Aprende a optimizar datos con IA y potencia tus procesos empresariales

 

¿Está tu empresa lista para la inteligencia artificial? ¿Cómo asegurar que la data confiable sea el primer paso en su implementación?

Una de las cosas que es innegable es que la inteligencia artificial viene. Ya saben hoy cuántas personas en su empresa están utilizando la inteligencia artificial. Probar requiere en algún momento fracasar.

El primer insumo que necesitan los agentes, el primer insumo que necesita la inteligencia artificial es data confiable. Si yo a la inteligencia artificial le entrego información deficiente, no puedo esperar que me dé información óptima. ¿Cuándo fue la última vez que revisaron su base de datos? Hola a todos, bienvenidos a un nuevo episodio de Autana Amplify.

Hoy no tenemos invitado, hoy van a estar conversando conmigo y vamos a hablar de un tema que ha sido una conversación recurrente en las últimas semanas, sobre todo con empresas que están empezando en esa trayectoria de cómo subirse a la inteligencia artificial. Y una de las preguntas que más nos hemos hecho es cómo se están preparando. Porque una de las cosas que es innegable es que la inteligencia artificial viene, o mejor dicho, ya está aquí.

Ya debemos empezar a implementarla, pero implementarla también requiere de algunos pasos previos, de un proceso que tenemos que hacer antes. Y en esa línea hoy vamos a tener una conversación con respecto a eso. Para comenzar, les quiero mostrar unas preguntas y quiero mostrarles un poco las reflexiones que hemos venido haciendo durante estos días.

Y como les decía, la primera pregunta pasa por respondernos cómo nos estamos preparando, o si hicimos ese trabajo de preparación. A lo mejor ya estamos experimentando, ya tenemos modelos, ya lo estamos usando, pero me gusta a mí hacer esta primera reflexión. ¿Ya saben hoy cuántas personas en su empresa están utilizando la inteligencia artificial? Y profundizando un poco más, ¿cuántas no lo están usando? ¿Y sabemos por qué no lo están usando? ¿Cuáles son esos temores que tiene cada uno de nuestros empleados cuando dice, oye, pero es que si empiezo a usar la inteligencia artificial, probablemente voy a darle pie a mi jefe para que vea cómo me puede reemplazar? Que es un temor muy presente en los empleados del día de hoy.

Nuestros colaboradores hoy están preguntándose si la inteligencia artificial de verdad nos va a reemplazar. Y en ese ejercicio de empezar a probar, prueban, pero prueban con miedo. Entonces, una de las reflexiones para los que estamos hoy liderando empresas y los que estamos liderando equipos es empezar a mirar dentro de nuestros colaboradores cuántas personas ya lo están usando.

¿Cómo lo están usando? ¿Están siendo más eficientes en su trabajo? ¿De verdad están aprovechando todo el potencial? Y los que no lo están usando, ¿por qué no? ¿Qué está pasando allí que no nos estamos dando el permiso, o ellos mismos no se están dando el permiso de probar y experimentar con nuevas herramientas? ¿Hay miedo al fracaso? ¿Hay miedo al error? ¿Hay miedo a no hacerlo bien? Esa es una pregunta que hoy muchas de las empresas con las que estamos trabajando nos estamos haciendo en conjunto y estamos validando con sus equipos qué es lo que está pasando allí.

Otra reflexión que digamos para mí es fundamental y en otros episodios de este podcast hemos conversado es, ya tengo un análisis de mis procesos, ya sé en qué parte de mis procesos puede impactar la inteligencia artificial. ¿Hay algún proceso donde ya lo esté usando? Y más importante aún, ¿estoy midiendo lo que está pasando allí? Porque conectado a lo que les decía antes, si estamos hablando de, bueno, probar requiere en algún momento fracasar, probar también nos puede llevar a ser exitosos, a conseguir eficiencias en nuestros procesos, pero mientras no lo midimos, entonces no podemos saber cuánto es realmente el impacto.

¿Cómo pueden las empresas superar la deuda técnica y la resistencia al cambio para adoptar una gestión guiada por datos que impulse la toma de decisiones y la mejora continua?

Entonces es un poco cambiar un poco el mindset y el chip y entender que todo el mundo se obsesione por entender el por qué desde los datos y desde esa comprensión tome decisiones, pero más importante aún no solo tomar decisiones, sino accionar sobre esas decisiones. Muchas veces pasaba y todavía de pronto pasa en algunos lados que se tienen todas las herramientas y los insumos para tomar una decisión, pero no se acciona la decisión. Entonces es desde ahí, digamos, cambiar esa forma de hacerlo y pues de forma práctica.

