نحوه آرایش بهترین ابزارهای هوش مصنوعی برای مشاوران مالی مستقل در CRM، نرم‌افزار برنامه‌ریزی و گردش‌کارهای حافظ

اکثر مشاوران مستقلی که ابزارهای هوش مصنوعی را به کار می‌گیرند، با مجموعه‌ای روبه‌رو می‌شوند که با خودشان در تعارض است. ابزار جلسه یادداشت‌هایی می‌نویسد که CRM نمی‌تواند تجزیه کند، نرم‌افزار برنامه‌ریزی آیتم‌های عملیاتی تولید شده توسط هوش مصنوعی را نادیده می‌گیرد و گردش‌کار حافظ همچنان به ورود دستی داده‌ها نیاز دارد زیرا لایه هوش مصنوعی هرگز به آنجا نرسیده است. بهترین ابزارهای هوش مصنوعی برای مشاوران مالی مستقل تنها زمانی کارایی دارند که به صورت هدفمند در CRM، نرم‌افزار برنامه‌ریزی و گردش‌کارهای حافظ که از پیش نحوه عملکرد یک دفتر را تعریف می‌کنند، چیده شوند. این متدولوژی معماری یکپارچه‌سازی را که تعیین می‌کند آیا هوش مصنوعی ساعت‌ها زمان را ذخیره می‌کند یا فقط یک ورودی دیگر اضافه می‌کند، بررسی می‌کند.

چرا آرایش ابزارها مهم‌تر از هر ابزار منفردی است

کانال مشاوران مستقل در طول سه سال گذشته ابزارهای هوش مصنوعی را به صورت جداگانه خریداری کرده‌اند، نه اینکه آن‌ها را به عنوان یک سیستم طراحی کنند. نتیجه، آشفتگی قابل پیش‌بینی از اشتراک‌های همپوشان، ورود داده‌های تکراری و گردش‌کارهایی است که در مرز بین دو پلتفرم شکسته می‌شوند. دفاتری که بیشترین بهره‌وری را از هوش مصنوعی می‌برند، آن‌هایی نیستند که بیشترین ابزار را دارند. بلکه آن‌هایی هستند که ابزارهایشان با یکدیگر ارتباط برقرار می‌کنند.

سوال معماری که کیفیت آرایش را تعیین می‌کند این است که کدام سیستم منبع اصلی حقیقت برای داده‌های مشتری را نگهداری می‌کند. در یک دفتر مستقل با طراحی خوب، CRM سابقه اصلی است. نرم‌افزار برنامه‌ریزی لایه پیش‌بینی است. حافظ لایه اجرا است. ابزارهای هوش مصنوعی باید در سابقه اصلی بنویسند و از لایه‌های پیش‌بینی و اجرا بخوانند، هرگز برعکس نباشد. وقتی ابزارهای هوش مصنوعی به یک سیستم موازی برای ثبت سوابق تبدیل می‌شوند، دفتر با سه نسخه از هر مشتری و هیچ راه مطمئنی برای تطبیق آن‌ها روبه‌رو می‌شود.

مشاوران مالی مستقل (RIAs) انفرادی و مشاوران جدا شده از شرکت‌های بزرگ‌تر، این مشکل را حادتر از شرکت‌های بزرگتر تجربه می‌کنند، زیرا آن‌ها مدیر عملیاتی برای اعمال نظم داده‌ها ندارند. آرایش هوش مصنوعی باید به گونه‌ای طراحی شود که نظم توسط معماری یکپارچه‌سازی اعمال شود تا توجه انسانی. این بدان معناست که ابزارهایی را انتخاب کنید که به طور خودکار در CRM بازنویسی کنند، ابزارهایی را که پایگاه داده مشتری خود را ایجاد می‌کنند رد کنید، و محدودیت‌های ویژگی را در ازای پاکی معماری بپذیرید.

سوال ساختاری دیگر این است که لایه هوش مصنوعی باید کدام گردش‌کارها را لمس کند و کدام‌ها را نه. آماده‌سازی جلسات، یادداشت‌برداری، ارتباطات پیگیری، تحقیقات مشتریان احتمالی و بررسی انطباق، حوزه‌های مناسب هوش مصنوعی هستند. توصیه‌های سرمایه‌گذاری، ساخت طرح مالی، و تصمیم‌گیری‌های قضاوتی امانی نیستند. مرز بین کمک و اتوماسیون مهم است زیرا تنظیم‌کننده‌ها آن را متفاوت از فروشندگان نرم‌افزار ترسیم می‌کنند، و مشاورانی که این مرز را نادیده می‌گیرند، در نهایت باید به یک بازرس توضیح دهند که چرا یک ابزار هوش مصنوعی توصیه‌های خاص مشتری ارائه می‌داده است.

