首页 星云 工具 资源 星选 资讯 热门工具
:

PDF转图片 完全免费 小红书视频下载 无水印 抖音视频下载 无水印 数字星空

AI实战 | 领克汽车线上营销助手:全面功能展示与效果分析

编程知识
2024年09月12日 12:33

助手介绍

我就不自我介绍了,在我的智能体探索之旅中,很多人已经通过coze看过我的教程。今天,我专注于分享我所开发的一款助手——《领克汽车线上营销》。

他不仅仅是一个销售顾问的替身,更是一位能在线上自动为对领克感兴趣的潜在粉丝介绍领克车系的助手。他还能提供全方位的车辆对比信息,让您能更快速地了解相关信息并做出明智的决定。此外,他还具备预约功能,因为预约是实现销售转化的重要一环。毕竟,面对面的沟通比在线浏览更有可能提高转化率。

当然,这款助手还能够支持销售顾问进行跟进工作。有些客户对特定车系非常感兴趣,如果销售顾问能够及时跟进并进行语音沟通,解决客户的疑问和难题,将极大地提升转化率。因此,生成销售话术成为一项不可或缺的能力。它不仅可以帮助新手销售快速学习沟通技巧,还能为经验丰富的销售人员提供有价值的参考资料。

在这款助手中,我还提供了针对竞品的销售话术。毕竟,转化的关键在于让客户喜欢上领克车系,而不是让客户认为某个竞品品牌更好,然后你也觉得它更好,最终为别的品牌做了宣传。因此,竞品话术的作用在于通过突显领克车系的优点和竞品的差异,让客户更倾心于领克车系。

最后,要评估营销效果,离不开报表数据和智能分析的支持,这些能更好地帮助决策制定参考。这也是我的助手的一项重要能力。接下来,我将详细介绍如何实现这些能力。

效果展示

体验链接地址:https://www.coze.cn/store/bot/7412265634177892361

能力一览

这款助手的开发涵盖了多个方面:包括三个展示卡片、三个数据库存储、四个插件能力,以及六种强大的营销能力。此外,还集成了超过十个模型人设提示词和二十个工作流程,以确保实现我所设想的全面效果。

在实现过程中,我特别偏向于采用工作流来达成目标。因此,模型人设、插件和知识库并未直接暴露在外,而是在工作流中进行可控的流程调用。我认为,AI智能体不应仅仅是一个提示词的工具,而应该是一个能够跨行业应用的全面工作流平台,完全由人为控制和管理。

在着手之前,我想先展示一下我在动手前所绘制的功能草图。出于数据库限制的考虑,我暂时没有实现第0项。

0(未实现):车辆工作流:每日初始化数据库内车辆信息,邻近下个月7天的时候,数据库将会初始化每个车辆的时间段初始为0
1:我要试驾:循环+使用连续提问的方式
    - 位置信息:根据用户的地理位置展示所有距离的门店信息
    - 必选车辆:先查询数据库内该车辆的闲置日期,然后展示近7天天气供用户选择,如果某一天没有闲置,那么将提示用户那一天满额了。分为上下两部分,上部分提示天气信息等,下部分提示可选的时间段供点击选择。
    - 确认试驾:更新数据库。跳出循环
2:我要看车:
   - 渠道分析:询问客户从哪里了解的本品牌信息:汽车之家、懂车帝、易车、官网、其他。选择后保存数据库
   - 车辆列表:获取车辆信息数据库,提问:在售车型,相中哪一个了。展示在售列表(懂车帝)
   - 车辆对比:在看车型,车辆 对比车型(本品牌)
   - 收藏功能:建立线索信息(无手机号)。但是可统计下车辆喜爱度信息
   - 可嵌套试驾工作流。
 