Eso también significa, no sé, cómo voy a segmentar a los clientes, cómo hago temas de hiperpersonalización, cómo optimizo mis procesos desde la medición de los indicadores de mi proceso, por ejemplo, los niveles de conversión, de rendimiento, de ticket promedio, etc. Cómo tengo mejor forecast y pues en general cómo desde los datos estoy implementando todo el tiempo procesos de mejora continua. Aquí hay desafíos importantes donde están temas, por ejemplo, la famosa deuda técnica, la calidad de los datos, la cultura, temas de adopción, temas de gestión de cambio, muchas veces el exceso, hoy en día el sobre exceso, pues, por redundante que suene de expectativas, que normalmente no son realistas, no están alineados como al nivel de madurez real que se tiene en las organizaciones.

Pero para no olvidarme del tema, eso es lo que para mí viene a ser a cuadrir. Y qué bueno que lo mencionas como ese cambio. Yo recuerdo no hace mucho atrás, 7, 8 años atrás, y hacíamos anécdota haber ido a un concesionario grande, importante, en uno de nuestros clientes, y todavía encontrarme con equipos de venta que tomaban notas en cuadernos, en papel, y tomaban decisiones de cuántos vehículos íbamos a comprar y cuánto inventario íbamos a tener en base a lo que tomaban nota en papel.

Y ojo, no es que eso no funcionaba en ese momento. Ese era uno de los concesionarios más grandes y más importantes de ese país donde estábamos trabajando. Pero definitivamente, de eso a lo que estamos viviendo ahora, necesitamos hacer un cambio.

Y la industria automotriz es una industria bien tradicional. Pero definitivamente, yo veo que las empresas que quieren seguir creciendo, que quieren ser exitosas, tienen que cambiar esa mentalidad. Y por eso estamos viendo más y más esa adopción.

Pero en esa línea, a mí me gustaría preguntarte cuáles son esas herramientas que las empresas pueden empezar a tomar, o pueden empezar a adoptar, para ir guiando ese cambio a una gestión guiada por datos. Yo te diría que para mí las herramientas normalmente deberían entrar en un plano secundario. Porque lo más importante es tener muy claro el propósito y tener un proceso bien establecido.

¿Estás seguro de que los datos en tu empresa son 100% confiables? ¿Cómo impacta esto en la efectividad de la inteligencia artificial?

Y esa es una reflexión que hoy en día es muy importante. Nosotros como empresarios y nosotros como líderes de equipo deberíamos estar midiendo dentro de cada uno de nuestros procesos cómo impacta la inteligencia artificial y cuánto es el beneficio que estoy obteniendo con cada una de esas modificaciones o cada una de esas alteraciones que vamos a hacer a nuestros procesos. ¿La automatización realmente me está dando resultados? La siguiente reflexión que hemos hecho durante estos días tiene que ver con qué tan confiable es la data que tenemos.

Una de las cosas que nosotros le preguntamos a los equipos cuando conversamos con ellos es, si tuvieses que tomar una decisión hoy, si tuvieses que decir, mira hoy tengo que cambiar mi presupuesto, pudieras hacerlo sin lugar a duda con los datos que ves en tu CRM, por ejemplo, si tuvieses hoy que decidir si vas a invertir en una nueva campaña publicitaria o no, pudieras hacerlo sin lugar a duda con la data que ves en tu reporte, no tienes que revisar nada, tus datos son 100% confiables y en esa reflexión una de las cosas que es importante ver es, si nosotros queremos abordar la inteligencia artificial, el primer insumo que necesitan los agentes, el primer insumo que necesita la inteligencia artificial es data confiable y esa data no sólo pasa por lo que tenemos en nuestra base de datos, no sólo pasa por lo que tenemos en nuestro CRM.

Piensen por ejemplo que si ustedes quisieran hacer un agente con inteligencia artificial que le explicara a los empleados nuevos, a los nuevos ingresos, a los nuevos colaboradores, que le explicara a ellos, por ejemplo, cómo funciona la empresa, nuestros manuales de operaciones están al día, cuándo fue la última vez que revisamos nuestra misión, nuestra visión, cuándo fue la última vez que hicimos una actualización de nuestra página web, en realidad la documentación de nuestra empresa refleja lo que somos hoy en día como negocio, esos son fuentes de datos que son importantes para la inteligencia artificial, si yo quiero que los agentes puedan mejorar la atención al cliente.

