La empresa multinacional de infraestructura de datos Equinix ha estado capitalizando el aprendizaje automático desde 2018, a través de una iniciativa que utiliza modelos probabilísticos para predecir la probabilidad de que los clientes potenciales compren las ofertas de Equinix, un programa que ha ayudado a generar millones de dólares en ingresos desde su lanzamiento.
Pero, desde el lanzamiento de este proyecto, el grupo ha evolucionado y ha aumentado su dependencia de sus socios distribuidores. Por ello, en 2021, Equinix revisó su plataforma de prospección para adaptarse a esta realidad. Objetivo del nuevo enfoque de previsión basado en IA: identificar los socios mejor posicionados para ayudar a la empresa a generar nuevas ventas, tanto a nivel mundial como en regiones y países específicos.
De hecho, en ciertos países o industrias, los socios de Equinix están particularmente bien posicionados para satisfacer la demanda de asesoramiento, soluciones integradas y servicios avanzados de los clientes. Ejemplo concreto: el sector público, donde es fundamental identificar socios que tengan las autorizaciones necesarias y que ya hayan establecido contactos con los mandantes.
Identificar los socios más relevantes
Esta iniciativa, denominada 'Prospección de socios impulsada por IA', ayuda a determinar qué clientes potenciales son mejor atendidos por los equipos de ventas directas de Equinix y cuáles preferirán enfoques de socios o distribuidores. Este proyecto, que le valió a Equinix el premio CIO 100 2023 en el campo de la excelencia en TI, tiene dos objetivos: identificar los socios que tienen el mayor potencial para adquirir nuevos clientes y priorizar a los socios que probablemente generen los pedidos más importantes.
"Esto permite a Equinix centrar sus inversiones y recursos en los socios más adecuados para actividades conjuntas de ventas y reventa", dijo Ted Dangson, director senior de estrategia y análisis de IA de Equinix. El despliegue completo del proyecto está previsto para mediados de septiembre. Pero, los modelos y paneles producidos ya muestran cómo la ciencia de datos puede permitir que el departamento de TI ayude a las ventas a orientar mejor sus esfuerzos y generar más ingresos.
Uniendo oferta y demanda
Ram Bala, científico jefe de datos de Equinix, da una idea de la magnitud de la tarea para lograr este resultado: “Equinix tiene necesidades específicas a la hora de identificar oportunidades y priorizar socios. Más de 1300 proveedores de tecnología y servicios en todo el mundo se han sometido a un riguroso proceso de evaluación para ser reconocidos como socios de Equinix y han registrado más de 9000 contratos con Equinix en los últimos tres años. En el sector público, a partir de numerosas RFP (solicitudes de propuestas) emitidas en Estados Unidos, es necesario identificar las licitaciones pertinentes para Equinix y los socios más adecuados para las ventas conjuntas”, indica Ram Bala.
Al aplicar las herramientas adecuadas de gestión de datos, análisis, aprendizaje automático e inteligencia empresarial, Ted Dangson explica que su equipo se dio cuenta para 2021 de que Equinix podría analizar datos de socios de canal y clientes finales para determinar qué clientes estarían mejor atendidos por las ventas directas de Equinix. y cuáles otros serían mejor atendidos por socios y revendedores. El mismo equipo todavía se da cuenta de que la tecnología ayudará a satisfacer las necesidades del usuario final con las afinidades de servicio de los socios, al mismo tiempo que proporcionará información que permitirá a todas las partes acelerar el crecimiento de los ingresos. .
El equipo de AI and Analytics Manager, que trabajó estrechamente con Equinix Sales and Marketing en el proyecto, primero buscó proveedores que pudieran ofrecer soluciones listas para usar adecuadas para este caso de uso, pero finalmente decidió construir su propio marco de modelo de AI en colaboración con los equipos de ingeniería, ciencia de datos y TI de Equinix.
