Painel de oportunidades do cliente - Desempenho do produto na nuvem

Funções apropriadas: Visualizador de relatórios executivos | Visualizador de relatórios com acesso à conta do Partner Global

Os dados de propensão mostram a probabilidade de os clientes comprarem produtos Microsoft.

O Partner Center fornece dados de propensão para download do CloudAscent.

Este artigo descreve dados de propensão, o que significa e como usá-los.

Definições sumárias:

• Clientes de SMC: número de clientes nos downloads de propensão. Os clientes são identificados pelo parceiro de transação.
• Contratos expirando: número de contratos que expiram no ano fiscal atual.
• Receita expirando aberta: receita associada aos contratos abertos que estão expirando.

Segmento e subsegmentos SMB

O segmento de pequenas e médias empresas (PMEs) é dividido em três subsegmentos:

• Empresa média superior Tamanho da organização: 300+ funcionários ou clientes com receita de consumo do Azure (ACR) >US$ 1.000 por mês

• O subsegmento de médias empresas é formado por clientes com 25 a 300 funcionários.

• Subsegmento de empresas muito pequenas são clientes com 1 a 25 funcionários.

Os subsegmentos de negócios Médio, Médio e Médio são clientes de alto valor para a Microsoft e parceiros da Microsoft. Devido ao seu alto valor, esses subsegmentos são o foco principal para impulsionar o crescimento no segmento de PMEs. A principal área de oportunidade é a adição de clientes.

O diagrama a seguir mostra os três subsegmentos SMB. O CloudAscent prioriza a criação de perfil, a pontuação e a modelagem de todas as contas de empresas de médio e médio, médio e muito pequeno.

Machine learning do CloudAscent

No segmento de pequenas e médias empresas, usamos aprendizado de máquina para impulsionar as previsões de vendas e marketing dos clientes nos subsegmentos de empresas de Média Alta, Média e Muito Pequena .

Os dados dos clientes são coletados e transformados em recomendações usando o seguinte processo:

1. Coletar dados: os rastreadores da Web verificam e coletam bilhões de sinais de clientes executando ping nos domínios da empresa e monitorando postagens de blog, comunicados à imprensa, fluxos sociais e fóruns técnicos. Além dos sinais coletados, as informações firmográficas são coletadas de fontes internas e externas, como Dunn & Bradstreet, assinaturas internas da Microsoft e dados transacionais.

2. Gerar previsões: os dados coletados na etapa anterior são alimentados em um modelo de aprendizado de máquina que gera um conjunto de dados estruturados de previsões de vendas e marketing para cada cliente por produto e cluster de nuvem. Cada cliente é pontuado usando um modelo semelhante ao SMB principal da Microsoft que determina a adequação do cliente e algoritmos de machine learning que integram o comportamento online do cliente definido como intenção. A pontuação é mesclada em clusters que mostram a propensão do cliente para comprar produtos de nuvem da Microsoft.

3. Otimizar modelos: O sistema de aprendizado de máquina otimiza os modelos consumindo dados de transações mensalmente e dados de assinatura trimestralmente. Usando os dados de ganhos/perdas, o machine learning ajusta os algoritmos e valida se os modelos estão operando conforme o esperado, comparando as recomendações de cluster com as oportunidades acatadas no MSX (Microsoft Sales Experience).

Pontuação CloudAscent

Como são criadas as recomendações de segmentação?

Usando os sinais coletados por rastreadores da Web e dados coletados de várias fontes, consolidamos os dados firmográficos e os sinais de mídia social dos clientes. A pontuação usa os sinais e os dados a seguir em modelos de comparação visando modelos de adequação e pontuação de intenção.

• Ajuste da conta do cliente

  • Pontos de dados internos e externos que definem firmográficos.

  • A pontuação de ajuste compara os clientes às nossas melhores PMEs usando um modelo semelhante para ver se eles são um ajuste potencial para os produtos de nuvem da Microsoft.

  • A pontuação de Adequação é atualizada trimestralmente.

• Intenção da conta do cliente

  • Sinais de compra - Eventos ou mudanças em uma organização que provavelmente gerarão uma oportunidade de vendas.

  • A pontuação de Intenção é sobreposta ao ajuste para a definição dos clusters.

  • A pontuação de Intenção é atualizada mensalmente.

  

  

• Clustering

  Os sinais para adequação e intenção são consolidados em uma pontuação de clustering.

  O CloudAscent tem quatro clusters:

  • Aja agora: clientes prontos para vendas
  • Avalie: Clientes prontos para marketing
  • Nurture: Promova campanhas de conscientização
  • Educar: Educar e monitorar a intenção

  O clustering permite que os usuários se direcionem a clientes específicos para iniciativas de vendas e marketing com base em fatores de segmento, por exemplo: produto, região geográfica, setor e vertical.

Propensão e receita estimada de espaço em branco

A guia Modelo de propensão nas Pastas de Trabalho do CloudAscent exibe a propensão e a receita estimada de novas oportunidades.

Para definir o agrupamento de Ajuste e Intenção, use as seguintes etapas:

1. Usando modelos de aprendizado de máquina, primeiro calculamos a pontuação de ajuste do cliente e a pontuação de intenção em uma escala de 0 a 100. As pontuações variam dependendo dos modelos de aprendizado de máquina.

   Algumas pontuações de exemplo são:

   Classificação	Pontuação
   Alto	75 - 100
   Médio	55 - 74
   Baixo	30 - 54
   Muito baixa	0 - 29

2. Usando a regra anterior, classificamos as empresas como alta, média, baixa e muito baixa propensão a comprar por sinais de ajuste e intenção do cliente.

3. Plotamos os sinais de ajuste e intenção do cliente em uma matriz bidimensional, com cada interseção representando a propensão. Por exemplo, high fit + high intent = A1, a maior propensão.

4. Por fim, esses segmentos se agrupam para formar clusters. Por exemplo, A1, A2, A3, A4 do cluster Act Now .

   

Recomendamos o direcionamento aos clientes Agir agora e Avaliar.

Produtos e modelos do CloudAscent

O gráfico a seguir fornece uma exibição de cada modelo de propensão no CloudAscent:

• Os modelos de espaço em branco são compostos de previsões para clientes existentes da Microsoft onde eles não têm um produto e/ou são novos clientes potenciais.

• Os modelos de up-sell usam dados de transação para prever o potencial de up-sell em SKUs do Microsoft 365. Esses clientes já têm o Microsoft 365, e o modelo de up-sell mostra que eles provavelmente comprarão mais de seus SKUs existentes.

• O modelo de Carga de Trabalho Lógica do Azure Next usa dados de transação existentes do Azure para prever o potencial da próxima carga de trabalho provável para esse cliente comprar. Esses clientes já têm o Azure e provavelmente comprarão uma carga de trabalho adicional ao mostrar alta propensão.

• Fim de serviço (EOS) mostra clientes EOS para Windows 7, Office 2010, SQL Server e Windows Server. Os dados de EOS são extraídos do Microsoft Sales e sobrepostos à modelagem de propensão do CloudAscent, quando disponível. Os dados do EOS residem nas execuções de Trabalho Moderno e Vendas do Azure.

Próximas etapas

Baixar relatórios no desempenho do produto na nuvem