul principal are stoc disponibil.
- Clientul a cumpărat anterior produse compatibile cu noul pachet recomandat.
Propunere:
- Produs A: re-aprovizionare
- Produs B: cross-sell compatibil
- Pachet (bundle) recomandat: A + B
Reguli:
- Discount maxim: 5%
- Nu propune termen de plată extins.
- Marja minimă trebuie păstrată peste pragul intern.
Script telefonic scurt:
„Bună ziua, am observat că vă apropiați de perioada obișnuită de re-aprovizionare pentru produsul A. Avem stoc disponibil și vă pot trimite și o variantă de pachet cu produsul B, compatibil cu comenzile anterioare."
Agentul de vânzări primește din software o recomandare logică, cu explicație și limite explicite, care îi ușurează munca.
În ce industrii se potrivește?
Distribuție, inclusiv medicalUn distribuitor, inclusiv din farmaceutice, are sute sau mii de produse și clienți care comandă recurent. Sistemul poate identifica lipsa unei comenzi așteptate, propune re-aprovizionarea și sugera produsele complementare. Acțiune
recomandată: |
ProducțieUn producător B2B poate folosi NBA pentru follow-up pe oferte tehnice, produse compatibile sau consumabile asociate echipamentelor livrate. Acțiune
recomandată: |
Servicii profesionaleO companie de servicii poate folosi NBA pentru reînnoiri, extinderi de abonamente, audit sau pachete suplimentare. Acțiune
recomandată: |
e-commerce B2BUn portal B2B conține recomandări de produs pentru client, dar echipa de vânzări poate trata special clienții de valoare ridicată. Acțiune
recomandată: |
2. Cum asiguri calitatea? Prin arhitectură hibridă: AI propune pe baza datelor companiei, dar regulile decid
Dacă are acces securizat la datele companiei, AI poate identifica oportunități, poate face predicții și poate genera explicații inteligente. Dar acțiunea recomandată trebuie mereu verificată prin reguli de business stricte (en. guardrails).
AI propune. Regulile comerciale decid ce ajunge la agent
Regulile esențiale pentru aproape toate companiile B2B includ respectarea marjei, stocului, politicii de restanțe financiare, discountului maxim și specificațiilor contractuale.
Din acest motiv, arhitectura recomandată arată astfel, plecând de la date, trecând prin AI și cu aplicarea regulilor companiei:
Două greșeli frecvente
Prima greșeală este să tratați Al ca motor autonom care decide mereu singur ce trebuie făcut. În B2B, acest lucru este foarte riscant.
A doua greșeală este să păstrați AI doar la nivel de raportare. Dacă sistemul doar arată grafice și scoruri inteligente, agentul tot trebuie să facă manual interpretarea lor.
Vezi protecții speciale în Google Cloud pentru companiile care folosesc LLM-uri
Datele curățate asigură precizia acțiunii recomandate
Un modul NBA traduce datele în acțiuni, așadar calitatea pornește de la date și după aceea încep să conteze promptul LLM și tehnologiile AI în general.
Cele mai importante surse de date în B2B:
- ERP: comenzi, facturi, produse, prețuri, marje, termene de plată
- Catalog de produse: categorii, produse compatibile, produse substituibile
- Stocuri / WMS: disponibilitate, stoc excedentar, produse cu rotație lentă
- CRM: pipeline, contacte, companii, activități, emailuri, note, call-uri
- Contracte: condiții speciale, prețuri negociate, discounturi aprobate
- Service / suport: tichete, reclamații, probleme recurente
- Marketing: campanii, engagement, formulare, pagini vizitate
- Documentație internă: fișe tehnice, manuale, condiții de livrare
Este important ca datele să fie interoperabile și standardizate. Aveți nevoie de un strat intermediar în data warehouse, care să includă atât o copie a datelor din diferite sisteme, cât și reguli de calitate a datelor, pentru ca arhitectura să reziste pe termen lung. Ea va arăta așa:
În Google Cloud, BigQuery este de obicei în centrul acestei arhitecturi de date. Datele sunt doar copiate pentru analiză, BigQuery funcționând ca strat analitic comun. Se aduc toate datele comerciale, se fac transformări SQL, se conectează modele BigQuery ML și funcții AI pe date structurate sau semi-structurate.
Vezi analiza datelor în Google Cloud cu BigQuery și Data Studio
Succesul este asigurat prin acest fundament solid pe care va lucra apoi AI.