نقشه‌برداری از گردش‌کار موجود قبل از انتخاب ابزارها

شایع‌ترین دلیل شکست در بکارگیری ابزارهای هوش مصنوعی، انتخاب ابزار AI در ابتدا و سپس تلاش برای وفق دادن گردش کار با آن است. روشی که کار می‌کند این ترتیب را معکوس می‌کند. با نقشه‌برداری از گردش کار واقعی که امروزه در دفتر انجام می‌شود شروع کنید، نقاط اتلاف وقت که هوش مصنوعی می‌تواند به آن‌ها بپردازد را شناسایی کرده، و تنها سپس ابزارهایی را که مناسب آن شکاف‌های خاص هستند، ارزیابی کنید.

تمرین نقشه‌برداری باید کل مسیر تعامل با مشتری را از مرحله پرس‌وجوی اولیه مشتری احتمالی تا مرحله جذب، برنامه‌ریزی، خدمات جاری و بررسی سالانه پوشش دهد. برای هر مرحله، زمان واقعی صرف‌شده، سیستم‌های دخیل و داده‌هایی که بین سیستم‌ها جابه‌جا می‌شوند را مستند کنید. اکثر دفاتر متوجه می‌شوند که نقاط اتلاف وقت در جایی که انتظار داشتند نیستند. آماده‌سازی جلسات اغلب بیشتر از خود جلسات زمان می‌برد. پیگیری پس از جلسه اغلب بیشتر از آماده‌سازی جلسات طول می‌کشد. تطبیق بین CRM و حافظ اغلب بیشتر از هر کار مربوط به مشتری زمان می‌برد.

هنگامی که اتلاف‌های زمانی کمی‌سازی شدند، معیارهای ارزیابی برای ابزارهای هوش مصنوعی به جای انتزاعی بودن، خاص می‌شوند. دفتری که شش ساعت در هفته را صرف پیگیری‌های پس از جلسات می‌کند، به ابزاری نیاز دارد که آن گردش‌کار را به طور خاص خودکار کند، نه یک دستیار هوش مصنوعی عمومی. دفتری که ده ساعت در هفته را صرف تطبیق داده‌های نگهداری می‌کند، به یک لایه یکپارچه‌سازی نیاز دارد، نه یک چت‌بات. تمرین نقشه‌برداری تصمیم خرید را از مقایسه ویژگی‌ها به تحلیل تناسب مشکل تبدیل می‌کند.

نقشه‌برداری همچنین باید گردش‌کارهایی را که نباید خودکار شوند، شناسایی کند. مکالمات اکتشافی با مشتریان احتمالی، بحث‌های پیچیده برنامه‌ریزی مالیاتی، و مکالمات مربوط به رویدادهای زندگی، گردش‌کارهایی هستند که کمک هوش مصنوعی می‌تواند از مشاور حمایت کند اما نباید جایگزین توجه مشاور شود. تلاش برای خودکارسازی این گردش‌کارها، خروجی‌هایی تولید می‌کند که برای مشتری عمومی به نظر می‌رسند و به رابطه‌ای که دفتر به آن وابسته است آسیب می‌رساند.

انتخاب CRM به عنوان لنگر معماری

CRM مهم‌ترین تصمیم در آرایش هوش مصنوعی است زیرا تعیین می‌کند کدام ابزارهای هوش مصنوعی می‌توانند به طور بومی یکپارچه شوند و کدام‌ها به راه‌حل‌های موقت نیاز دارند. مشاوران مستقل عموماً بین Wealthbox، Redtail، Salesforce Financial Services Cloud و Practifi انتخاب می‌کنند و هر پلتفرم مجموعه‌ای متفاوت از یکپارچه‌سازی‌های بومی هوش مصنوعی را پشتیبانی می‌کند.

Wealthbox گسترده‌ترین ردپای یکپارچه‌سازی بومی هوش مصنوعی را در میان CRM‌های مشاوران مستقل دارد زیرا این پلتفرم در اوایل کار بر روی باز کردن API خود برای فروشندگان ابزارهای هوش مصنوعی سرمایه‌گذاری کرد. Jump، Zocks، Mili، FinMate و اکثر پلتفرم‌های جلسه دیگر بدون نیاز به میان‌افزار سفارشی در Wealthbox می‌نویسند. برای RIAs انفرادی و دفا‌تر کوچک که می‌خواهند یک آرایش هوش مصنوعی پکیج‌شده را جمع‌آوری کنند، Wealthbox کمترین اصطکاک یکپارچه‌سازی را فراهم می‌کند.

