机器学习在客户管理场景中的应用

版权声明:本文为博主汪子熙原创文章,未经博主允许不得转载。 https://jerry.blog.csdn.net/article/details/82391286

使用机器学习进行客户管理,我们可以得到客户360度全方位的视图。

本文以SAP Cloud for Customer的客户管理应用为例,介绍机器学习是如何同传统的客户管理应用进行集成的。

打开SAP C4C的客户中心,在客户列表里选中任意一个客户,能在右边看到一个名为Insights的页面。

这些客户的360度视图是基于C4C内部和外部的数据源分析得出的,有助于销售人员进行更有针对性的客户计划和销售。C4C的外部数据源采用的是第三方数据提供商Bombora。

通过Insights面板,我们能够获得通过机器学习得出的每个客户的购买倾向的分数,也能看出就我们关注的某一话题,该客户的行为和倾向到底如何。Bombora会从该客户相关的B2B网站上捕捉能够反映该客户购买倾向的各种线索。当检测到客户在某个话题上的线索数量有明显增加时,我们称这个客户就该话题表现出了一个Surge。我们会给出Surge的分数,范围在1到99之间,每周更新一次。

SAP C4C会将某个客户总的Surge分数显示在屏幕右侧Insights面板内,同时显示出Surge分数最高的前三个话题。下图Surge分数前三的话题依次为:Artificial Intelligence, Machine Learning和Collaboration Software。

在C4C工作中心视图Predication Services的Third Party Data可以对Insights面板里需要关注的话题进行配置:

Activity Management(活动管理)

显示和该客户过去一年内接收和发送的电子邮件,电话,会议,以及后续任务(Followup-task)的总数。

Pipeline(销售管道)

销售管道有时候也叫销售漏斗,是一个非常形象的概念,是销售过程控制的重要分析工具,适合销售流程比较规范,周期比较长,参与的人员比较多的复杂销售过程的管理。顾名思义,所有具有购买需求的潜在用户位于销售漏斗的顶部。

  • 漏斗的上部:将自己企业的产品列入候选清单的潜在用户。
  • 漏斗的中部:将本企业产品列入优选清单的潜在用户(如两个互为竞品的品牌中选一个)
  • 漏斗的下部:基本上已经确定购买本企业的产品,只是有些手续还没有落实的潜在用户。
  • 漏斗的底部:期望能够成交的用户。

根据所处整个销售过程的位置,以及销售成功的概率,我们通常需要对处于漏斗各个层次的销售状态确定一个百分数来代表该用户销售的成功率。

比如,处在漏斗上部的潜在用户其成功率为20%,处在漏斗中部的潜在用户其成功率为50%,处在漏斗下部的潜在用户其成功率为 70%。从潜在用户到最后成功签约,流程每推进一步,用户名单就会减少一些,看起来是个倒金字塔形状,也就是个漏斗形状,所以将其形象地称为销售漏斗。

SAP C4C的Insights标签会显示和该客户相关的销售漏斗涉及的总金额,以及当前处于正在进行中的销售机会数和销售报价单个数。

Win Rate(赢单率)

基于过去一年销售数据计算出的赢单率,赢下的单子总的金额以及输掉的单子对应的总金额。

Total Contract Value(合同总金额)

和该客户相关的销售和服务合同的总金额。

Account Receivables:针对某客户的应收款金额。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券