OPLOG построила BI-систему на Amazon Bedrock AgentCore с тремя AI-агентами для продаж, качества данных и исследований лидов

OPLOG — технологическая fulfillment-компания, работающая на базе AI и робототехники, — ежемесячно обрабатывает миллионы товаров в Türkiye, Великобритании и Германии для крупных брендов и глобальных маркетплейсов. В customer-agnostic модели fulfillment несколько брендов используют одну и ту же складскую инфраструктуру, сотрудников и автономных роботов, и именно здесь OPLOG столкнулась с проблемой, знакомой многим B2B-компаниям: бизнес-данные были разрознены по системам, из-за чего инсайты запаздывали, а ручная отчетность отнимала часы продуктивного времени каждый день.

Чтобы решить эту проблему, OPLOG построила production-ready систему business intelligence (BI) на базе AI-агентов, развернутых в Amazon Bedrock AgentCore. Решение автономно обрабатывает бизнес-транзакции и в реальном времени дает аналитику по управлению sales pipeline, контролю качества данных и исследованию потенциальных клиентов. Результаты показывают измеримый эффект: сокращение sales cycles на 35%, улучшение полноты данных в CRM на 91% и сокращение времени на ручные исследования на 98%.

В этом материале мы показываем, как OPLOG разработала три AI-агента с помощью Strands Agents SDK, развернула их в Amazon Bedrock AgentCore и интегрировала Amazon Bedrock с Claude Sonnet от Anthropic и Amazon Bedrock Knowledge Bases для Retrieval Augmented Generation (RAG). Мы разбираем архитектуру, подход к реализации и бизнес-результаты, демонстрирующие, как AI-агенты могут трансформировать BI-операции.

Бизнес- и data-задачи OPLOG

Быстрый рост OPLOG создал операционную сложность, с которой традиционные BI-системы не справлялись. Данные компании были распределены между несколькими независимыми системами: в Hubspot CRM хранилась информация о sales pipeline, системы коммуникации содержали переписку с клиентами, Microsoft Teams использовался для контекста общения, а в хранилищах Databricks находились операционные метрики. Каждая система работала отдельно, создавая data silos и не позволяя получить целостный BI.

Фрагментация создавала конкретные операционные боли. Сотрудникам приходилось собирать отчеты из разных систем, синтезировать информацию и готовить обновления. Из-за этого инсайты приходили слишком поздно — еженедельные отчеты упускали 60% возможностей, потому что сделки к моменту завершения анализа уже продвигались дальше или зависали. Качество данных в CRM ухудшалось, поскольку sales representatives, перегруженные ручным вводом, вносили информацию непоследовательно. Команды operations обнаруживали проблемы через несколько часов после их возникновения, что вынуждало реагировать постфактум, а не предупреждать инциденты заранее.

OPLOG подсчитала значительные операционные издержки от фрагментированного BI — упущенные возможности из-за запаздывающих инсайтов, накладные расходы на ручную отчетность, которые съедали продуктивное время, непоследовательное качество данных, влияющее на решения, и реактивные операции, приводящие к неэффективным ответам. Компании требовалось решение, которое могло бы автономно обрабатывать данные во всех системах, выдавать аналитику в реальном времени, убирать ручную отчетность, поддерживать качество данных и помогать принимать проактивные решения.

Обзор решения

OPLOG разработала три AI-агента, каждый из которых отвечает за отдельную BI-область. Агентам не нужно взаимодействовать друг с другом; каждый обрабатывает данные из своих источников и выдает целевую аналитику:

• Deal Analyzer Agent — работает по расписанию, синхронизированному с бизнес-процессами, и анализирует сделки в Hubspot с недавней активностью. Он проверяет сделки на соответствие методологии OPLOG, выявляет пропущенные поля и сообщает о статусе заполнения в Microsoft Teams. Агент обеспечивает качество данных в sales pipeline и соблюдение методологии через автоматическую ежедневную отчетность.
• Sales Coach Agent — реагирует на события Hubspot webhook при смене стадий сделки, проверяет обязательные поля в зависимости от бизнес-модели OPLOG (только B2C, только B2B или B2B и B2C) и автоматически создает задачи по недостающей информации. Агент в реальном времени поддерживает стандарты качества данных и помогает не допускать продвижения сделок с неполными данными.
• Lead Insight Agent — запускается, когда в Hubspot добавляются новые маркетинговые лиды, и анализирует цифровое присутствие лида в шести социальных средах (Instagram, LinkedIn, Facebook, YouTube, Twitter, TikTok). Он применяет методологию квалификации OPLOG для оценки соответствия Ideal Customer Profile (ICP), формирует подробные профили с определением fit и отправляет исследовательские отчеты в Microsoft Teams, сокращая ручное изучение потенциальных клиентов и концентрируя усилия продаж на более перспективных возможностях.