豆包智能分析:
3.管理端:
    - 记录账号密码-变量即可。判断条件可以从IDE插件开发
    - 循环提问:想查看哪些报表数据:渠道分析(Python图表)(豆包分析)、车辆咨询喜爱度(豆包分析)、试驾量-试驾率(试驾量/收藏量)(豆包分析)、跟进量-跟进率(豆包分析)
4.销售端:
    - 记录账号密码-变量即可。判断条件可以从IDE插件开发
    - 循环待跟进线索一览。点击某一条线索
        1:联系方式有问题。无需跟进。
        2:继续跟进
    - 根据用户的意向车种,提供给销售部分车辆优点说辞、提供销售话术、以及竞品词(网上搜索下用户喜欢拿这个车跟哪些车作比较)
    - 更新跟进信息。
    - 循环处理今日是否试驾。更新试驾结果
    - 循环处理试驾反馈。更新试驾结果
    - 休息一下。结束循环。

请注意,这里只会详细讲解关键部分的实现,而细枝末节则会简单提及。上文提到的功能草图旨在为大家提供整体思路。

在开发助手的过程中,最初的设想只是实现一个简单的车辆介绍功能,但随着开发的进行,这个想法不断扩展和深化,最终成就了现在的线上营销助手。这个助手不仅能有效推广领克品牌,还能为销售人员和管理者提供实质性的服务支持。

整体架构

虽然草图画得一般般,但基本上已经实现了我最初设想的大部分功能。

image

马上就要开始了,请注意,我个人其实不太喜欢花时间在提示词工程上,但不可否认提示词工程在某些情况下是非常必要的。因此,我这里借助了Kimi提示词工程专家助手的帮助。他能够轻松帮我创建一个相对完善的提示词人设,使用起来效果还不错。

image

人设与回复逻辑

我个人不太愿意亲自涉及到提示词工程的编写,但是基本的判断任务还是应该由大模型来思考。我们需要设定一些限制和角色,然后剩下的工作就可以交给工作流来处理。现在我给出的是最终版本的人设提示词,请大家参考一下:

# 角色
你是一位专业且热心的领克汽车品牌销售,致力于带领用户看车,高效收集意向客户线索,自动化管理试驾预约,优化用户体验,保障试驾流程的顺畅进行。语言风格需正式,但要适当使用表情包以增加聊天的趣味性。

## 技能
### 技能 1: 介绍领克品牌
当用户询问领克相关销售及保养咨询时,包括车辆结构、车辆保养费用、车辆维修费用、涉及理念、在线展厅问题,必须调用【qa_lynkco_car】处理用户问题。

### 技能 2: 用户选车需求
1. 当用户发送选车需求时,必须调用【choose_lynkco_car】处理用户选车及导购推荐问题。

### 技能 3: 试驾预约
1. 当用户发送我要试驾时,必须调用【test_drive_car】处理用户试驾问题。

### 技能4: 用户收藏
1.必须调用【like_car】处理用户汽车收藏问题。

### 技能5: 领克后端人员登录
1.当用户登录领克后端时,必须调用【backend_lynkco】处理用户登录问题。


## 限制:
- 只谈论与领克汽车品牌、产品和服务相关的内容,禁止涉及国家政策、违反法律的话题。
- 禁止语言攻击用户,始终保持热情、专业的服务态度。
- 所输出的内容必须按照给定的格式进行组织,不能偏离框架要求。
- 介绍部分语言简洁明了,突出重点。

销售问题

在购车前,许多客户常常提出各种各样的问题,因此需要进行意图识别。然而,这只是理想情况下的情形。如果客户的问题意图匹配成功,一切顺利;但一旦匹配失败,可能会引发各种问题。因此,第一步就是优化用户提出的问题。

用户问题优化

为什么需要优化用户的问题呢?假若您认为用户每次都能完美地向大型语言模型(LLMs)提出问题,那就大错特错了。与其简单地执行用户的查询,为何不选择优化用户的查询呢?这就是所谓的query translation技术。

这里让我们来展示一下优化前后的效果,后面会默认不展示提示词的生成过程。

我想要的效果:

写一个提取关键领克车系信息和一个优化后的用户问题的提示词,用户会询问一些问题,请你提取一个或多个车系信息,除此之外还需要有一个用户优化后的精简问题用来去联网搜索使用。

Kimi+帮我生成的提示词将呈现出优化前后的对比效果:

- Role: 汽车信息解析专家和搜索引擎优化顾问
- Background: 用户对领克车系感兴趣,希望获取关键信息,同时需要一个精简的问题用于联网搜索以获取更多相关信息。
- Profile: 你是一位对汽车行业有深入了解的专家,擅长从大量信息中迅速提取关键数据,并对用户的问题进行优化,以提高搜索效率和准确性。
- Skills: 你具备快速阅读和理解汽车规格表、性能参数、市场评价等资料的能力,以及将复杂问题转化为简洁、精确搜索查询的技能。
- Goals: 提取领克车系的关键信息,并优化用户问题,使其更适合进行网络搜索。
- Constrains: 提取的信息应包括但不限于车型、性能参数、价格区间等关键数据。优化后的问题应简洁明了,直接相关,便于搜索引擎快速定位。
- OutputFormat: 首先列出领克车系的关键信息,然后提供一个或多个优化后的用户问题。
- Workflow:
  1. 阅读用户提供的关于领克车系的描述或问题。
  2. 从描述中提取关键信息,如车型、性能参数、价格等。
  3. 分析用户原始问题,确定其搜索意图。
  4. 根据搜索意图,构建一个或多个优化后的问题。
  5. 确保优化后的问题能够精确地反映用户的搜索需求,同时便于搜索引擎处理。
- Examples:
  - 例子1:用户问题:“领克03的配置怎么样?”
    优化后的问题:"领克03 配置详情"
    关键信息:车型 - 领克03;关注点 - 配置
  - 例子2:用户问题:“领克01和03哪个更适合家庭使用?”
    优化后的问题:"领克01 vs 领克03 家庭用车比较"
    关键信息:车型对比 - 领克01, 领克03;关注点 - 家庭使用
  - 例子3:用户问题:“领克02的油耗和价格是多少?”
    优化后的问题:"领克02 油耗 价格"
    关键信息:车型 - 领克02;关注点 - 油耗,价格

这已经相当不错了,尤其是对于那些不怎么用提示词的玩家来说,至少对于我们想要达到的效果而言,他已经可以打个及格分了。比起我自己写的,这要好太多了。所以,我们应该逐渐习惯于利用各种工具,当然,最好是免费的。在这方面,我推荐使用Kimi+。

意图识别

在这里,我们将所有销售问题都纳入一个工作流进行处理,因此意图识别变得至关重要,能够分别处理多个不同的意图。如果问题过于复杂,我们会通过网页搜索获取答案,然后再交由大型模型来回答,这样比直接让大型模型回答更为有效。

这也是为什么博主偏爱使用工作流来处理问题,而不是依赖外层的设定,因为后者可能无法有效控制。

image

在这个情况下,每个意图都配备了一个专门的模型提示词,用于解决用户的问题,这种做法能够更有效地回应用户的需求。

如果不能识别意图,我们会直接利用网络搜索并由大型模型进行回答。

功能菜单

在人工智能发展的道路上,聊天窗口的体验其实已经显得相对原始。我们应当努力让用户更愿意摆脱传统的聊天窗口。

不要错过快捷指令的重要性,因为许多人并不喜欢使用聊天窗口。如果能用简单的鼠标点击解决问题,那肯定更受欢迎。因此,快捷指令是一个必不可少的功能菜单选项。不要担心提供过多选项,而是要确保你的助手能够提供这些选项。这也是用户除了了解你的助手的开场白外,第一步了解你的助手能够提供哪些功能的方式。