3. De la catalogul de produse până la explicația AI pentru echipa de vânzări
Recomandările de produs: ce ar putea cumpăra clientul
Primul strat inteligent va fi motorul de produse. Funcțiile disponibile pentru produse în software-ul NBA pot include:
- produse cumpărate frecvent împreună
- produse similare
- produse complementare
- produse potrivite pentru istoricul clientului
- produse recomandate pe baza segmentului de client
- produse cu stoc disponibil sau rotație prioritară
- alternative pentru produse indisponibile
În Google Cloud, produsul AI Commerce Search (Vertex AI Search for commerce) poate fi folosit pentru căutare și recomandări comerciale, în special acolo unde există catalog, evenimente de interacțiune cu clientul și istoric de achiziție bogat.
În B2B, însă, această recomandare trebuie adaptată. Un client industrial nu cumpără la fel ca un consumator final în B2C și mai ales, la B2B se aplică regulile comerciale esențiale.
Exemplu de aplicare reguli
Recomandare inițială AI:
Produs X + Produs Y + Produs Z
Reguli de business de filtrare:
- Produs X: eliminat, marjă insuficientă cu discountul clientului.
- Produs Y: acceptat, compatibil și disponibil în stoc.
- Produs Z: acceptat doar pentru ofertă fără termen extins de plată.
Output către agent:
- Recomandare principală: Produs Y
- Alternativă: Produs Z, cu condiții standard de plată
Din acest motiv, un Next Best Action este mai mult decât un motor de recomandare de produs. Recomandarea este doar una dintre intrările sistemului, acțiunile recomandate vor varia în funcție de specificul fiecărei companii și al clienților săi.
Momentul potrivit: când are sens să faci acțiunea
O recomandare bună, trimisă prea devreme, poate părea agresivă. Aceeași recomandare, trimisă prea târziu, poate pierde comanda. De aceea, un modul Next Best Action trebuie să estimeze momentul potrivit, din semnalele disponibile în sursele de date și recomandările CRM-ului ca HubSpot. Câteva exemple:
- Clientul comandă la fiecare 30-45 de zile
- Consumul estimat indică epuizarea stocului
- Oferta trimisă nu a primit răspuns de 7 zile
- Contractul se apropie de reînnoire și clientul este activ recent
- Stocul intern trebuie rotit înainte de o anumită dată
- Unele produse sunt sezoniere sau în promoții, inclusiv pachete (bundle)
- Clientul a început să cumpere de la un competitor (dacă aveți date)
Pentru astfel de scenarii, tehnologii ca BigQuery ML (cu funcțiile AI.GENERATE, AI.SEARCH și AI.FORECAST) și funcțiile AI din BigQuery pot fi folosite pentru clasificare, scoring, previziune temporală sau analiză pe serii de timp.
Exemplu simplu de îmbinare semnale cu funcții AI pentru NBA
Condiții:
- clientul are istoric de minimum 4 comenzi,
- intervalul mediu dintre comenzi este 35 de zile,
- au trecut deja 32 de zile de la ultima comandă,
- produsul are stoc disponibil,
Acțiune recomandată:
„Sună pentru re-aprovizionare în următoarele 3 zile."
Pe măsură ce sistemul primește feedback de la echipă și în final de la clienți prin cumpărare, regulile pot fi completate mai detaliat sau înlocuite de modele predictive automate.