¿Está tu base de datos lista para la inteligencia artificial? ¿Cómo la calidad y la optimización de los datos impactan en los resultados de prospección y automatización?

Si yo quiero que los agentes puedan hacer mejor prospección, la data que tengo disponible para ellos en mis documentos, en mi base de datos, en mi CRM, tiene que estar limpia, tiene que ser coherente, pero además tiene que estar organizada y estructurada para que ellos puedan hacer de mejor manera su trabajo y una de las cosas que es importante aquí es entender este concepto que mucho tiempo se ha hablado de garbage in, garbage out, si yo a la inteligencia artificial le entrego información deficiente, no puedo esperar que me dé información óptima, todo lo que yo le dé como insumo, la inteligencia artificial lo va a utilizar y lo va a amplificar y eso tiene que ser de la mejor calidad posible, no les estoy diciendo que mañana tienen que rehacer toda la documentación de su empresa, pero tenemos que tratar de darle la mejor información que podamos para que la inteligencia artificial nos pueda entregar el mejor producto final. Una última reflexión, si viéramos hoy nuestros sistemas, cada cuánto tiempo le hacemos una optimización.

Cada cuánto tiempo hacemos una revisión de nuestra base de datos, tenemos una política de gobierno de datos, tenemos una política de optimización de los datos de nuestra empresa y la pregunta es ¿cuándo fue la última vez que revisaron su base de datos? ¿Hace un mes? ¿Hace tres meses? ¿Hace seis meses? ¿Hace un año? Hay una estadística que es muy importante y que todos los que estamos por ejemplo en el área de marketing y que en algún momento hicimos alguna campaña de marketing, miramos que es que tras un año el 20% de nuestros correos electrónicos se deteriora, bien porque la persona cambió su correo electrónico, bien porque ya no trabaja en esa empresa y en un ejercicio tan simple como el de enviar campañas por email, ya nosotros sabemos que durante un año perdemos el 20% de nuestra data. Si eso pasa con los emails.

Imaginen lo que está pasando con teléfonos, direcciones, con facturas que creamos y que luego eliminamos, con notas de crédito, con datos de prospectos que creamos y que luego sacamos, entonces si no estamos en un proceso recurrente de mirar nuestra base de datos, si no tenemos una política de optimización, de ver el ciclo de vida de los datos, cada cuánto tiempo nuestra data se desactualiza, se deprecia, se pierde, ese es un proceso que tenemos que hacer de manera recurrente y eso va a hacer que más adelante las actualizaciones, los procesos de limpieza cada vez sean menores, pero además va a hacer que la inteligencia artificial trabaje de mejor manera, funcione de mejor manera.

Todos aquí hemos visto múltiples ejemplos cuando todavía no había inteligencia artificial de hola first name o hola espacio en blanco, porque teníamos un dato malo, hicimos una

¿Está tu base de datos lista para potenciar la inteligencia artificial? ¿Cómo asegurar que los errores no se amplifiquen al implementarla?

Actualización, eso le salió a mil contactos y esos mil contactos no todos tenían el nombre.

Entonces, si ya nosotros sabemos que eso pasa en nuestras organizaciones, este es un proceso y es una reflexión que tenemos que hacer de manera recurrente.

Mi base de datos está al día, mi base de datos está limpia, he hecho algún proceso para mantenerla al día y digamos dentro de mis reflexiones, y esta probablemente va a ser la última, es una reflexión de asumir que las cosas están bien no va a hacer que efectivamente estén bien, porque la verdad es que no es lo que no sabes, es lo que crees que sabes y tienes la certeza de que sabes y en realidad no es así.

Entonces nosotros muchas veces como líderes nuestro ego nos hace ver como no, mi página web está súper bien, está al día, si mi equipo está todo el tiempo trabajando en eso y finalmente no vemos que hace seis meses que hay dos contenidos que no se actualizan, o hace un año que no tocamos el contenido de nuestra base de conocimiento, o hace tres años que no vemos las preguntas frecuentes y esas preguntas frecuentes ya no son las preguntas frecuentes, y asimismo como pasa con la documentación que le exponemos a nuestros clientes pasa con la documentación interna y asimismo como pasa con la documentación interna pasa con la base de datos.

