Un tutorial sul blog di Fivetran mostra come costruire un sistema di engagement scoring per gli account commerciali usando le cosiddette «AI Columns», con l’obiettivo di consegnare punteggi, sintesi e spunti di vendita direttamente in Salesforce. È una guida pratica utile, ma vale la pena distinguere fin da subito ciò che è tecnica trasferibile da ciò che è legato al prodotto Fivetran Activations.
Cosa sono le AI Columns e cosa si costruisce
Le AI Columns sono descritte come una funzionalità che genera insight «dinamici e context-aware» direttamente dai dati del warehouse, appoggiandosi a un large language model per interpretare dati strutturati (uso del prodotto, attributi cliente, attività di vendita) e produrre sintesi, punteggi e raccomandazioni. È una feature specifica di Fivetran Activations: il setup richiede di abilitare Activations, collegare il warehouse come sorgente, Salesforce come destinazione e una API key di un provider di modelli. Il flusso finale assegna a ogni account un punteggio di engagement, aree di interesse e talking point per il team commerciale, sincronizzati in automatico.
Il cuore trasferibile: SQL e prompt
La parte davvero riutilizzabile, indipendente dalla piattaforma, sta nella preparazione dei dati e nel prompt. Il tutorial suggerisce di limitare la finestra agli ultimi 90 giorni per mantenere la rilevanza commerciale, e aggrega gli eventi per account con pattern SQL classici: una WITH clause per strutturare i dati, ARRAY_AGG() per raccogliere gli eventi e OBJECT_CONSTRUCT() per annidarli in un unico campo JSON con id, asset, timestamp e likelihood. Sul lato modello, la logica di scoring è esplicita e sensata: filtrare gli eventi irrilevanti, pesare l’engagement likelihood (Alta=3, Media=2, Bassa=1), normalizzare su una scala 0-10 e arrotondare. Il prompt chiede anche una sintesi delle attività, i tre-cinque asset principali e alcuni spunti azionabili, con un fallback esplicito in caso di dati malformati.
Caveat: dove serve prudenza
Il pattern è solido come impostazione, ma alcune scelte meritano occhio critico. Delegare a un LLM il calcolo aritmetico di un punteggio è fragile: la somma pesata e la normalizzazione sono operazioni deterministiche che conviene fare in SQL, lasciando al modello solo la parte narrativa. Affidare la math al modello introduce non-determinismo e costi inutili. Inoltre, un «engagement score» generato da AL e spinto in Salesforce rischia di essere trattato come oggettivo quando è, in realtà, il prodotto di un prompt e di soglie arbitrarie: va documentato e validato prima di guidare decisioni commerciali. Infine, ricordiamo che è comunque il tutorial di un vendor, pensato per mostrare la propria feature nel modo più fluido possibile.
In sintesi
- Il valore riutilizzabile del tutorial sta nei pattern SQL di aggregazione JSON e nel prompt engineering, non nella feature proprietaria.
- La logica di scoring — filtro, pesatura, normalizzazione 0-10 — è trasferibile a qualsiasi stack, ma il calcolo numerico andrebbe fatto in SQL, non nel modello.
- Un punteggio generato da LLM non è un dato oggettivo: va validato e documentato prima di guidare le vendite.
Fonte: Building an engagement scoring system using AI Columns
Hai qualcosa da aggiungere? Unisciti alla discussione.