Архитектура использует Amazon Bedrock AgentCore как среду развертывания агентов. OPLOG разрабатывала агентов с помощью Strands Agents SDK, который предоставляет фреймворк для описания поведения агента, пользовательских инструментов и точек интеграции. Каждый агент использует Amazon Bedrock с Claude Sonnet от Anthropic для inference — анализа данных, рассуждений по бизнес-правилам и генерации инсайтов. Amazon Bedrock Knowledge Bases реализует RAG, позволяя агентам получать релевантный контекст из sales playbooks, продуктовых каталогов и документов по методологии, хранящихся в Amazon Simple Storage Service (Amazon S3).

AWS Lambda обрабатывает интеграции с внешними системами, соединяя агентов с Hubspot, Microsoft Teams и внешними источниками данных. Amazon EventBridge запускает Deal Analyzer Agent по расписанию, а webhooks Hubspot в реальном времени активируют Sales Coach и Lead Insight Agents. AgentCore Observability обеспечивает полный мониторинг, отслеживая вызовы агентов, метрики производительности и затраты через Amazon CloudWatch. OPLOG платит только за выполнение агентов и не управляет инфраструктурой. AgentCore Runtime автоматически масштабируется от нуля до тысяч сессий в зависимости от нагрузки, а обновления разворачиваются без простоя.

В следующих разделах подробно описано, как OPLOG реализовала каждого агента для решения конкретных BI-задач. Deal Analyzer Agent обеспечивает плановую отчетность по pipeline, Sales Coach Agent поддерживает качество данных в реальном времени, а Lead Insight Agent автоматизирует исследование лидов. Хотя у каждого агента своя задача, все они построены на общей технической основе Amazon Bedrock, Amazon Bedrock Knowledge Bases и Strands Agents SDK и развернуты в Amazon Bedrock AgentCore.

Deal Analyzer Agent: ежедневная отчетность по качеству pipeline

Руководители продаж OPLOG сталкивались с ежедневной задачей: проверять десятки сделок, чтобы понять, в каких не хватает информации. Ручная проверка занимала часы и часто выявляла проблемы только тогда, когда сделки уже зависали. Deal Analyzer Agent решает эту задачу за счет автоматического анализа по расписанию и отправки подробных отчетов в Microsoft Teams, где сразу видно, какие сделки требуют внимания.

Следующая схема иллюстрирует архитектуру агента:

EventBridge запускает Lambda по расписанию, согласованному с бизнес-процессами. Lambda вызывает AgentCore Runtime, который исполняет агента для анализа сделок Hubspot с недавней активностью. Агент проверяет их на соответствие методологии OPLOG Way и отправляет форматированные отчеты в Microsoft Teams.

OPLOG построила агента на Strands Agents SDK с тремя специализированными инструментами. Инструмент hubspot_properties() получает данные о сделке и метаданные из API Hubspot через Lambda. Инструмент deal_enrichment() выполняет логику проверки, анализируя сделки по методологии OPLOG Way с правилами, зависящими от бизнес-модели. Инструмент send_teams() форматирует результаты в структурированные отчеты и доставляет их через webhooks. См. следующий код:

from strands_agents import Agent, tool
class DealAnalyzerAgent(Agent):
    @tool
def hubspot_properties(self, deal_id: str) -> dict:
 """Получить данные сделки и метаданные из Hubspot"""
pass
@tool
def deal_enrichment(self, deal_data: dict) -> dict:
 """Проанализировать сделку по методологии OPLOG Way"""
pass
@tool
def send_teams(self, report: dict) -> bool:
 """Сформировать и доставить отчет в Microsoft Teams"""
pass

Логика проверки учитывает сложность customer-agnostic модели fulfillment OPLOG. Разные сделки требуют разной проверки в зависимости от того, относятся ли они только к B2C, только к B2B или одновременно к B2B и B2C. Для B2C-сделок агент проверяет B2C-специфичные поля плюс обязательные поля. Для B2B-сделок он проверяет B2B-специфичные поля. Для комбинированных сделок проверяются оба набора полей. Логика условий действует на всем протяжении: проверка объема требует как минимум одного типа inventory volume для B2C-сделок, но требует и outbound volumes, и inventory volumes для B2B-сделок.

Агент использует Amazon Bedrock с Claude Sonnet от Anthropic, чтобы интерпретировать бизнес-правила и различать намеренно нулевые значения и отсутствующие поля — это тонкое решение, которое требует рассуждений, а не простых проверок на null. Amazon Bedrock Knowledge Bases хранит методологию OPLOG Way в Amazon S3 с использованием стандартных embedding models и vector databases. При проверке сделок агент делает запрос к knowledge base на естественном языке, а Claude применяет извлеченный контекст, чтобы определить правильные правила валидации для каждой стадии сделки и каждой бизнес-модели.

