Dashboard für Kundenchancen - Leistung von Cloud-Produkten
Geeignete Rollen: Anzeigen von Geschäftsleitungsberichten | Berichtsanzeige mit globaler Partnerkontozugriff
Die Neigungsdaten zeigen die Wahrscheinlichkeit, dass Kunden Microsoft-Produkte kaufen.
Partner Center bietet herunterladbare Eigenschaftendaten aus CloudAscent.
In diesem Artikel werden die Neigungsdaten, die Bedeutung und die Verwendung beschrieben.
Zusammenfassungsdefinitionen:
- SMC-Kunden: Anzahl der Kunden in den Propensity-Downloads. Kunden werden durch Transaktionen eines Partners identifiziert.
- Ablaufende Vereinbarungen: Anzahl der Vereinbarungen, die im aktuellen Geschäftsjahr ablaufen.
- Ablaufumsatz öffnen: Umsatz, der den offenen Ablaufvereinbarungen zugeordnet ist.
SMB-Segmente und Untersegmente
Das Segment kleine bis mittlere Unternehmen (SMB) ist in drei Untersegmente unterteilt:
Größe der mittleren Unternehmensorganisation : 300+ Mitarbeiter oder Kunden mit Azure-Verbrauchseinnahmen (ACR) >$ 1.000 pro Monat
Mittlere Geschäftsuntersegmente sind Kunden mit 25 bis 300 Mitarbeitern.
Sehr kleine Geschäftsuntersegmente sind Kunden mit 1 bis 25 Mitarbeitern.
Die Untersegmente "Mittleres undmittleres Unternehmen " sind hochwertige Kunden für Microsoft- und Microsoft-Partner. Aufgrund ihres hohen Werts sind diese Teilsegmente der Hauptfokus, um das Wachstum im SMB-Segment zu fördern. Der Schlüsselbereich der Verkaufschance ist kunden addiert.
Das folgende Diagramm zeigt die drei SMB-Untersegmente. CloudAscent priorisiert die Profilerstellung, Bewertung und Modellierung aller Upper Medium,Medium- und Very Small Business-Konten.
CloudAscent Machine Learning
Im Klein-bis-Mittel-Segment verwenden wir maschinelles Lernen, um Umsatz- und Marketingkundenvorhersagen in den Teilsegmenten Upper Medium, Medium und Very small business voranzutreiben.
Kundendaten werden gesammelt und mithilfe des folgenden Prozesses in Empfehlungen umgewandelt:
Sammeln von Daten: Webcrawler scannen und sammeln Milliarden von Kundensignalen durch Pingen von Unternehmen do Standard s und Überwachen von Blogbeiträgen, Pressemitteilungen, social Streams und technische Foren. Neben den gesammelten Signalen werden unternehmensinterne und externe Quellen wie Dunn & Bradstreet, interne Microsoft-Abonnements und Transaktionsdaten gesammelt.
Generieren von Vorhersagen: Im vorherigen Schritt gesammelte Daten werden in ein Machine Learning-Modell eingespeist, das eine strukturierte Datengruppe von Vertriebs- und Marketingvorhersagen für jeden Kunden durch Cloudprodukt und Cluster generiert. Jeder Kunde wird mit einem ähnlichen Modell mit dem oberen SMB von Microsoft bewertet, der die Fit-Funktion des Kunden bestimmt und maschinelle Lernalgorithmen bestimmt, die das Onlineverhalten des Kunden integrieren, das als Absicht definiert wird. Die Bewertung wird in Cluster zusammengeführt, die die Neigung eines Kunden zum Kauf von Microsoft Cloud-Produkten anzeigen.
Optimieren von Modellen: Das Machine Learning-System optimiert die Modelle, indem Transaktionsdaten monatlich und Abonnementdaten vierteljährlich verwendet werden. Mithilfe der Win/Loss-Daten passt die Machine Learning die Algorithmen an und überprüft, dass die Modelle wie erwartet funktionieren, indem Sie Cluster-Empfehlungen mit Chancen vergleichen, die in Microsoft Sales Experience (MSX) ausgeführt werden.
CloudAscent-Bewertung
Wie werden Empfehlungen für die Zielbestimmung erstellt?
Mithilfe von Signalen, die über Web-Crawler und Daten aus verschiedenen Quellen gesammelt wurden, konsolidieren wir die Unternehmensdaten und die Social Media-Signale des Kunden. Die Bewertung verwendet die folgenden Signale und Daten im Vergleichsmodelle für Anpassungs- und Bewertungsmodelle für die Absicht.
