Bucle de puntuación y retroalimentación
Un sistema de puntuación self-improving donde las decisiones humanas retroalimentan las ejecuciones futuras. Funciona para cualquier flujo de trabajo que asigne una puntuación a una entidad y aprenda de los resultados: clientes potenciales, candidatos, contenido, cuentas, proveedores.
Cómo funciona
Cada ejecución de puntuación sigue un bucle four-step. La entidad cambia (un cliente potencial, un candidato, un borrador de contenido, una cuenta); el bucle es idéntico.
El ciclo de retroalimentación tiene dos rutas: una ruta de escritura que registra las decisiones y una ruta de lectura que carga el contexto histórico antes de cada ejecución de puntuación. Juntos, crean un aprendizaje compuesto: cada ejecución hace que la siguiente sea más precisa sin recalibración manual.
Casos de uso
Puntuación de clientes potenciales
Califique los clientes potenciales entrantes según su idoneidad y su intención. Los representantes de ventas marcan a cada uno como calificado o descalificado. El sistema aprende qué señales (título del puesto, tamaño de la empresa, tecnología, patrón de participación) realmente predicen la conversión y ajusta las ponderaciones automáticamente.
Selección de candidatos
Califique a los solicitantes según un rol. Los reclutadores preseleccionan o aprueban. El AI aprende qué características del perfil realmente avanza su equipo para entrevistar, no solo coincidencias de palabras clave, sino también los patrones que los revisores prefieren implícitamente.
Calidad del contenido
Califique los borradores generados por AI antes de publicarlos. Los editores aprueban, solicitan revisión o rechazan. El sistema aprende las preferencias de estilo de su equipo, los límites de tono y lo que desencadena una reescritura, sin que usted escriba una guía de estilo.
Salud del cliente
La puntuación representa el riesgo de abandono o el potencial de expansión. Los CSM marcan cuentas at-risk o marcan las predicciones de salud como precisas. El sistema calibra sus eventos de abandono reales y aprende qué señales tempranas son importantes para su perfil de cliente.
Otros usos comunes: calificación de vendedor/proveedor, coincidencia investor-startup, priorización de tickets de soporte, puntuación de contenido SEO.
Escribir ruta
Después de cada ejecución de puntuación, el flujo de trabajo escribe los límites de decisión en Knowledge Graph. Los tipos de borde se adaptan a su dominio; a continuación se muestran los tipos genéricos y ejemplos para cada caso de uso:
| Tipo de borde | Significado | Metadatos de ejemplo |
|---|---|---|
| SCORED | AI asignó una puntuación a esta entidad | puntuación, fundamento, modelo, marca de tiempo |
| APPROVED | Entidad impulsada por humanos (líder calificado, candidato preseleccionado, borrador aprobado) | revisor, notas, marca de tiempo |
| REJECTED | Humano aprobado/descalificado (acuerdo perdido, candidato aprobado, contenido rechazado) | motivo, revisor, marca de tiempo |
| CORRECTION | El ser humano anula la puntuación AI con un valor diferente | original_score, corrected_score, razón |
| OUTCOME | Resultado final real-world registrado (acuerdo cerrado, contratado, batido, publicado) | resultado, valor, fecha |
Leer ruta
Antes de cada ejecución de puntuación, el paso AI ejecuta consultas paralelas en Knowledge Graph para cargar el contexto:
Historial de puntuación
Puntuaciones anteriores de la misma entidad. El AI ve cómo cambiaron las puntuaciones entre ejecuciones y por qué, lo que resulta útil cuando re-scoring es un cliente potencial después de una nueva actividad o un candidato que volvió a presentar su solicitud.
Decisiones humanas
Resultados APPROVED y REJECTED de los revisores. El AI aprende qué puntuaciones y razones llevaron a las aprobaciones versus las aprobaciones, creando un modelo implícito de los criterios reales de su equipo.
Datos de calibración
Puntos de referencia estadísticos: puntuaciones promedio por categoría, tasas de aprobación por banda de puntuación, rangos típicos para su conjunto de datos. Previene la inflación de puntajes y mantiene los resultados comparables entre ejecuciones.
