Verifica una alerta contra una respuesta conocida antes de que la vea un gerente
Las alertas del pipeline que nadie ha verificado son solo ruido con seguridad. Sin negocios reales para probar, construimos una cuenta de prueba donde conocíamos cada respuesta correcta, y el producto tenía que acertar las 23.
Un producto de ventas con IA que construimos vigila el CRM de una empresa y avisa a los gerentes sobre negocios en riesgo: fechas de cierre vencidas, negocios grandes que se quedaron en silencio. Una alerta con la que un gerente actúa tiene que ser correcta. El problema: el CRM del cliente todavía no tenía negocios, así que 15 de las 16 reglas de alerta no tenían nada que revisar.
Sembrar las respuestas primero
Esperar datos reales habría significado lanzar reglas que nadie había visto activarse. En cambio, construimos una cuenta de prueba con 24 negocios de muestra, más contactos y empresas, donde sembramos cada problema a propósito y anotamos qué alertas debían aparecer.
Luego la sincronizamos de punta a punta, igual que se sincronizaría el CRM de un cliente, y comparamos las alertas del producto con las respuestas sembradas.
Pipeline abierto
$518.000
Encontrados en 21 negocios abiertos
Señalados
19
9 negocios vencidos y 10 negocios grandes en silencio
Correctas
23 de 23
Alertas que coincidieron con lo sembrado
Lo que atraparon las respuestas conocidas
La prueba encontró y arregló 15 defectos en el camino, de los que solo aparecen cuando datos de aspecto real pasan por cada paso. También confirmó el comportamiento que un gerente realmente quiere: un negocio sale de la lista de alertas el día que recibe una llamada.
Lo que demuestra
Las reglas hacen exactamente lo que deben ante una respuesta conocida, antes de que cualquier cliente dependa de ellas. La misma prueba se queda para cada cambio, así los negocios reales siempre encuentran reglas ya demostradas.
Cómo leemos los datos
Verificamos una alerta contra una respuesta conocida antes de que la vea un gerente.
Los ejemplos de este artículo vienen de proyectos reales. Datos del cliente reservados; cada cifra proviene de los datos del propio cliente.
Leer el caso de estudio →