Отчеты, отправляемые в Microsoft Teams, включают статус заполнения сделки, детали по пропущенным полям, ранжирование по приоритету и практические рекомендации. Руководители продаж начинают день с четким пониманием того, какие сделки требуют внимания. Реализация убрала значительное количество ручной ежедневной проверки и улучшила точность прохождения стадий на 91%. AgentCore Observability отслеживает время обработки и успешность доставки отчетов через CloudWatch.

Sales Coach Agent: проверка в реальном времени и автоматизация задач

Sales Coach Agent работает иначе, чем Deal Analyzer Agent: вместо отчетности о проблемах он поддерживает качество данных в реальном времени. Когда sales representatives переводят сделки между стадиями, агент немедленно проверяет обязательные поля и создает задачи по недостающей информации. Это помогает не допускать продвижения сделок с неполными данными и поддерживает чистоту pipeline.

Следующая схема иллюстрирует архитектуру агента:Архитектура использует webhooks Hubspot, чтобы запускать Lambda в момент смены стадии сделки. Lambda вызывает AgentCore Runtime, который проверяет сделку и при необходимости создает задачи — все это в течение 10 секунд. Такой webhook-based подход дает sales representatives немедленную обратную связь, когда они пытаются продвинуть сделку. Агент использует два инструмента, созданных с помощью Strands Agents SDK. Инструмент analyze_deal_properties() получает данные сделки из Hubspot и проверяет обязательные поля в зависимости от операционной модели и новой стадии. Инструмент assign_task() создает приоритетные задачи с подробными инструкциями, связывает их со сделкой и назначает владельцу сделки.

См. следующий код:

from strands_agents import Agent, tool
class SalesCoachAgent(Agent):
    @tool
def analyze_deal_properties(self, deal_id: str) -> dict:
 """Проверить обязательные поля в зависимости от operating model"""
pass
@tool
def assign_task(self, deal_id: str, task_description: str) -> bool:
 """Создать и назначить задачу по валидации владельцу сделки"""
pass

Логика проверки повторяет правила бизнес-модели из Deal Analyzer Agent, но работает с одной сделкой в реальном времени, а не в пакетном режиме. Агент использует ту же knowledge base Amazon Bedrock, где хранится методология OPLOG Way, и делает запросы, чтобы определить, какие поля обязательны для конкретной комбинации стадии и бизнес-модели. Claude Sonnet интерпретирует эти правила и проводит критически важное различие между намеренно нулевыми значениями и отсутствующими полями.

Описание задач конкретно и прикладно. Вместо общих сообщений вроде «заполните недостающие поля» задачи указывают, какие именно поля нужно заполнить, почему они обязательны для текущей стадии и как это сделать. Такая ясность помогает sales representatives быстро решать проблемы без обращения к документации или менеджерам.

Реализация улучшила качество сделок на 91% и достигла более 96% полноты заполнения полей. Среднее время реакции составляет менее 10 секунд от смены стадии до создания задачи, а показатели успеха создания задач превышают 99,2%, при точности валидации выше 97%, что отслеживается через CloudWatch.

Lead Insight Agent: автоматическое исследование потенциальных клиентов

Раньше sales representatives OPLOG тратили много времени на изучение каждого нового лида — вручную искали LinkedIn, проверяли сайт компании, изучали присутствие в соцсетях и пытались понять бизнес-модель. Lead Insight Agent автоматизирует этот процесс целиком, помогая получать подробные профили в течение 2–5 минут после добавления нового контакта в Hubspot.

Следующая схема иллюстрирует архитектуру агента:

Архитектура использует webhooks Hubspot, чтобы запускать Lambda, когда добавляются новые контакты. Lambda вызывает AgentCore Runtime с данными контакта, а агент параллельно ищет в шести социальных средах: Instagram, LinkedIn, Facebook, YouTube, Twitter и TikTok. После анализа цифрового присутствия он отправляет подробный отчет в Microsoft Teams.

Для поиска в соцсетях агент использует AgentCore Browser. AgentCore Browser выполняет навигацию по вебу, рендеринг JavaScript и извлечение контента, избавляя от необходимости строить собственную инфраструктуру web scraping. Агент передает поисковые запросы и шаблоны URL, например site:linkedin.com/in/ [name] [company] для LinkedIn, а AgentCore Browser возвращает структурированный контент из каждой среды. Решение поддерживается AWS, справляется с anti-bot protections и автоматически масштабируется вместе с вызовами агента.