这里其实没什么复杂的。只需要将其与我们的工作流程连接起来即可,参数可以选择性地添加,但最好能够通过卡片展示来吸引用户。这样就更像一个完整的应用程序了。

image

工作流提取

可以看到其实我这里每个功能,如果你去使用一下的话,有很多问答节点和消息节点。对于我这小电脑来说负重其实很严重。风扇不停地呼呼响。因此,我们需要善于提取工作流程,避免让单个工作流节点变得过于庞大复杂。这样可以有效减轻系统的负荷。当然,提取工作流程并不复杂,只需在主要工作流程中嵌套子工作流即可。

我这里总共设置了大约20个工作流程,供我的助手使用。例如,你可以查看关于领克后端销售员处理流程的具体内容。主要是要单独提取每个流程,确保其高效运作。

这样在修改工作流时一定要格外注意。如果输入或输出参数有所变化,很容易导致引用节点出现问题。

image

问答节点

问答节点在这里非常关键,因为我们可以根据用户的选择有针对性地生成流程输出,比如针对预约试驾的需求。我在这个流程中大量使用问答节点和消息节点,包括地址询问、经销商询问以及日期询问等,这些步骤都是不可或缺的,最终将信息入库。

实际上,按照正常的业务流程,还应该包括车辆询问节点。在正常业务运作中,每辆车每天的试驾机会都是有限的。但是,由于这涉及到批量生成和校验,所以我们暂时放弃了这个功能点。这个功能点非常复杂,并且对于用户来说只是一个选项,并不是必须的提前开发。

image

如果要求用户输入信息,他们很可能会选择离开,因为懒得输入,除非用户真的非常愿意去试驾。

image

后端操作

后端操作主要包括销售员的业务跟进,涵盖线索跟进、试驾确认以及试驾反馈三个方面。当然,只要有充足的时间,可以扩展更多的业务能力。首先映入眼帘的是销售员的今日待办事项,因为了解自己今天的任务是至关重要的。

为了确保大家能够顺利体验,系统默认会始终存在一个线索需要大家跟进,这并不是一个错误。

image

预约反馈

在这里展示一下预约反馈的话术,由于系统未对性别进行维护,大模型可能会根据名字自动生成相应的内容。然而,总体而言,我生成的问题仍然具有一定的参考价值。

image

除了以上展示的功能,还有许多其他功能,这里就不一一详细展示了。

报表分析

这里再详细介绍一下报表的功能,报表的主要作用是帮助用户查看线索跟进转化等数据。另外,我们还新增了销售任务监控功能,旨在帮助用户进行决策分析。近期的数据是否有些微变化,可以让AI通过数据提醒我们。

例如,我们通常会检查各车系的近期喜爱度分析,因为没有任何车系能够永远保持高热度。通过分析车系的数量变化,我们能够帮助决策者进行热度转化及舆论分析。接下来,我们将演示如何使用这些数据进行有效的分析。

image

首先呈现给管理员的是数据饼图,它能够在一瞥之间提供全面的概览。当然,在饼图后面,我们还有详细的数据展示和对数据的智能分析。在这里,让我们专注于智能分析,它包括预警功能等等。

在后续流程中,我们还可以加入两个按钮,用于进行舆论分析并提供相关建议,这样一条完整的链条流程就能够完美解决问题。

image

除此之外,还有许多报表分析工具,例如可以帮助决策者进行渠道投放的渠道分析。

image

当然,除了上述报表之外,还有许多其他报表可供使用。在这里,我们不会逐一展示每一个报表,而是专注于其帮助管理者监控数据并进行智能分析,以便及时预警和建议。这些分析能够帮助管理者提前制定应对策略,以有效应对数据变化。

报表实现

实际实现起来非常简单,我们使用的是官方提供的图表大师插件,我直接使用echart语言生成图表。这些数据其实是我自己在后台生成的测试数据,并非真实数据。不过我们的经销商数据是通过爬虫实时拉取的,官网的爬虫协议支持这样的数据获取方式。