Redtail پوشش یکپارچه‌سازی هوش مصنوعی مشابهی دارد و انتخاب مناسبی برای دفاتری است که سازگاری Redtail با کارگزاری-دلال را در اولویت قرار می‌دهند یا از یک وابستگی قبلی شرکتی، داده‌های موجود در Redtail دارند. عمق یکپارچه‌سازی برای پلتفرم‌های مهم جلسه مشابه Wealthbox است، اگرچه برخی ابزارهای هوش مصنوعی جدیدتر ابتدا Wealthbox و سپس Redtail را پشتیبانی می‌کنند.

Salesforce Financial Services Cloud و Practifi انتخاب‌های مناسبی برای دفاتری هستند که به سفارشی‌سازی گردش‌کار فراتر از آنچه CRM‌های سبک‌تر پشتیبانی می‌کنند، نیاز دارند. داستان یکپارچه‌سازی هوش مصنوعی در این سطح متفاوت است زیرا Salesforce Einstein و ویژگی‌های اتوماسیون بومی Practifi جایگزین برخی از ابزارهای هوش مصنوعی شخص ثالثی می‌شوند که دفاتری انفرادی به طور جداگانه خریداری می‌کنند. دفاتری در این مقیاس معمولاً یکپارچه‌سازی‌های سفارشی می‌سازند یا با شرکای پیاده‌سازی کار می‌کنند تا اینکه ابزارها را از یک کاتالوگ جمع‌آوری کنند.

چارچوب تصمیم‌گیری این نیست که کدام CRM در مطلق بهترین است، بلکه این است که کدام CRM با مقیاس، پیچیدگی و نیازمندی‌های یکپارچه‌سازی هوش مصنوعی دفتر مطابقت دارد. یک RIA انفرادی که از Salesforce استفاده می‌کند، برای ویژگی‌هایی هزینه اضافی پرداخت می‌کند که هرگز از آن‌ها استفاده نخواهد کرد. یک دفتر گروهی که از Wealthbox استفاده می‌کند، قابلیت‌هایی را کمتر از نیازهای خود خریداری می‌کند که در نهایت به آن‌ها نیاز خواهد داشت.

یکپارچه‌سازی لایه نرم‌افزار برنامه‌ریزی

نرم‌افزار برنامه‌ریزی مالی دومین تصمیم معماری است زیرا آرایش هوش مصنوعی باید به گونه‌ای در نرم‌افزار برنامه‌ریزی بنویسد که یکپارچگی برنامه را حفظ کند. پلتفرم‌های اصلی در کانال مستقل عبارتند از eMoney، MoneyGuidePro، RightCapital، Asset-Map و NaviPlan، و هر یک از آن‌ها موقعیت یکپارچه‌سازی متفاوتی برای ابزارهای هوش مصنوعی دارند.

eMoney گسترده‌ترین اکوسیستم یکپارچه‌سازی هوش مصنوعی را دارد زیرا این پلتفرم متعلق به Fidelity است و در باز کردن API خود برای فروشندگان هوش مصنوعی سرمایه‌گذاری کرده است. پلتفرم‌های جلسه‌ای که با eMoney یکپارچه می‌شوند، می‌توانند داده‌های خانوار را برای خلاصه‌های قبل از جلسه جذب کنند و نتایج جلسه را مجدداً در سابقه برنامه بنویسند. این یکپارچه‌سازی کامل نیست، اما عمیق‌ترین در این دسته است.

RightCapital با چندین ابزار هوش مصنوعی جلسه مشارکت‌های یکپارچه‌سازی ایجاد کرده و دومین انتخاب قدرتمند برای دفاتری است که می‌خواهند آرایش هوش مصنوعی آنها لایه برنامه‌ریزی را نیز در بر گیرد. API این پلتفرم عملیات خواندن و نوشتن مورد نیاز ابزارهای هوش مصنوعی را پشتیبانی می‌کند، هرچند برخی از فیلدهای پیشرفته نیاز به ورود دستی دارند.

MoneyGuidePro و NaviPlan ردپاهای یکپارچه‌سازی هوش مصنوعی سبک‌تری دارند، به این معنی که دفاتر در این پلتفرم‌ها معمولاً از ابزارهای هوش مصنوعی برای گردش‌کارهای جلسه و CRM استفاده می‌کنند، اما ورود داده‌های دستی را در نرم‌افزار برنامه‌ریزی حفظ می‌کنند. این یک محدودیت کشنده نیست، اما به این معنی است که دفتر برخی از صرفه‌جویی‌های زمانی را که یک یکپارچه‌سازی سرتاسری ایجاد می‌کند، از دست می‌دهد.