Kundenkonto passt
Interne und externe Datenpunkte, die die Firmografie definieren.
Durch die Bewertung werden Kunden mit unserem besten SMB mit einem lookalike-Modell verglichen, um festzustellen, ob sie für Microsoft-Cloudprodukte geeignet sind.
Die Eignungsbewertung wird vierteljährlich aktualisiert.
Kundenkontoabsicht
Kaufsignale – Ereignisse oder Änderungen in einer Organisation, die wahrscheinlich eine Verkaufschance generieren.
Die Absichtsbewertung wird oben in der Anpassung überlagert, um die Cluster zu definieren.
Die Absichtsbewertung wird monatlich aktualisiert.
Clustering
Die Signale für Anpassung und Absicht werden in eine Cluster-Bewertung konsolidiert.
CloudAscent verfügt über vier Cluster:
- Jetzt handeln: Verkaufsfertige Kunden
- Bewerten: Marketingfertige Kunden
- Nurture: Fördern von Sensibilisierungskampagnen
- Informieren: Schulen und Überwachen von Absichten
Mit dem Clustering können Benutzer bestimmte Kunden auf Vertriebs- und Marketinginitiativen basierend auf Segmentfaktoren ausrichten, zum Beispiel Produkt, geografisch, Industrie und vertikal.
Neigung und geschätzter Leerraumumsatz
Die Registerkarte Neigungsmodell in den CloudAscent-Arbeitsmappen zeigt die Neigung und den geschätzten Leerzeichenumsatz an.
Führen Sie die folgenden Schritte aus, um das Clustering von Fit und Intent zu definieren:
Mithilfe von Machine Learning-Modellen berechnen wir zunächst die Kundenpassage und die Absichtsbewertung auf einer Skala von 0 bis 100. Die Bewertungen variieren je nach Machine Learning-Modellen.
Einige Beispielbewertungen sind:
Klassifizierung Ergebnis Hoch 75 - 100 Medium 55 - 74 Niedrig 30 - 54 Sehr niedrig 0 - 29 Mit der vorstehenden Regel klassifizieren wir Unternehmen als "Hoch", "Mittel", "Niedrig" und "sehr niedrige Neigung", von Kundenpassen und Absichtssignalen zu kaufen.
Wir zeichnen Kundenanpassungs- und Absichtssignale auf einer zweidimensionalen Matrix mit jeder Schnittmenge, die Neigung darstellt. Zum Beispiel hochpassend + hohe Absicht = A1, die höchste Neigung.
Schließlich werden diese Segmente in Gruppen angelegt, um Cluster zu bilden. Beispielsweise A1, A2, A3, A4 aus dem Act Now-Cluster .
Wir empfehlen das Anzielen von Act Now und die Bewertung von Kunden.
CloudAscen-Produkte und -Modelle
Die folgende Grafik bietet eine Ansicht der einzelnen Neigungsmodells innerhalb von CloudAscent:
Whitespace-Modelle bestehen aus Vorhersagen für bestehende Microsoft-Kunden, bei denen sie kein Produkt haben und/oder neue Kunden in Der Welt sind.
Up-Sell-Modelle verwenden Transaktionsdaten, um das Potenzial für den Up-Sell in Microsoft 365-SKUs vorherzusagen. Diese Kunden verfügen bereits über Microsoft 365, und das Up-Sell-Modell zeigt, dass sie wahrscheinlich mehr ihrer vorhandenen SKU kaufen.
Das Azure Next Logical Workload-Modell verwendet vorhandene Azure-Transaktionsdaten, um potenzielle Potenzielle für die nächste wahrscheinliche Arbeitsauslastung für diesen Kunden zu prognostizieren. Diese Kunden verfügen bereits über Azure und erwerben wahrscheinlich eine zusätzliche Arbeitsauslastung, wenn eine hohe Neigung angezeigt wird.
End of Service (EOS) zeigt EOS-Kunden für Windows 7, Office 2010, SQL Server und Windows Server an. Die EOS-Daten werden von Microsoft Sales abgerufen und mit der CloudAscent Propensity-Modellierung an der verfügbaren Stelle überlagert. EOS-Daten leben im Modern Work- und Azure Sales-Spiel.
Nächste Schritte
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Tickets als Feedbackmechanismus für Inhalte auslaufen lassen und es durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unter:Einreichen und Feedback anzeigen für