Acțiunea recomandată acum: ce trebuie să facă echipa în funcție de reguli
Odată ce avem produsele și analiza momentului potrivit, sistemul trebuie să aleagă acțiunea. Vă poate ajuta acest tabel corelativ acțiune recomandată - situație ideală, pe care îl puteți suplimenta, pe baza experienței companiei
| Acțiune recomandată | Situație ideală |
|---|---|
| Sună pentru re-aprovizionare | Client cu ritm recurent de comandă |
| Contactează pentru fidelizare | Client cu risc de churn |
| Propune produse complementare | Client cu comandă recentă |
| Trimite follow-up | Ofertă fără răspuns |
| ⛔ Rezolvă restanțe financiare | Client cu restanțe |
| Propune un pachet (bundle) | Produse indisponibile sau marjă mică |
| Programează discuție de reînnoire | Contract aproape de expirare |
| Trimite documentație tehnică sau cataloage | Client cu volum mare și marjă bună |
| Escaladează către manager | Client strategic |
| ⏸️ Nu trimite notificare | Semnal slab, nu pierde efort |
Această listă trebuie configurată împreună cu managementul comercial. AI-ul poate sugera tipare, dar compania trebuie să decidă ce acțiuni sunt acceptabile. În special, acțiunea trebuie să acopere cel puțin activitatea comercială curentă, ca modulul să fie un upgrade
Tot aici, trebuie să protejăm compania și imaginea sa, prin două niveluri de reguli explicite (en. guardrails)
a) Reguli comerciale deterministe
Acestea se aplică în SQL, cod sau policy engine (motor de reguli). Nu trebuie lăsate la interpretarea modelului LLM. Exemple:
- Dacă există facturi restante peste 30 de zile, recomandă acțiune de clarificare plată
- Dacă marja estimată este sub pragul minim, elimină produsul recomandat
- Dacă nu există stoc livrabil, elimină produsul și propune alternativă compatibilă
- Dacă produsul nu este aprobat pentru segmentul clientului, trimite cerere de includere în segment
Aceste reguli sunt auditabile și sub controlul managementului comercial. Se reflectă direct în NBA cu explicații, ca echipa să știe de ce un produs a fost propus sau eliminat.
b) Reguli (en. guardrails) pentru modelul generativ LLM
Pentru evitarea scurgerii de date sensibile, blocarea atacurilor de tip prompt injection sau folosire neautorizată (ex: programare site în chatbotul companiei) și controlul datelor companiei trimise către AI, se recomandă filtrarea inputului și outputului LLM-urilor.
Explicația acțiunii: cum știe agentul ce să discute cu clientul
AI poate explica, chiar dacă nu decide singur, de ce un client primește discount, dacă se propune un produs sau dacă se amână o restanță de plată. Aceste decizii sunt controlate prin date și reguli deterministe, cum am arătat mai sus, dar agentul trebuie să știe ce discută cu clientul. AI este excelent în a explica o situație în limbaj ușor de înțeles.
Rolul LLM ca Gemini este cel mai potrivit pentru sinteză, să explice agentului de ce apare recomandarea. De asemenea, este excelent pentru formulare, propunerea unui mesaj, email sau un script scurt telefonic și pentru context: extragerea informațiilor din documente, note CRM, fișe tehnice sau politici comerciale, de exemplu prin chatbot atașat la software-ul de vânzări.
Exemplu de rol LLM:
Client: Alfa Distribution SRL
Ultima comandă: acum 38 zile
Interval mediu între comenzi: 41 zile
Produs recomandat: Produs Y
Motiv recomandare: compatibil cu produsul cumpărat anterior
Risc: client cu marjă medie, fără restanțe
Reguli: discount maxim 5%, nu promite termen de livrare sub 48h
Interacțiuni recente din CRM:
- agentul a discutat despre extinderea portofoliului
- clientul a cerut fișă tehnică
- nu există reclamații deschise
Explicație LLM pentru agent:
Clientul se află aproape de intervalul obișnuit de re-aprovizionare. Produsul Y este compatibil cu achiziția anterioară și poate fi propus ca extensie naturală a comenzii. Nu depăși discountul de 5% și nu promite livrare sub 48h.
Script LLM propus:
„Bună ziua, revin pentru că vă apropiați de perioada obișnuită de re-aprovizionare. Avem disponibil Produsul Y, compatibil cu produsele comandate anterior. Vă pot trimite o propunere scurtă?"
Feedbackul oamenilor: cum se îmbunătățește sistemul
Agentul de vânzări trebuie să poată spune: dacă recomandarea este acceptată, dacă este greșită și mai ales de ce (produs nepotrivit, timing greșit, client deja contactat). În plus, în CRM veți urmări dacă s-a înregistrat la final vânzarea sau oportunitatea s-a pierdut. Acest feedback este esențial, ca sistemul să se adapteze permanent la realitatea ciclului de vânzări.
4. Secretul succesului: integrarea în CRM și controlul întregului flux operațional
Principiu 1: Recomandarea va fi livrată în locul în care lucrați deja
Din experiență, un modul Next Best Action are valoare când recomandarea este livrată în locul în care agentul lucrează deja:
De exemplu în HubSpot, ca App Card / UI extension pe companie, contact sau deal. Sau în Salesforce, ca componentă în pagina de cont sau oportunitate
Dacă sunt necesare alerte urgente, ele pot apărea în Slack sau Microsoft Teams. Și când echipa este deconectată sau pe teren, se poate integra soluția în portalul intern, soluția SFA folosită, Slack sau chiar WhatsApp pentru echipe pe teren.
