关于sap:人工智能在客户关系管理软件销售和服务模块中的应用

5次阅读

共计 3446 个字符，预计需要花费 9 分钟才能阅读完成。

所谓客户关系管理软件(Customer Relationship Management，下文简称 CRM)，是一种旨在治理和改善企业与其客户之间关系的利用类软件。客户关系治理软件系统的主旨是：为满足每个客户的非凡需要，同客户建立联系，通过软件提供的各种同客户不同渠道的互动，以及随之产生的业务数据，从中提炼挖掘出客户的不同需要，并在此基础上进行一对一个性化服务。

惯例的客户关系管理软件包含销售治理、商务治理，数据汇总和剖析，市场营销治理、客户服务零碎以及客户呼叫核心等模块。在寰球企业向数字化转型的浪潮中，客户关系管理系统曾经成为企业经营不可或缺的工具之一。

随着近些年人工智能的技术钻研一直获得停顿，大量本来在传统 CRM 零碎里须要使用者手动操作能力实现的业务流程，借助人工智能技术能够失去大量简化甚至齐全达到自动化。作为世界上最优良的企业管理软件提供商之一，SAP 在传统的本地部署 (On-Premises) 零碎架构和 Saas(Software-as-a-Service) 畛域都推出了对应的解决方案，其中后者，部署在云端的 SAP CRM 解决方案，名叫 SAP Cloud for Customer(简称 C4C). 笔者在 SAP 成都研究院已经从事过该零碎的开发工作，本文将 C4C 和人工智能相干的业务流程和实现分享进去，心愿对社区里致力于人工智能技术如何落地的敌人们有所启发。

SAP Cloud for Customer(下文简称 C4C) 在 1708 这个版本里最先引入应用人工智能的反对，用于销售场景中的 Deal Intelligence(智能交易)和服务场景中的 Automatic Ticket Classification(Ticket 智能分类)。到 C4C 1802 版本为止，SAP C4C 在销售和服务畛域内经由人工智能加强的场景如下：

Deal Intelligence
Lead Intelligence
Account Intelligence
Ticket Intelligence

C4C 机器学习的思路是剖析零碎内已有的历史数据，进行模式识别，创立统计模型对未来的业务决策做出预测。因而历史数据成为 C4C 机器学习场景一个至关重要的输出条件。

SAP C4C 机器学习对于历史数据规模的要求是：对于相干场景至多存在过来 12 个月的数据，数量不得少于 5000 条，并且必须满足 SAP 官网文档上定义的特色散布。

C4C 机器学习性能在每个 tenant 上默认处于敞开状态。心愿启用机器学习的客户须要向 SAP 提交一个 Incident，依照 SAP 提供的一个模板填写须要启用机器学习的具体场景。作为一个 SaaS 解决方案，绝大多数简单的机器学习启用步骤都由 SAP 工作人员实现，剩下须要由 C4C 客户在 C4C tenant 上实现的步骤，仅仅是在 C4C 工作核心视图 Predication Services 里进行简略的配置工作。

点击 Model Setup 超链接进行机器学习的模型配置：

留神图中的 Readiness 这一列，代表以后 tenant 上相干的历史数据的规模和散布是否足以满足 SAP 定义的创立机器学习训练模型的条件。

如果条件不满足，点击 View Report 能看到具体是历史数据的哪个维度不满足：

历史数据筹备好之后，通过点击下图 Model 表格的工具栏上的按钮 Add Model 创立机器学习的模型，训练并激活模型，而后就能在 C4C 的业务场景中应用机器学习提供的弱小性能了。

咱们留神到上图有一列 Data Source, 代表该场景须要的模型是否反对以内部文件的形式将历史数据导入零碎。Auto Extraction 则代表间接应用以后 tenant 的数据作为历史数据。

等模型训练完结后状态变为 Active，就能够开始在 C4C 业务场景中应用机器学习了。

应用机器学习进行客户治理，咱们能够失去客户 360 度全方位的视图。

关上 SAP C4C 的客户工作核心，在客户列表里选中任意一个客户进入明细页面，能在左边看到一个名为 Insights 的区域。

这些客户的 360 度视图是基于 C4C 外部和内部的数据源剖析得出的, 有助于销售人员进行更有针对性的客户打算和销售。C4C 的内部数据源采纳的是第三方数据提供商 Bombora.