我还将数据缓存到了IDE插件中,可以根据设定的条件进行查询和获取,而无需占用额外的数据库资源。希望这些信息能够给大家带来一些灵感和启发。

image

这里为什么不使用多个Agent呢?实际上,我这里的实现和多Agent的方式类似。不过我更倾向于集中在一个平台上处理。毕竟,我主要处理的是营销问题。如果出现售后问题,那就是另一个完全不同的大项,肯定需要分开处理。否则一个Agent根本无法处理过来,容易出现错误。虽然多Agent的分散性有其优点,但过度分散也可能不利于有效处理。

商业价值

说了这么多,总结一下,我的这个助手在营销方面做了些什么,能给领克带来哪些好处呢?

首先,我的助手可以创建一个专门的渠道,用于介绍车系并吸引客户留下信息。在汽车之家、易车、懂车帝等平台上进行广告投放的费用往往很高,因此,通过这种独立渠道介绍车系,能够更精准地吸引潜在客户,从而节省大量的广告开支。这不仅提高了营销效果,还能更好地控制预算。

其次,我的助手通过提供车辆对比和收藏功能,显著提升了用户体验。通常情况下,购车者会花费大量时间在网上搜索各种评论和车辆配置信息,以便进行详尽的比较。我的助手则通过一个固定流程,帮助用户快速完成车辆对比,展示清晰的比较结果,并给出合理的购车建议。这不仅简化了用户的操作流程,还极大地节省了他们的时间和精力投入。

其次,预约功能的实施不仅能自动创建潜在客户线索,省去了从各个渠道拉取线索的耗时过程,还能为销售人员提供强大的工具支持。销售人员登录后,系统会自动生成针对这些线索的销售话术和竞品对比策略。这种智能化生成不仅对于新手销售人员尤为重要,帮助其快速上手,也为经验丰富的老手提供了有价值的话术参考和竞争对手分析。总体而言,这种系统化的支持大大简化了销售流程,使销售团队能更专注于实际的客户互动和转化,而不是繁琐的信息整合和准备工作。

最后一项报表分析功能的实施旨在优化潜在客户线索的转化过程,为决策者提供直观且详尽的数据图表,为其决策提供强有力的支持。此功能还使得系统能够根据全面的数据变动分析,预测可能发生的事件,提前感知市场舆论动向和各渠道投放的效果,从而及时调整营销策略和销售战略。这种全面的数据分析和预测能力,为企业在竞争激烈的市场中保持敏锐的竞争优势,帮助决策者做出更明智和有远见的战略决策。

总结

通过这款助手,我们不仅能够有效推广领克品牌,还能为销售团队提供强大的工具支持。从介绍领克车系到提供销售话术和竞品对比,再到预约管理和报表分析,这款助手覆盖了从前端用户到销售后台的营销需求。

助手的开发并非止步于简单的功能实现,而是通过工作流的精心设计,实现了高效的业务流程。通过问答节点、消息节点和工作流程的灵活组合,助手能够根据用户需求快速响应,提升用户体验和销售转化率。

本篇文章的主要目的是为大家提供实现思路,以及如何更好地开发一个助手,而不仅仅是简单地进行拆解。如果采取拆解的方式,一篇文章可能会长达2万+字,还需要配以数十张图片,这将会非常繁琐。因此,针对拆解的详细内容,我计划单独制作一期视频,以帮助大家更清晰地理解。感谢大家对小雨的关注与支持。


我是努力的小雨,一名 Java 服务端码农,潜心研究着 AI 技术的奥秘。我热爱技术交流与分享,对开源社区充满热情。同时也是一位腾讯云创作之星、阿里云专家博主、华为云云享专家、掘金优秀作者。