Entonces todas estas reflexiones nos llevan a pensar en qué debo hacer, cómo me debo preparar para que cuando venga la implementación de la inteligencia artificial estos errores que tengo dentro de mi data, que tengo dentro de mi equipo no se amplifiquen, no se multipliquen, porque finalmente la inteligencia artificial lo que va a hacer es potenciar, aumentar lo que tengamos como base. Si nuestra base está correcta y está limpia entonces la inteligencia artificial va a aumentar y va a amplificar las cosas positivas, pero si nuestra base de datos no está correcta, no está limpia, la inteligencia artificial lo que va a hacer es también amplificar esos errores.

Voy a aprovechar entonces de mostrarles un ejemplo, esto es un análisis que nosotros estamos haciendo utilizando inteligencia artificial para que la inteligencia artificial nos diga, por ejemplo, cuáles son esos errores que encuentra o esos datos que, por ejemplo, una gente no sería capaz de entender.

Entonces este análisis que están viendo acá es un análisis de una base de datos de una cuenta de un CRN y en este análisis nosotros encontramos cuáles son esos detalles donde la inteligencia artificial puede entender lo que está pasando dentro de la base de datos como puede no entenderlo y el problema de no entender lo que está pasando en la base de datos es que ella puede usar esa información de manera incorrecta.

¿Está tu base de datos lista para que la inteligencia artificial entienda el contexto? ¿Cómo evitar que los errores de interpretación afecten el análisis y la toma de decisiones?

Entonces si la inteligencia artificial yo le pidiera, oye quiero que me hagas un análisis sobre la distribución de los productos en mi almacén, pero la inteligencia artificial no entiende dónde está ese campo, entonces el análisis que me va a entregar va a ser un análisis errado.

Entonces voy a mostrarles un poco lo que hace este reporte para que tengan una idea de las cosas que podemos ver, que podemos identificar y cómo rápidamente haciendo una corrección sencilla ya podemos empezar a mejorar nuestro proceso, ya nos podemos empezar a preparar de mejor manera.

Entonces este análisis, como les dije, entra a la base de datos, un agente de inteligencia artificial mira toda la data y nos dice cuáles son los datos que entiende y cuáles son los datos que no. En este caso, por ejemplo, fíjense que me está diciendo que todas estas propiedades, año del vehículo, marca del vehículo, modelo del vehículo, kilómetro del vehículo, que pudieran ser propiedades que un humano fácilmente pudiera entender, la inteligencia artificial me dice, bueno, estas son propiedades que están relacionadas con el vehículo, pero no tienen ninguna descripción adicional, no tengo ningún contexto.

Y una de las cosas importantes, para los que, digamos, no están tan versados en el tema de inteligencia artificial, es que la inteligencia artificial recibe información, pero además de recibir información, necesita contexto, necesita saber con qué está eso relacionado, porque si yo en una base de datos me encuentro propiedades de un vehículo, en una empresa donde probablemente estamos hablando de servicios médicos,

Esa información dentro de la base de datos de servicios médicos, información del vehículo, sin contexto para la inteligencia artificial, tiene poco significado. Entonces, una de las cosas que deberíamos proporcionarle a la inteligencia artificial, por ejemplo, es una descripción de estos campos. Si volvemos al ejemplo que les acabo de dar, en una empresa de servicios médicos, todas estas propiedades del vehículo pudieran estar relacionadas con un accidente.

Entonces yo pudiera decir, bueno, el paciente tuvo un accidente en este tipo de vehículos, y ese contexto haría que la inteligencia artificial entendiera de mejor manera qué es lo que está pasando dentro de esta base de datos. Entonces, fíjense que aquí dice que los campos no tienen descripciones, y al no tener descripciones, fácilmente nos dice, falta contexto sobre el tipo de producto que se está describiendo, se necesita una descripción clara. Entonces, no solamente basta con que mis campos sean descriptivos, sino que además yo necesito darle contexto dentro de la base de datos a la inteligencia artificial.

Fíjense que en este mismo ejercicio tengo costo de interés, costo por cantidad de transacciones, país, método. Entonces, más adelante la inteligencia artificial me dice, bueno, son propiedades con poco o ninguna descripción, parecen relacionadas con costos financieros y método de pago. Entonces, se requiere información adicional para comprender el contexto y el propósito de cada propiedad.

¿Por qué? Porque en este caso, este ejercicio es para una empresa que maneja créditos automotrices. Entonces, al no darle contexto, si él encuentra otras propiedades que no están relacionadas con esto, puede no hacer la asociación de manera correcta. Entonces, es importante que cuando estemos preparando nuestra base de datos, no solamente describamos los campos, sino que además, no solamente nombremos los campos de forma descriptiva, sino que además le demos descripción a los campos, para que la inteligencia artificial pueda hacer un mejor trabajo.