Consolidar datos de entrenamiento
Como parte de este trabajo, Ram Bala y su equipo de científicos de datos llevaron a cabo un análisis en profundidad de datos internos y de terceros para identificar los conjuntos de datos críticos para desarrollar una estrategia eficaz de ciencia de datos que permita una jerarquía de socios frente a cada uno. oportunidad
"Utilizamos atributos de datos comerciales y tecnológicos que son relevantes para prospectos y socios y aprovechamos contratos y adjudicaciones gubernamentales anteriores, información de bases de datos federales de código abierto", detalla el científico jefe de datos. “Además, solicitamos acceso a documentos de texto y PDF, que brindan amplia información sobre próximas oportunidades y licitaciones. También identificamos relaciones pasadas relevantes entre clientes y ciertos perfiles de socios, según los conjuntos de datos internos de Equinix. »
Luego, el equipo se dedicó a construir modelos de aprendizaje automático que utilizaran estos datos para:
- desarrollar una calificación y recomendaciones a nivel global y nacional para priorizar a los socios;
- identificar proyectos de transformación digital lanzados por gobiernos que sean relevantes para Equinix, y desarrollar puntuaciones y recomendaciones a nivel de países y agencias comerciales del grupo para priorizar a los socios en estos contratos públicos.
- validar científicamente la relevancia de los socios existentes e identificar nuevos socios a los que priorizar;
- identificar prospectos y clientes mejor atendidos por un canal de venta directo o por un canal de venta indirecto;
- redirigir las ventas hacia el canal correcto, para permitir a los socios realizar una prospección inteligente.
La plataforma de prospección de socios de Equinix utiliza algoritmos de procesamiento del lenguaje natural (NLP) para extraer pasajes importantes de las RFP, acompañados de una puntuación de relevancia para cada oportunidad, explica Ted Dangson, que aclara que los algoritmos también proporcionan razonamiento para respaldar sus recomendaciones. "Estos detalles adicionales revolucionaron la forma en que los usuarios finales interpretan y utilizan las predicciones del modelo, lo que llevó a una mayor adopción de la solución y al éxito general del proyecto", señala.
Anotar y etiquetar datos de entrenamiento
Según Ram Bala, la anotación de datos y el etiquetado incorrecto de algunas muestras utilizadas para entrenar modelos de aprendizaje automático fueron el mayor desafío del proyecto. La falta de datos anotados dificultó la creación de modelos suficientemente precisos y computacionalmente eficientes para identificar licitaciones públicas relevantes para Equinix, y las muestras mal etiquetadas dificultaron la capacitación de modelos de ML para priorizar a los socios para las ventas empresariales.
"Para resolver estos problemas, aprovechamos tecnologías de varios centros de investigación académicos y corporativos", dice el jefe científico de datos. “Nos llevó casi cuatro meses desarrollar el MVP y otros cinco meses desarrollar una solución integral, escalable e integrable. »
Conciliar producción e innovación
La solución ya está implementada y Equinix afirma que los usuarios finales la ven como una herramienta esencial para hacer su trabajo más fácil y preciso. En su informe de resultados del segundo trimestre de 2023, la compañía dijo que su programa de distribución representó el 40% de los pedidos y casi el 60% de sus nuevos clientes.
Para Ram Bala, la clave del éxito en la ejecución de proyectos de este tipo es encontrar el equilibrio adecuado entre eficiencia productiva e innovación. “Nuestro objetivo es fomentar un entorno propicio para la innovación, asegurando que se alinee con los objetivos de crear valor y maximizar el retorno de la inversión. A medida que difundimos esta cultura de innovación en toda la organización, comenzamos a ver gradualmente surgir iniciativas de transformación. Este enfoque no sólo promueve la creatividad e influye positivamente en la moral del equipo, sino que también crea un ambiente donde el fracaso se acepta como una valiosa experiencia de aprendizaje. ".
Otras noticias que te pueden interesar