通过 Insights 面板，咱们可能取得通过机器学习得出的每个客户的购买偏向的分数，并且能看出就咱们关注的某一话题，该客户的行为和偏向到底如何。

Bombora 会从该客户相干的 B2B 网站上捕获可能反映该客户购买偏向的各种线索。当检测到客户在某个话题上的线索数量有明显增加时，咱们称这个客户就该话题体现出了一个 Surge，咱们会给出 Surge 的分数，范畴在 1 到 99 之间，每周更新一次。

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 分数前三的话题顺次为:

Artificial Intelligence
Machine Learning
Collaboration Software

在 C4C 工作核心视图 Predication Services 的 Third Party Data 能够对 Insights 面板里须要关注的话题进行配置：

在销售商机（Opportunity）列表里选中某个商机，能看到左边会应用机器学习的形式给该商机打的分，该分数代表选中商机的赢单概率。

下面显示的分数是基于 SAP C4C tenant 上过来 12 个月的销售数据，经过训练之后的机器学习模型计算出来的。分数越高，赢单率越大，因而销售代表能够更有针对性的把资源放在优先级更高的商机下来。分数会每天更新一次。

为了让机器学习计算出来的得分更精确，须要 C4C 零碎里至多存在 5000 条历史商机数据，并且这些历史商机数据里的 ” 赢单 ” 或者 ” 输单 ” 状态尽可能均匀分布。

Insights 标签页里显示的分数和 Key Feature（要害指标）全副是从 C4C 后盾通过 HTTP 申请，以 JSON 格局返回到前台进行渲染。

这个 JSON 格局的响应明细如下(从 Chrome 开发者工具 Network 标签页里察看到的）：

大家平时在电商网站上买一个货色后，零碎会主动向咱们举荐一些其余咱们可能会感兴趣的商品，这些举荐就是零碎背地的人工智能模块，基于咱们以前的购买习惯，通过肯定的算法计算出来的。

C4C 同样反对应用机器学习依据销售订单历史数据进行向上销售 (Up Selling) 和穿插销售 (Cross Selling) 产品举荐。

咱们能够在 Machine Learning Scenarios（机器学习场景）的列表里看到 Product Recommendation（产品举荐）这个场景。通过点击按钮 Add Model 创立一个新的机器学习模型，点击 Train 进行训练，确保训练胜利实现，状态变为 Active, 阐明该模型可用。

创立一个新的 Product List(产品列表)，外面蕴含了须要销售的产品：上面的例子有两个产品，ID 为 1042416 和 10001380.

如果是传统的产品举荐场景，假如当我在销售订单的行我的项目里保护了上述两个产品的 ID 后，还想举荐一些其余的产品，则须要通过人工的形式将这些举荐的商品保护到 Product list 的 Proposed Products 标签页里，如下图红色区域所示。

引入 AI 的反对后，就能够省去这些人工配置的步骤和工作量。我给这个 Product List 加上了一个 203 – Product Recommendation 的场景，如下图蓝色区域所示，心愿让这个 Product List 里蕴含的产品被退出到销售订单时，通过人工智能的形式由 SAP C4C 零碎主动举荐相干产品。

当初咱们来做个测试，创立一个新的销售报价单，将之前保护在 Product List 的某一个产品，比方 1042416，保护在这个销售报价单的行我的项目里，而后 C4C 零碎主动给我举荐了两个其余产品，ID 为 P140101 和 P140100.

下图是我从 ABAP 编程语言调试机器学习 API 调用失去的 JSON 响应在 JSON 编辑器里关上的截图。

能够看到 C4C 的人工智能模块给 ID 为 P140101 和 P140100 这两个产品计算的相干分数是 90 和 83.

以上就是人工智能技术在客户关系管理软件中的一些利用，心愿可能对致力于将人工智能技术利用到理论业务场景中的同仁们有所帮忙，感激浏览。

正文完