 

¿Está tu base de datos preparada para que la inteligencia artificial entienda la ambigüedad? ¿Cómo garantizar que la información multilingüe y ambigua no afecte los resultados?

Si se fijan, la otra cosa que pasa en esta base de datos es que tengo campos en inglés y en español. Entonces, al tener campos en inglés y en español, la inteligencia artificial tampoco puede asumir directamente que esta es una empresa que trabaja en español o una empresa que trabaja en inglés. Tampoco puede asumir directamente que hay una relación entre esos campos.

Y muchas de las cosas que nos va a decir es, por ejemplo, la información es ambigua, se necesita saber si la superficie está medida en una unidad específica o en otra unidad, porque no lo tengo claro. Se necesita asegurar, por ejemplo, si estoy trabajando con multimoneda o no estoy trabajando con multimoneda, siempre la inteligencia artificial me va a pedir conocer más, para poder, entonces, a partir de allí, con ese contexto, teniendo toda la película, poder utilizar mejor esos datos. Entonces, fíjense qué importante es preparar nuestra data.

Tener todo lo que necesitamos saber o todo lo que le pudiéramos indicar para que la inteligencia artificial haga un mejor trabajo. Hace muy poco escuchaba a John Hernández, un podcaster español, que habla sobre la inteligencia artificial y él decía, piensen que la inteligencia artificial es como tener de pasante, de estudiante en práctica, a un Ph.D. que sabe de todo y que sabe sobre todas las cosas, pero que no sabe nada de mi empresa. Entonces, si yo quiero que este Ph.D. que sabe sobre todo y que sabe sobre todas las cosas, conozca de mi empresa, tengo que darle esa información.

Evidentemente, cuando yo le doy la información, entonces, él ahora puede entender mejor cuál es mi negocio, de qué se trata lo que yo hago, hacia dónde va mi empresa, cómo puede ser un mejor colaborador. Pero para eso tengo que preparar esos datos, tengo que preparar esa información. Tengo que tener en mi base de datos campos que sean lo suficientemente descriptivos.

Información de contexto que le permite entender de qué se trata lo que está bien. Porque de esa manera, ese pasante que conoce de todo y que tiene un nivel de Ph.D. o ese estudiante en práctica que conoce de todo y que tiene un nivel alto de conocimiento, puede hacer mejor uso de su conocimiento y puede hacer mejor uso de la información que yo le estoy presentando. Finalmente, quiero mostrarles un análisis más.

 

¿Está tu CRM listo para análisis con inteligencia artificial? ¿Cómo asegurar que la calidad de la data garantice un análisis confiable y óptimo? 

Quiero mostrarles otro ejemplo de cosas que podemos hacer, porque como les decía, no tenemos, no depende de la herramienta que utilicemos. Pueden utilizar una herramienta como la nuestra, pero también ustedes pueden utilizar otras herramientas para poder empezar o comenzar este análisis interno y esta preparación para asumir la inteligencia artificial de la mejor manera. En ese sentido, entonces, les quiero mostrar un reporte.

Este reporte, digamos, está hecho con ChatGPT. Y lo que quiero que veamos acá es que ustedes pueden, dentro de ChatGPT, hacer un análisis de su CRM. ¿Cómo llegamos a este análisis? Le dije a ChatGPT que quería hacer un Deep Research y en las fuentes le entregué como fuente mi CRM, que en este caso es HotSpot.

Y lo que le pregunté fue muy sencillo. Oye, quiero un resumen comprensivo de mis cuentas y de mi equipo de venta. Él me hace preguntas aclaratorias y me dice, oye, qué métricas deseas ver, qué detalles sobre el equipo quieres ver y qué periodo de tiempo te interesa.

Y en base a eso, donde yo le dije, mira, los últimos tres meses, quiero ver toda la información de mis cuentas y quiero ver el rendimiento individual, la cuota y los contactos asignados. Entonces él entra y hace un análisis de mi CRM. Entonces la primera pregunta que les quiero hacer acá.

¿Este análisis sería correcto si la data de mi CRM no está bien? ¿Confiarían ustedes en este análisis si la data del CRM no estuviese correcta? Entonces, por eso es tan importante la preparación, porque si la data de mi CRM está al día, está actualizada, si hemos hecho estos ejercicios de limpieza recurrente, si la inteligencia artificial puede entender cuáles son los datos, cuáles son los campos que están dentro del CRM, la información que me va a entregar aquí de este reporte va a ser información correcta, va a ser información óptima. Entonces este resumen tiene un montón de datos.