Principiu 2: Controlul întregului flux operațional, la nivel de IT și Management
Un flux simplificat pentru toate aspectele prezentate mai sus este:
- Sistemul actualizează datele comerciale în data warehouse (BigQuery) din sursele de date
- Sunt calculate semnalele: recurență, churn, stoc, marjă, oportunitate
- Motorul de recomandare identifică produse relevante
- Motorul de acțiune decide tipul recomandării
- Regulile comerciale elimină recomandările nepermise
- LLM ca Gemini generează explicația și scriptul telefonic
- Cardul apare în CRM
- Agentul acceptă, modifică sau respinge recomandarea
- Rezultatul este salvat pentru îmbunătățirea sistemului (feedback)
Pentru un sistem matur, acest flux rulează zilnic, la fiecare câteva ore sau în timp aproape real, în funcție de ritmul companiei. Managementul și departamentul IT au control asupra lui, deși el merge automat, ca să poată diagnostica oricând problemele.
Bineînțeles, nu toate companiile au nevoie de sincronizare real-time. În distribuție B2B, de exemplu, un batch zilnic poate fi suficient. În vânzări enterprise sau medical, unde ciclurile comerciale sunt lungi, recomandările pot fi generate în funcție de evenimente. Dar în principiu, toate acțiunile sunt legate una de alta în acest flux complet.
Principiu 3: evită riscurile prin planificare și control flux
Iată câteva riscuri în dezvoltare și la ce să fiți atenți pentru un modul Next Best Action pentru vânzări B2B.
Date incompleteERP-ul, CRM-ul și stocurile nu sunt sincronizate. În acest caz, recomandările pot fi greșite. |
Prea multe notificăriDacă sistemul trimite prea multe recomandări, agenții îl vor ignora. |
Lipsa regulilor comercialeFără reguli de marjă, discount, stoc și restanțe, AI poate propune acțiuni riscante pentru companie. |
Explicații neclareDacă agentul uman nu înțelege recomandarea, nu va avea încredere în ea. |
Lipsa feedbackuluiFără feedback de la agenți, și pozitiv, și negativ, sistemul nu poate fi îmbunătățit, pentru că AI nu învață. Butoanele de acceptare, respingere și motivare sunt esențiale. |
Concluzie: AI controlat aduce rezultate
Next Best Action are sens în companiile care au deja date comerciale, dar nu le transformă suficient de repede în acțiuni. Este util mai ales dacă agenții de vânzări pierd timp căutând istoricul clientului, există multe oportunități de cross-sell nefolosite, sau există reguli comerciale care sunt aplicate inconsistent.
În aceste cazuri, un „vânzător pas cu pas" este soluția optimă, mai activă decât software-ul de raportare și mai sigur decât automatizarea completă (cu înlocuirea oamenilor). NBA se bazează pe CRM-ul, ERP-ul și procedurile companiei, pentru a crește succesul comercial.
Citește studiu de caz: raportare în real-time în Google Cloud pentru industria de gaming
De ce OPTI?
OPTI abordează proiectele Next Best Action pe baza experienței noastre de partener Google Cloud pentru tehnologii AI și partener HubSpot CRM pentru fluxuri interne. Experiența de dezvoltare software B2B ne face să punem accent pe valoarea procedurilor deja existente în companii. Integrăm AI în fluxuri deja existente, fără înlocuirea software-ului pe care rulează compania.
Arhitectura AI corectă în B2B:
Date comerciale ▷ AI ▷ reguli deterministe ▷ CRM ▷ feedback uman.
Citește studiu de caz: reducerea cu 68% a timpului de ofertare pentru un distribuitor industrial
Un sistem de tip „vânzător pas cu pas" economisește timpul pierdut în căutarea contextului, oferă acțiunile relevante pentru angajat și conectează datele din sistemele IT cu rezultatele comerciale de zi cu zi.
![[UPDATE] Ce proiect R&D a adus OPTI Premiul de Excelență ANIS 2026?](/images/new-post/small_long-anis-2026-finalist-rd-program-ai-b2b.jpg "[UPDATE] Ce proiect R&D a adus OPTI Premiul de Excelență ANIS 2026?")