Rekomendasi Proaktif

Anda meminta rekomendasi dukungan proaktif yang dipersonalisasi untuk memberdayakan Anda untuk mencapai lebih banyak hal. Kami mengirimkan.

Seperti yang ditunjukkan di bawah ini, rekomendasi yang dipersonalisasi mengalir dari mesin rekomendasi Predictive Proactive melalui pengalaman digital Services Hub langsung kepada Anda—pelanggan. Interaksi pengguna, kasus dukungan reaktif, dan konsumsi konten yang menghasilkan umpan balik diumpankan kembali ke mesin untuk meningkatkan rekomendasi Anda.

Visi kami untuk rekomendasi proaktif meliputi:

• Melayani rekomendasi berbasis tindakan dan IP khusus untuk konten pengguna dan pelanggan (jejak lisensi, kasus dukungan reaktif, lokakarya, dan penilaian)
• Rekomendasi harus inklusif dari Katalog Layanan dan MS Learn
• Memberikan rekomendasi relevan yang dipersonalisasi dan konteks dalam Services Hub
• Rekomendasi dirender secara real time tanpa dampak performa pada pengalaman digital secara keseluruhan

Layanan apa yang direkomendasikan?

Mesin rekomendasi proaktif prediktif menyajikan konten dari Katalog Layanan Microsoft dan MS Learn. Materi yang disertakan dalam Katalog dapat dicari secara manual menggunakan tingkat layanan, jenis layanan, dan filter produk. Katalog Layanan terus berkembang saat materi baru dibuat, materi yang ada diedit, dan materi basi diarsipkan oleh tim konten Layanan. Rekomendasi proaktif memberdayakan Anda untuk menggunakan layanan yang direkomendasikan tanpa harus mencari materi dan mencakup layanan yang dipimpin Microsoft, pendidikan sesuai permintaan, dan penilaian sesuai permintaan yang ditawarkan melalui Services Hub.

Di mana rekomendasi muncul di Services Hub?

Rekomendasi proaktif muncul dalam berbagai pengalaman digital di Services Hub. Rekomendasi yang disajikan dalam pengalaman ini disesuaikan untuk konteks pengalaman digital tertentu dan dipersonalisasi untuk Anda.

Di beranda Services Hub, rekomendasi konten Penilaian Sesuai Permintaan Services Hub yang disesuaikan untuk Anda dapat ditemukan di petak it Health saat rekomendasi pembelajaran sesuai permintaan dan lokakarya Anda berada di petak peta Pembelajaran.

Rekomendasi Proaktif prediktif disertakan di bawah fitur pencarian Katalog Layanan Hub Layanan dan diwakili dalam diagram di bawah ini. Rekomendasi yang ditemukan di halaman Katalog Layanan mencakup semua jenis konten dan dipersonalisasi untuk Anda.

Pada halaman arahan Pembelajaran, rekomendasi Proaktif Prediktif disertakan di bawah judul dan diwakili dalam diagram di bawah ini. Rekomendasi yang ditemukan di halaman Pembelajaran mencakup jenis konten pembelajaran termasuk pembelajaran sesuai permintaan dan lokakarya. Rekomendasi ini dipersonalisasi untuk Anda.

Pada halaman Penilaian, rekomendasi Proaktif Prediktif disertakan di bawah ringkasan penilaian dan diwakili dalam diagram di bawah ini. Rekomendasi yang ditemukan di halaman Penilaian difokuskan pada jenis konten penilaian dan dipersonalisasi untuk Anda.

Pada Halaman Arahan Dukungan, rekomendasi Proaktif Prediktif ditemukan di bawah visualisasi tren kasus di halaman. Rekomendasi diwakili dalam visual di bawah ini dan didukung oleh layanan Mesin Aturan. Rekomendasi ini mencakup semua jenis konten dan dipersonalisasi untuk pelanggan.

Pada Halaman Detail Dukungan, rekomendasi Proaktif Prediktif ditemukan di bawah detail kasus dan visual tren kasus di halaman. Rekomendasi diwakili dalam visual di bawah ini dan didukung oleh layanan rekomendasi Dukungan Reaktif. Rekomendasi ini mencakup semua jenis konten dan dipersonalisasi untuk pelanggan.

Bagaimana cara kerja mesin rekomendasi?

Ada beberapa aspek berbeda dari mesin rekomendasi Predictive Proactive. Setiap aspek memainkan peran yang berbeda dalam Services Hub.