قانون معماری برای لایه نرم افزار برنامه‌ریزی این است که ابزارهای هوش مصنوعی هرگز نباید مفروضات یا پیش‌بینی‌های برنامه را مستقیماً تغییر دهند. آن‌ها می‌توانند ترجیحات مشتری، به روز رسانی رویدادهای زندگی، و تغییرات اهداف را از مکالمه جلسه دریافت کرده و آن‌ها را به عنوان به روز رسانی‌های پیشنهادی به برنامه ارائه دهند. مشاور به روز رسانی‌ها را به صورت دستی بررسی و اعمال می‌کند. این کار نرم افزار برنامه‌ریزی را به عنوان منبع حقیقت برای برنامه حفظ کرده و از انجام تغییرات غیرمجاز توسط ابزارهای هوش مصنوعی جلوگیری می‌کند.

اتصال گردش‌کار حافظ

لایه حافظ جایی است که اکثر آرایش‌های هوش مصنوعی مشاور مستقل از هم می‌پاشند، زیرا نگهبانان اصلی APIهای خود را به ابزارهای هوش مصنوعی شخص ثالث باز نکرده‌اند، همانطور که CRM و نرم‌افزار برنامه‌ریزی این کار را کرده‌اند. Schwab، Fidelity، Pershing و نگهبانان کوچکتری که به کانال مستقل خدمت می‌کنند، هر یک مواضع یکپارچه‌سازی متفاوتی دارند، و اکثر ابزارهای هوش مصنوعی نمی‌توانند مستقیماً در سیستم‌های نگهبان بنویسند.

راه‌حل عملی استفاده از پلتفرم‌های میان‌افزار مانند Orion، Black Diamond، Tamarac یا Addepar به عنوان لایه یکپارچه‌سازی بین حافظ و آرایش هوش مصنوعی است. این پلتفرم‌ها داده‌های حافظ را در قالب نرمال‌سازی شده‌ای جمع‌آوری می‌کنند که ابزارهای هوش مصنوعی می‌توانند آن را بخوانند و در برخی موارد، در آن بنویسند. برای دفاتری که از قبل از یکی از این پلتفرم‌های میان‌افزار استفاده می‌کنند، داستان یکپارچه‌سازی هوش مصنوعی به طور قابل توجهی آسان‌تر می‌شود.

دفاتری که بدون لایه میان‌افزار از حافظ مستقیماً به CRM می‌روند، با مشکل سخت‌تری روبرو هستند. آرایش هوش مصنوعی می‌تواند داده‌های حافظ را از طریق CRM جذب کند، اگر CRM یکپارچه‌سازی حافظ را داشته باشد، اما تأخیر و کیفیت داده به نحوه پیکربندی آن یکپارچه‌سازی بستگی دارد. برای اکثر دفاتری انفرادی و کوچک، این قابل قبول است. برای دفاتری که ساختارهای خانوادگی پیچیده یا سرمایه‌گذاری‌های جایگزین را مدیریت می‌کنند، محدودیت‌های داده به لحاظ عملیاتی اهمیت پیدا می‌کنند.

بعد انطباقی یکپارچه‌سازی حافظ به اندازه بعد فنی آن اهمیت دارد. ابزارهای هوش مصنوعی که داده‌های حافظ را لمس می‌کنند، تحت تعهدات دفاتر و سوابق شرکت قرار می‌گیرند، به این معنی که مسیر حسابرسی باید حفظ شود و داده‌ها باید به گونه‌ای آرشیو شوند که الزامات بازرسی SEC را برآورده سازد. دفاتری که ابزارهای هوش مصنوعی را به گردش کار حافظ متصل می‌کنند بدون در نظر گرفتن پیامدهای انطباقی، با مشکلات بازرسی غیرمنتظره‌ای مواجه می‌شوند.

طراحی گردش کار جلسه به صورت سرتاسری

گردش کار جلسه جایی است که بیشترین ارزش هوش مصنوعی در یک دفتر مستقل ایجاد می‌شود، و طراحی باید کل فرآیند را از خلاصه قبل از جلسه تا پیگیری پس از جلسه پوشش دهد. روشی که کار می‌کند، جلسه را به عنوان یک گردش کار واحد در نظر می‌گیرد، نه دنباله‌ای از مراحل جداگانه.

خلاصه قبل از جلسه باید از CRM، نرم‌افزار برنامه‌ریزی و میان‌افزار حافظ اطلاعات را دریافت کند تا سندی یک صفحه‌ای شامل خلاصه‌ی موجودی خانوار، فعالیت‌های اخیر، موارد خدماتی باز، پیشرفت برنامه و هر رویداد زندگی مرتبطی که در جلسات قبلی ثبت شده است، تولید کند. این خلاصه باید بیست‌وچهار تا چهل‌و‌هشت ساعت قبل از جلسه آماده باشد تا مشاور زمان کافی برای بررسی و آماده کردن سوالات خاص داشته باشد.