Me muestra algunas cuentas, me dice cómo es el performance de cada individuo, me entrega rendimientos individuales y me da conclusiones sobre este reporte. Entonces, fíjense qué importante es poder tener la información al día, poder prepararme, poder darle la información correcta a la inteligencia artificial para que él luego pueda hacer mejores análisis.

Yo sobre esto además pudiera presentar ahora preguntas y decir, oye, quiero profundizar sobre este tema, quiero analizar a este individuo, a este colaborador dentro de mi equipo, quiero ver cómo darle mejores herramientas y mejores técnicas, tácticas, quiero replicar cuál es el comportamiento de mi mejor ejecutivo. Entonces, tener la información, tener la data al día es lo que nos va a permitir dar este salto, dar este paso, entender que la información que ahora viene de vuelta de la inteligencia artificial me agrega mucho más valor. Entonces, si pusiéramos foco en, bueno, cómo lo hago, cómo empiezo, empecemos con algunos casos de uso.

Por ejemplo, analicemos cuál ha sido el resultado de los últimos seis meses de nuestro equipo de venta. Demosle la información a la inteligencia artificial y miremos cuál ha sido el performance de cada uno de los miembros de mi equipo de venta. Cómo se comportaron en los últimos dos trimestres.

¿Estás aprovechando la inteligencia artificial para analizar el rendimiento de tu equipo? ¿Cómo optimizar la toma de decisiones con reportes interactivos y datos bien estructurados? 

Analicemos cuántas reuniones tuvieron, cuántas llamadas tuvieron, cómo fue el resultado de esas reuniones y esas llamadas. Con eso, entonces vamos a poder luego tener un reporte comprensivo. No solo eso, imagínense que ese reporte, luego ustedes puedan hablar con ese agente.

Y este es el último ejemplo que les voy a mostrar. Imaginen que puedo hacer un reporte de lo que está pasando con mi equipo de atención al cliente. ¿Cuántos tickets tienen abiertos? ¿Cuántos tickets tienen cerrados? ¿Cuál fue el tiempo de la primera atención? ¿Cómo pudieron ellos resolver esos casos? ¿Cuál es el agente que tiene más casos resueltos? ¿Qué es lo que está haciendo? ¿Cuáles son las conversaciones? Que yo pueda hacer drill down en el reporte y poder entender qué es lo que está pasando con cada individuo dentro de mi empresa.

Y aquí les voy a mostrar un ejemplo de cómo eso funciona, cómo puedo hablar con mi data y cuando la data está preparada, está correcta, cómo la inteligencia artificial me puede ayudar. Hola, Mariana. ¿Me puedes decir un poco quién es el top performance? ¿Quién es el que ha tenido mejores ventas, mejores resultados de mi equipo? Claro que sí.

Analizando los resultados de mayo, Andrea Ceballos es quien ha tenido el mejor desempeño en ventas con un total de 10. Le sigue de cerca Javier López con 9 ventas y Jairo González con 8. Mariana, ¿y me puedes decir quién es el que ha tenido menos performance, el peor performance? Un, claro. En el resumen de mayo, Alexandra Cárdenas registró cero ventas.

Le sigue Nicolás Gómez con dos ventas y Roberto Martínez y Antonio Benítez con tres ventas cada uno. ¿Qué le pudiéramos recomendar a ellos para poder mejorar su performance? Para mejorar su rendimiento, podríamos recomendarles enfocarse en la calidad de los prospectos, asegurándose de que estén bien calificados antes de invertir tiempo. También es crucial revisar sus procesos de seguimiento y comunicación, quizás implementando más puntos de contacto o personalizando sus mensajes.

Finalmente, podríamos considerar capacitaciones específicas en áreas donde necesiten fortalecerse, como el manejo de objeciones o técnicas de cierre. Muchísimas gracias, Mariana. Gracias por tu ayuda.

Fíjense qué importante es poder hablar con la inteligencia artificial, hacerle preguntas sobre lo que está pasando con mi equipo. Cómo pudiéramos, en un ejemplo sencillo, ir de la casa a la oficina, conversando con nuestro asistente y preparando lo que va a ser mi primera reunión con el equipo de ventas en la mañana. Cómo yo puedo ir viendo toda la información y cómo puedo ir comparando lo que está pasando con cada uno de los miembros del equipo y esta información, que efectivamente la tengo en un reporte, la puedo ver, ahora puedo conversar con él.