Layanan yang mendukung pengalaman digital rekomendasi yang dijelaskan sebelumnya didasarkan pada metode pemfilteran kolaboratif. Metode pemfilteran kolaboratif ini memprediksi minat konsumsi dari satu pengguna Services Hub dengan mengumpulkan minat konsumsi dari pengguna Services Hub lainnya. Asumsi yang mendasar dari pendekatan pemfilteran kolaboratif adalah bahwa jika seseorang memiliki minat yang sama dengan orang kedua untuk konten proaktif, orang pertama lebih cenderung berbagi minat konsumsi orang kedua untuk konten baru. Dengan demikian, sistem rekomendasi pemfilteran kolaboratif kami untuk konten proaktif prediktif membuat prediksi tentang layanan proaktif mana yang akan disukai pengguna menggunakan riwayat konsumsi yang ada dan riwayat konsumsi pengguna serupa (kolaborator).

Layanan rekomendasi kedua adalah model Kasus Dukungan Reaktif kami berdasarkan informasi dukungan reaktif. Layanan ini memanfaatkan informasi berikut untuk menghasilkan LOD, penilaian, dan layanan yang direkomendasikan:

• Keluarga produk
• Judul kasus
• Deskripsi kasus
• Catatan kasus

Layanan rekomendasi ini menarik fitur-fitur ini dari teks yang digunakan untuk menghitung kesamaan dengan layanan dalam Katalog Layanan. Ada berbagai algoritma yang digunakan untuk mencapai pengukuran kesamaan ini termasuk model GBM Ringan untuk menemukan penilaian untuk kasus tertentu dan model Knowledge Graph untuk menemukan pembelajaran sesuai permintaan dan lokakarya untuk kasus dukungan reaktif.

Layanan rekomendasi ketiga menggunakan mesin aturan untuk memberikan rekomendasi proaktif. Produk dukungan reaktif tertentu, tren kasus, sub-tren, dan klasifikasi wawasan layanan dipetakan ke layanan proaktif tertentu dalam mesin aturan. Ketika kasus dukungan reaktif pelanggan dievaluasi menggunakan aturan dan kecocokan ditemukan, layanan proaktif yang dipetakan dikembalikan. Aturan ditulis dan diedit menggunakan pengalaman digital Rules Hub dalam Services Hub.

Bagaimana pengguna memengaruhi rekomendasi mana yang disajikan?

Dengan metode pemfilteran kolaboratif, metode Kasus Dukungan Reaktif, dan Mesin Aturan, pengguna dapat memengaruhi rekomendasi bahwa mereka dilayani dalam Services Hub.

Filter kolaboratif didorong berdasarkan layanan proaktif yang digunakan. Konsumsi ini menunjukkan preferensi pengguna. Semakin banyak konten yang dikonsumsi, semakin beragam dan tepat rekomendasi yang dihasilkan. Dengan informasi konsumsi proaktif minimal untuk digunakan, semakin sedikit filter kolaboratif yang tersedia untuk rekomendasi dasar. Seiring pertumbuhan konsumsi pengguna Services Hub lainnya, rekomendasi juga akan meningkat. Hubungan kompleks antara pengguna dan konten akan menjadi lebih jelas saat konsumsi proaktif tumbuh.

Metode Kasus Dukungan Reaktif didorong berdasarkan permintaan dukungan yang dikirimkan ke Microsoft. Layanan rekomendasi mengukur kesamaan antara permintaan dukungan individu dan penawaran proaktif. Saat pelanggan mengirimkan permintaan dukungan baru, rekomendasi baru akan dibuat berdasarkan informasi yang berada di permintaan dukungan baru.

Mesin Aturan didorong oleh bagaimana kasus dukungan reaktif diklasifikasikan untuk tren kasus, sub-tren, dan nilai wawasan layanan. Karena kasus dukungan reaktif tren baik oleh manajer insiden atau melalui proses otomatis yang didorong ML, layanan proaktif direkomendasikan. Aturan dapat ditulis atau diedit yang akan memengaruhi rekomendasi proaktif yang dikembalikan oleh Mesin Aturan.

Rekomendasi apa yang ditampilkan saat pengguna pertama kali terlibat dengan Services Hub?

Karena pengguna baru di-onboarding ke Services Hub, konsumsi proaktif akan minimal. Untuk mengatasi skenario ini, layanan rekomendasi filter kolaboratif memiliki sedikit informasi langsung untuk rekomendasi dasar. Dalam situasi ini, penilaian populer, pembelajaran sesuai permintaan, dan konten lokakarya disajikan kepada pengguna baru ini. Ketika konsumsi yang memadai direkam, filter kolaboratif akan membuat rekomendasi berbasis konten yang dipersonalisasi yang lebih terkait langsung dengan preferensi dan kebutuhan pengguna.

Skenario ini tidak berlaku langsung ke layanan rekomendasi lain termasuk model Kasus Dukungan Reaktif dan Mesin Aturan. Ketika permintaan dukungan baru dikirimkan, rekomendasi berbasis kasus akan dibuat langsung terhadap permintaan dukungan. Mesin Aturan akan mengembalikan rekomendasi proaktif yang relevan berdasarkan informasi tren kasus untuk pelanggan Services Hub baru.