ثبت اطلاعات در حین جلسه باید در پس‌زمینه بدون ایجاد حواس‌پرتی برای مشاور یا مشتری انجام شود. خروجی باید یک خلاصه ساختاریافته مطابق با فرمت مورد علاقه شرکت، یک لیست اقدامات با مسئولین و مهلت‌ها، و یک پیش‌نویس ایمیل پیگیری باشد که مشاور بتواند آن را بررسی و ارسال کند. ثبت اطلاعات همچنین باید یک یادداشت CRM با فرمت استاندارد شرکت بنویسد تا سوابق بدون نیاز به ورود دستی کامل شوند.

پیگیری پس از جلسه باید شامل ارسال ایمیل، به روزرسانی CRM، به روزرسانی نرم‌افزار برنامه‌ریزی در صورت discussions هرگونه تغییر در برنامه، و ایجاد هرگونه مورد خدماتی باشد که مکالمه ایجاد کرده است. اینجاست که اتوماسیون گردش کار هوش مصنوعی برای RIAs بیشترین اهرم را فراهم می‌کند زیرا هر یک از این مراحل به طور جداگانه پنج تا پانزده دقیقه از زمان مشاور را می‌گرفت، و اثر تجمعی در طول یک هفته از جلسات قابل توجه است.

انتخاب طراحی که کیفیت گردش کار را تعیین می‌کند این است که آیا ابزارهای هوش مصنوعی خروجی‌ها را به طور خودکار به سیستم‌های مقصد ارسال می‌کنند یا آن‌ها را به عنوان پیش‌نویس برای بررسی مشاور ارائه می‌دهند. پاسخ صحیح ترکیبی است. یادداشت‌های CRM و سوابق داخلی می‌توانند به طور خودکار نوشته شوند زیرا هزینه خطا کم است. ارتباطات مشتری و به روزرسانی‌های برنامه باید پیش‌نویس باشند که نیاز به تأیید مشاور دارند زیرا هزینه خطا بالا است.

ساخت لایه انطباق پیرامون آرایش ابزارها

انطباق تصمیمی معماری است که اکثر دفاتر آن را تا زمانی که به یک مشکل تبدیل شود، به تعویق می‌اندازند. آرایش هوش مصنوعی باید از ابتدا با در نظر گرفتن انطباق طراحی شود، نه اینکه پس از دریافت اخطار بازرسی SEC به صورت معکوس پیاده‌سازی شود. لایه انطباق چهار وظیفه را پوشش می‌دهد: بررسی ارتباطات، آرشیو دفاتر و سوابق، حفظ مسیر حسابرسی، و مستندسازی سیاست‌ها.

بررسی ارتباطات به هر خروجی مشتری‌محور که آرایش هوش مصنوعی تولید می‌کند، اعمال می‌شود. ایمیل‌ها، خبرنامه‌ها، نظرات بازار و به‌روزرسانی‌های مشتری همگی تحت الزامات قانون بازاریابی SEC قرار می‌گیرند، به این معنی که شرکت باید بتواند نشان دهد که محتوا قبل از ارسال بررسی شده است. پیاده‌سازی عملی یا یک ابزار اختصاصی بررسی انطباق است که محتوای تهیه‌شده توسط هوش مصنوعی را بررسی می‌کند، یا یک فرآیند بررسی دستی مستند شده است که مشاور برای هر ارتباط تهیه‌شده توسط هوش مصنوعی دنبال می‌کند.

آرشیو دفاتر و سوابق به تمامی ارتباطات الکترونیکی و ضبط‌ها یا رونوشت‌های جلسات که ابزارهای هوش مصنوعی تولید می‌کنند، اعمال می‌شود. سیستم آرشیو باید خروجی اصلی، نسخه بررسی و ویرایش شده، و فراداده‌هایی را که مستند می‌کنند چه کسی آن را بررسی و تأیید کرده است، حفظ کند. اکثر پلتفرم‌های آرشیو در فضای مشاور مستقل این را پشتیبانی می‌کنند، اما پیکربندی باید به درستی هنگام استقرار ابزارهای هوش مصنوعی تنظیم شود.

حفظ مسیر حسابرسی به این سوال می‌پردازد که کدام ابزار هوش مصنوعی کدام خروجی را در چه زمانی تولید کرده است. بازرسان می‌خواهند ببینند که شرکت می‌داند ابزارهای هوش مصنوعی آن چه کاری انجام می‌دهند و می‌تواند زنجیره تصمیم‌گیری را برای هر خروجی خاص بازسازی کند. دفاتری که ابزارهای هوش مصنوعی را بدون حفظ این مسیر حسابرسی به کار می‌گیرند، در نهایت با یافته‌های بازرسی مواجه می‌شوند که به راحتی قابل اصلاح نیستند.