Помимо сбора данных, ценность этого агента — в аналитике. Amazon Bedrock с Claude Sonnet от Anthropic анализирует извлеченный контент, чтобы выявлять релевантные профили, суммировать цифровое присутствие и формировать персонализированные рекомендации по подходу. Агент применяет методологию квалификации OPLOG для оценки ICP fit, определяя, соответствует ли лид целевым характеристикам клиента OPLOG по бизнес-модели, отрасли и digital footprint.

Такая оценка ICP меняет работу sales teams. Вместо того чтобы относиться ко всем лидам одинаково, они могут приоритизировать наиболее перспективные возможности. В отчеты входят данные о присутствии в соцсетях по шести средам, анализ контента с тем, чем делится и что обсуждает prospect, выводы о бизнес-модели на основе digital footprint, определение ICP fit с объяснением и рекомендации по следующему шагу для персонализированного outreach.

Реализация сократила время на исследование лида на 98%, при этом предоставляя более полную аналитику, чем ручной поиск. Агент достигает более 92% успеха в обнаружении соцсетей и более 88% доступности сайтов. Sales teams отмечают более высокую вовлеченность на первом контакте, поскольку получают релевантный контекст до начала общения. AgentCore Observability отслеживает время анализа, покрытие и успешность доставки в Teams, которая превышает 99,5%, через CloudWatch.

Бизнес-эффект и технические результаты

Показатели продаж существенно улучшились. Средняя длительность сделок сократилась на 35%. Конверсия лидов выросла на 28%. Полнота данных в CRM улучшилась до 102%. Время на ежедневную отчетность сократилось на 92%. Производительность sales representatives выросла на 40%.

Рост операционной эффективности был не менее заметным. Время обнаружения проблем снизилось на 81%. Время реакции на устранение улучшилось на 83%. Соблюдение процессов выросло на 52%. Скорость принятия решений ускорилась на 70%.

Технические метрики показывают надежность production-grade уровня. Система обеспечивает near real-time производительность при доступности 99,9%. Система обрабатывает тысячи ежедневных бизнес-событий по всем агентам. Экономическая эффективность достигается за счет serverless-архитектуры, которая масштабируется вместе с нагрузкой, при этом инфраструктурные затраты существенно ниже, чем у традиционных систем.

Улучшение операционной эффективности дало измеримый ROI, значительно превышающий инфраструктурные расходы на систему AI-агентов.

Заключение

Реализация OPLOG показывает, как AI-агенты, развернутые в Amazon Bedrock AgentCore, могут трансформировать BI-операции. Система автономно обрабатывает тысячи ежедневных бизнес-транзакций, обеспечивая на 35% более быстрые sales cycles, на 92% меньше времени на отчетность и uptime на уровне 99,9%. Экономичность serverless-архитектуры — с существенным снижением затрат по сравнению с традиционной инфраструктурой — делает продвинутый AI-driven BI доступным и масштабируемым.

«Мы верили, что AI способен полностью изменить коммерческие операции. С Amazon Bedrock AgentCore в качестве основы мы не просто ускоряем sales cycles — мы заново определяем, как fulfillment-компании конкурируют в масштабе», — говорит Halit Develioğlu, Founder & CEO, OPLOG.

Успех решения объясняется несколькими архитектурными решениями: использование Amazon Bedrock AgentCore для развертывания агентов снимает нагрузку по управлению инфраструктурой; внедрение RAG через Amazon Bedrock Knowledge Bases отделяет бизнес-логику от кода агентов, позволяя обновлять систему без redeployment; использование Claude Sonnet от Anthropic для inference дает возможности рассуждения, необходимые для сложной интерпретации бизнес-правил; а интеграция EventBridge для планирования и event-driven триггеров обеспечивает как автоматическое, так и实时енное выполнение агентов.

OPLOG продолжает расширять систему, добавляя новых агентов, multimodal-возможности для обработки изображений и документов, а также custom fine-tuning для оптимизации поведения агентов под конкретные бизнес-контексты. В дорожной карте компании — дополнительные operational и commercial AI-возможности, которые сейчас находятся в разработке.

Организации, которые хотят построить похожие решения на базе AI-агентов, могут начать с Amazon Bedrock AgentCore, изучив developer guide, поэкспериментировав со Strands Agents SDK для прототипирования агента под конкретный бизнес-процесс и развернув его в serverless runtime AgentCore. Модель оплаты за выполнение означает, что команды могут начать с малого и масштабироваться по мере подтверждения результатов.

Чтобы узнать больше об Amazon Bedrock AgentCore, изучите Amazon Bedrock AgentCore Developer Guide. Информацию о создании AI-агентов с помощью Strands Agents SDK см. в документации Strands. Чтобы изучить реализации Amazon Bedrock Knowledge Bases для RAG, обратитесь к Amazon Bedrock Knowledge Bases User Guide.

Материал — перевод статьи с английского.

Оригинал: Build AI agents for business intelligence with Amazon Bedrock AgentCore