Información sobre patrones
Observaciones generadas por AI de ejecuciones anteriores. Ejemplos: "los clientes potenciales high-scoring de la extensión LinkedIn se convierten al doble de la tasa de clientes potenciales entrantes", "los candidatos con experiencia en agencias son rechazados en la etapa de preselección independientemente de su puntuación".
Puntos de referencia de resultados
Resultados finales (trato cerrado, contratación, rotación, publicación) comparados con las puntuaciones iniciales. El AI mide su propia precisión de predicción y ajusta la confianza en consecuencia.
Perfiles compactos
El paso Resumir es lo que mantiene delimitadas las indicaciones. Los registros de puntuación sin procesar nunca se inyectan en ejecuciones futuras. En cambio, el sistema crea un perfil compacto por entidad: un resumen estructurado que contiene solo lo que importa para la siguiente decisión.
Puntuación principal: Jane Smith, carrera 1
Title: Head of Marketing Company: Acme Corp (180 employees, SaaS) Industry: B2B SaaS LinkedIn: Active (3 posts/month)
Puntaje
65 - "ICP coincide con el tamaño y la industria. Sin datos de contacto previos".
Puntuación principal: Jane Smith, ejecución 5
Title: Head of Marketing Company: Acme Corp (180 employees, SaaS) Industry: B2B SaaS — Compact profile (4 prior runs) — 2 emails sent. Opened 2 of 2. No reply. Colleague (CTO, Mark T.) was qualified last quarter — meeting booked. Rep note: "Likely decision-influencer, not buyer. Needs CTO intro first."
Puntaje
71 - "Candidato a volver a comprometerse. Ruta cálida a través del colega CTO. Ruta a la secuencia account-based".
Selección de candidatos: Alex Rivera, carrera 1
Title: Senior Engineer, 6 yrs exp Stack: Python, TypeScript Last role: Series B startup Education: CS degree
Puntaje
72 - "Fuerte ajuste técnico. No hay señales sobre la cultura o la dinámica del equipo".
Selección de candidatos: Alex Rivera, carrera 5
Title: Senior Engineer, 6 yrs exp Stack: Python, TypeScript Last role: Series B startup — Compact profile (4 prior runs) — Shortlisted: 1 previous cycle (rejected at offer stage — compensation mismatch). Interviewer note: "Strong systems design. Weak on product ownership." Similar profile (agency background) passed at shortlist 0/3 times.
Puntaje
68: "Se confirmó el ajuste técnico, pero el patrón de rechazo previo y la brecha de propiedad del producto reducen la confianza. Verifique el rango de compensación antes de avanzar".
Los perfiles compactos se crean a partir de decisiones almacenadas, no de registros reproducidos. El tamaño de la solicitud permanece limitado independientemente de cuántas ejecuciones anteriores existan.
Precisión a lo largo del tiempo
Progresión típica para un flujo de trabajo de puntuación de clientes potenciales que procesa más de 500 clientes potenciales por mes:
Run 1: 61% accuracy (cold start, no history) Run 3: 70% accuracy (basic pattern learning) Run 5: 77% accuracy (incorporating rep feedback) Run 8: 83% accuracy (calibration adjustments) Run 12: 88% accuracy (compound learning)
La curva es similar en todos los casos de uso. La precisión inicial varía según la calidad de los datos; la pendiente depende del volumen de retroalimentación y de la coherencia con la que los revisores registran las decisiones.
Memoria con ámbito de espacio de trabajo
Todos los datos de comentarios tienen como ámbito el espacio de trabajo:
- •El conocimiento institucional persiste a través de los cambios de miembros del equipo: un nuevo representante o reclutador se beneficia de todas las decisiones anteriores de inmediato.
- •Múltiples flujos de trabajo que comparten el mismo KG contribuyen al aprendizaje compartido: la puntuación de clientes potenciales y la puntuación de acuerdos se informan mutuamente
- •Las correcciones humanas son datos first-class: las anulaciones se almacenan y ponderan, no se descartan.
Próximos pasos
- KG API — Consultar los bordes de puntuación y el historial mediante programación
- AI Steps — Configurar el paso de razonamiento AI que utiliza el contexto del bucle de retroalimentación
- Human-in-the-Loop — Establecer puertas de aprobación que alimenten las decisiones en la puntuación
- Descripción general de KG — Arquitectura completa del Knowledge Graph