مستندسازی سیاست‌ها شامل رویه‌های نظارتی کتبی شرکت برای استفاده از ابزارهای هوش مصنوعی است. SEC به طور فزاینده‌ای صریح اعلام کرده است که شرکت‌هایی که از ابزارهای هوش مصنوعی استفاده می‌کنند، به سیاست‌های مستند شده‌ای در مورد انتخاب ابزار، استانداردهای استفاده، نظارت و واکنش به حوادث نیاز دارند. دفاتری که ابزارهای هوش مصنوعی را بدون به روز رسانی دستی انطباق خود به کار می‌گیرند، در حال ایجاد ریسکی هستند که با گذشت زمان تشدید می‌شود.

اجتناب از دام گسترش اشتراکات

گران‌ترین حالت شکست در آرایش هوش مصنوعی مشاور مستقل، خرید اشتراک‌های هم‌پوشان است که یک مشکل مشابه را حل می‌کنند. دفتری که برای خلاصه‌های جلسه به Jump، برای خلاصه‌های با در نظر گرفتن مالیات به Mili، و برای خلاصه‌های گردش کار انفرادی به FinMate مشترک شده است، در حال پرداخت به سه فروشنده برای یک قابلیت است. پاسخ صحیح، یک ابزار برای هر گردش کار است که متناسب با ویژگی‌های خاص دفتر انتخاب شده باشد.

انضباطی که از گسترش اشتراک جلوگیری می‌کند، مستندسازی گردش کاری است که هر ابزار قبل از اضافه شدن به آرایش ابزارها، خدمت‌رسانی می‌کند. اگر ابزار جدید با ابزاری موجود هم‌پوشانی داشته باشد، دفتر باید یا ابزار موجود را بازنشسته کند یا توضیح دهد که چرا هر دو مورد نیاز هستند. اکثر هم‌پوشانی‌ها قابل توجیه نیستند، و ابزار دوم قبل از خرید حذف می‌شود.

یکی دیگر از منابع گسترش، خزیدن ویژگی‌ها در ابزارهای فردی است. بسیاری از پلتفرم‌های هوش مصنوعی با گذشت زمان قابلیت‌هایی را اضافه می‌کنند که با ابزارهای مجاور در آرایش ابزارها هم‌پوشانی دارند. یک پلتفرم جلسه که ویژگی‌های تحقیق مشتریان احتمالی را اضافه می‌کند، تصمیمی را در مورد اینکه آیا باید روی پلتفرم جلسه متمرکز شد یا ابزار تحقیقات مشتریان احتمالی اختصاصی را حفظ کرد، ایجاد می‌کند. پاسخ صحیح به عمق پیاده‌سازی هر ابزار بستگی دارد، اما باید این سوال پرسیده شود تا اجازه ندهیم هر دو ابزار به طور پیش‌فرض هم‌زیستی کنند.

بررسی سالانه اشتراک‌ها مکانیسم عملی برای کنترل گسترش است. سالی یک بار، شرکت باید هر اشتراک هوش مصنوعی را بازبینی کند، گردش کاری را که خدمت می‌کند مستند کند، زمان صرفه‌جویی شده را اندازه‌گیری کند و تصمیم بگیرد که آیا آن را تمدید کند یا خیر. ابزارهایی که نمی‌توانند صرفه‌جویی زمان قابل اندازه‌گیری را نشان دهند، حذف می‌شوند. ابزارهایی که همپوشانی دارند، یکپارچه می‌شوند. این انضباط ناراحت‌کننده است اما تنها راه برای جلوگیری از غیرقابل مدیریت شدن آرایش ابزارها است.

زمانی که زیرساخت سفارشی به پاسخ درست تبدیل می‌شود

ابزارهای هوش مصنوعی SaaS پکیج شده برای اکثر دفاتر مستقل، در اکثر مواقع کار می‌کنند. نقطه‌ای که در آن زیرساخت سفارشی به پاسخ درست تبدیل می‌شود زمانی است که ابزارهای پکیج شده نمی‌توانند با سیستم‌های خاص شرکت یکپارچه شوند، زمانی که گردش کار شرکت با مفروضاتی که ابزارهای پکیج شده کدگذاری کرده‌اند، مطابقت ندارد، یا زمانی که الزامات انطباق شرکت از آنچه ابزارهای پکیج شده پشتیبانی می‌کنند فراتر می‌رود.