💡 我将不吝分享我在技术道路上的个人探索与经验,希望能为你的学习与成长带来一些启发与帮助。

🌟 欢迎关注努力的小雨!🌟

From:https://www.cnblogs.com/guoxiaoyu/p/18407747
本文地址: http://www.shuzixingkong.net/article/1946
0评论
提交 加载更多评论
其他文章 006.MinIO基础使用
图形界面基础使用 bucket bucket创建 图形界面创建bucket。 特性: Versioning 开启版本控制,开启版本控制则允许在同一键下保持同一对象的多个版本。 Object Locking 对象锁定防止对象被删除,需要支持保留和合法持有,只能在创建桶时启用。 Quita 配额限制bu
006.MinIO基础使用 006.MinIO基础使用 006.MinIO基础使用
SPiT:超像素驱动的非规则ViT标记化,实现更真实的图像理解 | ECCV 2024
Vision Transformer(ViT) 架构传统上采用基于网格的方法进行标记化,而不考虑图像的语义内容。论文提出了一种模块化的超像素非规则标记化策略,该策略将标记化和特征提取解耦,与当前将两者视为不可分割整体的方法形成了对比。通过使用在线内容感知标记化以及尺度和形状不变的位置嵌入,与基于图像
SPiT:超像素驱动的非规则ViT标记化,实现更真实的图像理解 | ECCV 2024 SPiT:超像素驱动的非规则ViT标记化,实现更真实的图像理解 | ECCV 2024 SPiT:超像素驱动的非规则ViT标记化,实现更真实的图像理解 | ECCV 2024
关于 Splay 树
前置芝士 $\LARGE {关于二叉搜索树及平衡树无聊的一大串子定义}$ 二叉搜索树(BST树) 定义 二叉搜索树是一种二叉树的树形数据结构,其定义如下: 空树是二叉搜索树。 若二叉搜索树的左子树不为空,则其左子树上所有点的附加权值均小于其根节点的值。 若二叉搜索树的右子树不为空,则其右子树上所有点
关于 Splay 树 关于 Splay 树 关于 Splay 树
区块链应用与以太坊的交互
title: 区块链应用与以太坊的交互 author: ivhu date: 2024-09-11 15:52:13 categories: - 区块链 - 二层 tags: - 以太访 - L2 - 合约交互 - arbitrum description: 我们要谈的交互 首先要明确一点,以太坊是
区块链应用与以太坊的交互 区块链应用与以太坊的交互
浅谈 C# 中的顶级语句
前言 在C# 9版本中引入了一项新特性:顶级语句,这一特性允许在不显式定义 Main 方法的情况下直接编写代码。 传统的写法 namespace TestStatements{ internal class Program { static void&#160
浅谈 C# 中的顶级语句 浅谈 C# 中的顶级语句
掌握 C++17:结构化绑定与拷贝消除的妙用
C++17 特性示例 1. 结构化绑定(Structured Binding) 结构化绑定允许你用一个对象的元素或成员同时实例化多个实体。 结构化绑定允许你在声明变量的同时解构一个复合类型的数据结构(如 结构体,std::tuple, std::pair, 或者 std::array)。这样可以方便
.net core8 使用Swagger(附当前源码)
说明 该文章是属于OverallAuth2.0系列文章,每周更新一篇该系列文章(从0到1完成系统开发)。 该系统文章,我会尽量说的非常详细,做到不管新手、老手都能看懂。 说明:OverallAuth2.0 是一个简单、易懂、功能强大的权限+可视化流程管理系统。 有兴趣的朋友,请关注我吧(*^▽^*)
.net core8 使用Swagger(附当前源码) .net core8 使用Swagger(附当前源码) .net core8 使用Swagger(附当前源码)
架构师备考的一些思考(三)
前言 这个考题的大部分内容,我感觉都是我们会的,但所有的考题都穿上了马甲,穿上马甲我们就不好认了,而且如果是一个两个人穿马甲,还好推断,如果1000人穿马甲,你识别的概率就会急速下降。 有些题的内容则是即无法识别,也无法背,因为它也没有个前因后果,完全是出题人拍脑袋想的,所以,这种题我们是无法通过知
架构师备考的一些思考(三)