Boucle de notation et de rétroaction
Un système de notation self-improving où les décisions humaines sont répercutées sur les courses futures. Fonctionne pour tout flux de travail qui attribue un score à une entité et apprend des résultats: prospects, candidats, contenu, comptes, fournisseurs.
Comment ça marche
Chaque exécution de notation suit une boucle four-step. L’entité change (un lead, un candidat, une ébauche de contenu, un compte); la boucle est identique.
La boucle de rétroaction comporte deux chemins: un chemin d'écriture qui enregistre les décisions et un chemin de lecture qui charge le contexte historique avant chaque exécution de notation. Ensemble, ils créent un apprentissage composé: chaque exécution rend la suivante plus précise sans recalibrage manuel.
Cas d'utilisation
Notation des leads
Notez les leads entrants en fonction de leur adéquation et de leur intention. Les commerciaux marquent chacun comme qualifié ou disqualifié. Le système apprend quels signaux (titre du poste, taille de l’entreprise, pile technologique, modèle d’engagement) prédisent réellement la conversion – et ajuste automatiquement les pondérations.
Sélection des candidats
Notez les candidats par rapport à un rôle. Liste des recruteurs ou réussite. Le AI apprend quelles caractéristiques de profil votre équipe avance réellement pour l'entretien – pas seulement les correspondances de mots clés, mais les modèles que les évaluateurs préfèrent implicitement.
Qualité du contenu
Notez les brouillons générés par AI avant de les publier. Les éditeurs approuvent, demandent une révision ou rejettent. Le système apprend les préférences de style de votre équipe, les limites de ton et ce qui déclenche une réécriture, sans que vous rédigiez un guide de style.
Santé du client
Le score tient compte du risque de désabonnement ou du potentiel d’expansion. Les CSM signalent les comptes at-risk ou marquent les prévisions de santé comme exactes. Le système se calibre en fonction de vos événements de désabonnement réels et apprend quels premiers signaux sont importants pour votre profil client.
Autres utilisations courantes: qualification du vendeur/fournisseur, correspondance investor-startup, priorisation des tickets d'assistance, notation du contenu SEO.
Chemin d'écriture
Après chaque exécution de notation, le flux de travail écrit les bords de décision dans le Knowledge Graph. Les types Edge s'adaptent à votre domaine. Vous trouverez ci-dessous les types génériques et des exemples pour chaque cas d'utilisation:
| Type de bord | Signification | Exemple de métadonnées |
|---|---|---|
| SCORED | AI a attribué un score à cette entité | score, justification, modèle, horodatage |
| APPROVED | L'humain a fait avancer l'entité (responsable qualifié, candidat présélectionné, projet approuvé) | réviseur, notes, horodatage |
| REJECTED | Humain réussi/disqualifié (accord perdu, candidat réussi, contenu rejeté) | raison, réviseur, horodatage |
| CORRECTION | L'humain remplace le score AI par une valeur différente | original_score, corrected_score, raison |
| OUTCOME | Résultat final real-world enregistré (accord conclu, embauché, rejeté, publié) | résultat, valeur, date |
Lire le chemin
Avant chaque exécution de scoring, l'étape AI exécute des requêtes parallèles sur Knowledge Graph pour charger le contexte:
Historique des scores
Scores précédents pour la même entité. Le AI voit comment les scores ont changé au fil des exécutions et pourquoi – utile lorsque re-scoring est un prospect après une nouvelle activité ou un candidat qui a postulé de nouveau.
Décisions humaines
Résultats APPROVED et REJECTED des évaluateurs. Le AI apprend quels scores et justifications ont conduit à des approbations ou à des réussites, créant ainsi un modèle implicite des critères réels de votre équipe.
Données d'étalonnage
Repères statistiques: scores moyens par catégorie, taux d'approbation par tranche de scores, plages typiques pour votre ensemble de données. Empêche l’inflation des scores et maintient les résultats comparables d’une exécution à l’autre.
Informations sur les modèles
Observations générées par AI à partir des exécutions précédentes. Exemples: « les prospects high-scoring issus de la sensibilisation LinkedIn se convertissent à un taux 2 fois supérieur à celui des prospects provenant des formulaires entrants », « les candidats issus de l'agence sont rejetés au stade de la présélection, quel que soit leur score ».
Repères de résultats
Les résultats finaux (accord conclu, embauché, rejeté, publié) comparés aux scores initiaux. Le AI mesure sa propre précision de prédiction et ajuste la confiance en conséquence.
Profils compacts
L’étape Résumer est ce qui maintient les invites limitées. Les journaux de notation bruts ne sont jamais injectés dans les exécutions futures. Au lieu de cela, le système crée un profil compact par entité: un résumé structuré contenant uniquement ce qui compte pour la prochaine décision.
Notation des leads — Jane Smith, exécution 1
Title: Head of Marketing Company: Acme Corp (180 employees, SaaS) Industry: B2B SaaS LinkedIn: Active (3 posts/month)
Score
65 — "correspondance ICP en termes de taille et de secteur d'activité. Aucune donnée de contact préalable."
Notation des leads — Jane Smith, exécution 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."
Score
71 — "Candidat au réengagement. Chemin chaleureux via un collègue CTO. Itinéraire vers la séquence account-based."
Sélection des candidats — Alex Rivera, première manche
Title: Senior Engineer, 6 yrs exp Stack: Python, TypeScript Last role: Series B startup Education: CS degree
Score
72 — "Forte adéquation technique. Aucun signal sur la culture ou la dynamique d'équipe."
Sélection des candidats — Alex Rivera, course 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.
Score
68 - "L'adéquation technique a été confirmée, mais le modèle de rejet antérieur et l'écart de propriété du produit diminuent la confiance. Vérifiez la gamme de composants avant d'avancer."
Les profils compacts sont créés à partir de décisions stockées et non de journaux relus. La taille de l'invite reste limitée quel que soit le nombre d'exécutions précédentes.
Précision dans le temps
Progression typique pour un workflow de notation de leads traitant plus de 500 leads par mois:
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 courbe est similaire dans tous les cas d’utilisation. La précision de démarrage varie en fonction de la qualité des données; la pente dépend du volume de commentaires et de la cohérence avec laquelle les évaluateurs enregistrent les décisions.
Mémoire à l'échelle de l'espace de travail
Toutes les données de commentaires sont étendues à l'espace de travail:
- •Les connaissances institutionnelles persistent malgré les changements de membres de l'équipe: un nouveau représentant ou recruteur bénéficie immédiatement de toutes les décisions antérieures.
- •Plusieurs workflows partageant le même KG contribuent à un apprentissage partagé: la notation des leads et la notation des transactions s'informent mutuellement.
- •Les corrections humaines sont des données first-class — les remplacements sont stockés et pondérés, pas supprimés
Prochaines étapes
- KG API - Interroger les bords de notation et l'historique par programmation
- AI Steps — Configurez l'étape de raisonnement AI qui utilise le contexte de boucle de rétroaction
- Human-in-the-Loop — Mettre en place des portes d'approbation qui réintègrent les décisions dans la notation
- KG Présentation — Architecture complète du Knowledge Graph