دفتری که از CRM غیر استاندارد، نرم‌افزار برنامه‌ریزی غیر استاندارد، یا ارتباط با حافظی استفاده می‌کند که نیاز به مدیریت داده‌های سفارشی دارد، متوجه خواهد شد که ابزارهای هوش مصنوعی پکیج شده یا اصلاً یکپارچه نمی‌شوند یا به گونه‌ای یکپارچه می‌شوند که داده‌ها از بین می‌روند. در آن نقطه، هزینه ساخت یکپارچه‌سازی‌های سفارشی برای کار کردن ابزارهای پکیج شده، نزدیک به هزینه ساخت زیرساخت هوش مصنوعی سفارشی می‌شود که متناسب با عملیات واقعی شرکت باشد.

دفتری که از مفروضات ابزارهای انفرادی و کوچک فراتر رفته اما هنوز به مقیاسی نرسیده است که پلتفرم‌های سازمانی مقرون به صرفه باشند، شکاف مشابهی را خواهد یافت. ابزارهای پکیج شده طراحی شده برای مشاوران انفرادی بسیار ناکافی هستند، و ابزارهای سازمانی طراحی شده برای شرکت‌های بزرگتر بسیار گران و پیچیده‌اند. زیرساخت سفارشی که به طور خاص برای مقیاس و گردش کار دفتر ساخته شده است، به انتخابی منطقی از نظر عملیاتی تبدیل می‌شود.

دفتری با الزامات انطباقی که از آنچه ابزارهای پکیج شده پشتیبانی می‌کنند فراتر می‌رود، از جمله قوانین خاص ایالتی، وابستگی به کارگزاری-دلال با الزامات نظارتی خاص، یا دستورالعمل‌های مشتریان سازمانی که کنترل‌های اضافی را تحمیل می‌کنند، متوجه خواهد شد که لایه‌های انطباق پکیج شده ناکافی هستند. زیرساخت سفارشی که کنترل‌های مورد نیاز را از ابتدا در طراحی عامل پیاده‌سازی می‌کند، قابل دفاع‌تر از ابزارهای پکیج شده با راه‌حل‌های انطباقی متصل شده است.

آستانه اقتصادی برای زیرساخت سفارشی معمولاً یک دفتری است که ۲۰۰ میلیون دلار یا بیشتر دارایی را مدیریت می‌کند، ۱.۵ میلیون دلار یا بیشتر درآمد ایجاد می‌کند و بیش از ۱۵ درصد از درآمد را صرف عملیات و فناوری می‌کند. زیر این آستانه، ابزارهای پکیج شده ارزش بیشتری به ازای هر دلار ارائه می‌دهند. بالاتر از آن، محاسبات به سمت ساخت سفارشی متمایل می‌شود.

توالی پیاده‌سازی که واقعاً کار می‌کند

توالی پذیرش تعیین می‌کند که آیا آرایش ابزارها ارزش می‌آفریند یا بدون استفاده می‌ماند. توالی موفقی که کار می‌کند، پذیرش هوش مصنوعی را به عنوان یک پروژه عملیاتی با مراحل، نقاط عطف و مسئولیت‌پذیری در نظر می‌گیرد، نه یک خرید نرم‌افزاری با کارت اعتباری و یک آزمایش امیدوارکننده.

فاز اول پلتفرم جلسه است. یک ابزار را انتخاب کنید، آن را با CRM یکپارچه کنید، کتابخانه پرامپت را آموزش دهید تا با لحن شرکت مطابقت داشته باشد و آن را برای نود روز اجرا کنید تا هر مشاوری در دفتر بدون فکر کردن به آن، برای هر جلسه از آن استفاده کند. در این فاز ابزار دیگری اضافه نکنید. ابزار اول باید قبل از ارزیابی ابزار دوم، نامرئی شود.

فاز دوم، گردش‌کاری است که بیشترین زمان مشاور را پس از جلسات مصرف می‌کند. برای اکثر دفاتر، این یا تحقیقات مشتریان بالقوه یا بررسی انطباق است. یک ابزار برای آن گردش کار انتخاب کنید، آن را با آرایش ابزارهای موجود یکپارچه کنید، و برای شصت روز اجرا کنید. یکپارچه‌سازی با پلتفرم جلسات از فاز اول، یک عامل تعیین‌کننده در انتخاب ابزار است.

فاز سوم لایه اتوماسیون گردش کار است که ابزارهای موجود را به هم متصل می‌کند. این اغلب جایی است که یکپارچه‌سازی‌های سفارشی یا میان‌افزارها ضروری می‌شوند، زیرا ابزارهای آماده، به روشی که دفتر نیاز دارد، با یکدیگر ارتباط برقرار نمی‌کنند. سرمایه‌گذاری در این فاز، مجموعه‌ای از ابزارها را به یک آرایش ابزارهای پایدار تبدیل می‌کند.

فاز چهارم مرحله بهینه‌سازی است. هنگامی که آرایش ابزارها در حال اجراست، دفتر زمان واقعی صرفه‌جویی شده را اندازه‌گیری می‌کند، گردش‌کارهایی را که هنوز زمان زیادی از مشاور می‌گیرند شناسایی می‌کند و یا پیکربندی ابزارهای موجود را عمیق‌تر می‌کند یا قابلیت‌های هدفمند را اضافه می‌کند. این فاز پیوسته است تا محدود به زمان، زیرا آرایش ابزارها با رشد دفتر تکامل می‌یابد.

اندازه‌گیری اینکه آیا آرایش ابزارها واقعاً کار می‌کند

معیارهایی که برای یک آرایش هوش مصنوعی مهم هستند، شامل ساعت‌های صرفه‌جویی شده مشاور در هفته، زمان پاسخگویی ارتباط با مشتری، زمان آماده‌سازی جلسه و نرخ استثنای انطباق است. این‌ها معیارهای عملیاتی هستند که دفتر می‌تواند مستقیماً آن‌ها را اندازه‌گیری کند، و نشان می‌دهند که آیا آرایش ابزارها ارزش ایجاد می‌کند یا فقط بودجه مصرف می‌کند.

ساعت‌های صرفه‌جویی شده مشاور در هفته باید در سطح مشاوران فردی ردیابی شود تا در سطح شرکت. واریانس در بین مشاوران نشان می‌دهد که کدام گردش‌کارها کار می‌کنند و کدام‌ها نه. مشاوری که شش ساعت در هفته با آرایش ابزارها صرفه‌جویی می‌کند در حالی که مشاور دیگری صفر ساعت صرفه‌جویی می‌کند، نشانه‌ای است که مشاور دوم به آموزش اضافی نیاز دارد یا اینکه آرایش ابزارها با گردش کار مشاور دوم مطابقت ندارد.

زمان پاسخگویی ارتباط با مشتری باید از زمان دریافت پیام ورودی مشتری تا پاسخ مشاور اندازه گیری شود. آرایش هوش مصنوعی باید این زمان را به طور قابل توجهی فشرده کند زیرا تولید پیش نویس و مسیریابی خودکار می‌شوند. اگر زمان پاسخگویی بهبود نیابد، آرایش هوش مصنوعی عملاً گردش کار را تغییر نمی‌دهد.

زمان آماده‌سازی جلسه باید از زمان برنامه‌ریزی جلسه تا بررسی خلاصه اندازه‌گیری شود. خلاصه قبل از جلسه باید این زمان را به نصف یا بیشتر کاهش دهد. اگر اینطور نیست، خلاصه با گردش کار آماده‌سازی واقعی مشاور مطابقت ندارد و باید دوباره پیکربندی شود.

نرخ استثنای انطباق اندازه‌گیری می‌کند که محتوای تولید شده توسط هوش مصنوعی چند بار در طول بررسی علامت‌گذاری می‌شود. نرخ بسیار بالا نشان می‌دهد که ابزارهای هوش مصنوعی محتوایی تولید می‌کنند که با وضعیت انطباق شرکت مطابقت ندارد. نرخ بسیار پایین ممکن است نشان دهد که فرآیند بررسی واقعاً مسائل را شناسایی نمی‌کند. هر دو حد افراطی علائم هشدار دهنده هستند.

درباره TFSF Ventures TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایه‌گذاری است که زیرساخت عامل هوشمند را از طریق سه ستون یکپارچه: زیرساخت عامل، مسیرهای پرداخت غیرسنتی و یک موتور سرمایه‌گذاری کامل، در کسب‌وکارها مستقر می‌کند. با ۲۷ سال تجربه در پرداخت‌ها و نرم‌افزار، TFSF در سطح جهانی فعالیت می‌کند و به ۲۱ بخش صنعتی با متدولوژی استقرار ۳۰ روزه خدمات ارائه می‌دهد. اطلاعات بیشتر را در https://tfsfventures.com به دست آورید.

ارزیابی رایگان هوش عملیاتی را انجام دهید. چند سوال سریع در مورد کسب و کار خود پاسخ دهید. یک طرح استقرار هوش مصنوعی سفارشی شامل توصیه‌های عامل، معماری و یک نقشه راه خاص برای عملیات شما را ظرف ۲۴ تا ۴۸ ساعت دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. از https://tfsfventures.com/assessment شروع کنید.

منتشر شده در ابتدا در https://tfsfventures.com/blog/how-to-stack-the-best-ai-tools-for-independent-financial-advisors

نوشته شده توسط تیم تحقیقاتی TFSF Ventures