A CloudAscent-jelentések elérhetők a partner Center irányítópultjánCloudAscent Propensity reports available from Partner Center dashboard

Megfelelő szerepkörökAppropriate roles

  • Executive Report ViewerExecutive report viewer
  • Jelentés megjelenítőjeReport viewer

A partneri központ irányítópultja a CloudAscent programból letölthető, a rendelkezésre bocsátó adatokra vonatkozó adatait biztosítja.The Partner Center Dashboard provides downloadable propensity data from the CloudAscent Program. Az adatkezelési szolgáltatás a Microsoft-termékek vásárlásához szükséges ügyfeleket jeleníti meg.The data shows the customers' propensity to purchase Microsoft products. Ez a cikk ismerteti az adatbontást, a pontozás használatát, valamint azt, hogy mit jelent.This articles describes the breakdown of this data, how to utilize the scoring, and what it means.

Összefoglaló definíciókSummary definitions

  • SMC-ügyfelek – ez az ügyfelek teljes száma a felszállási letöltésekben.SMC Customers – This is the total number of customers in the propensity downloads. Az ügyfeleket a Record partner azonosítja.Customers are identified by partner of record.
  • Lejárati szerződések – az aktuális pénzügyi évben a lejáró szerződések számát biztosítjuk.Expire Agreements – within the current fiscal year, we're providing the number of expiring agreements.
  • Lejáró bevétel – a lejáró szerződésekhez kapcsolódó bevétel.Expiring Revenue – the revenue associated to the expiring agreements.
  • Nyissa meg a lejáró bevételt – a nyitott lejáró szerződésekhez kapcsolódó bevételt.Open Expiring Revenue – The revenue associated to the open expiring agreements.

Képernyőkép az ügyfelek lehetőségeinek összefoglaló irányítópultról.

CloudAscent SMB-szegmentálásCloudAscent SMB segmentation

A kis-és közepes méretű üzleti (SMB) szegmensek további három különálló alszegmensre oszlanak.The small to medium business (SMB) segment is further divided into three distinct sub segments.

  1. A legtöbbet nem felügyelt legfontosabb SMB-ügyfelek a Microsoft legnagyobb lehetőségével rendelkeznek.Top Unmanaged includes the largest SMB customers with the most opportunity for Microsoft. A legnépszerűbb nem felügyelt ügyfelek a felügyelt fiókokhoz hasonló jellemzőkkel rendelkeznek, nagyszámú alkalmazottal, nagy informatikai költségvetéssel és költve, valamint nagy mennyiségű lehetséges bevétel a Microsoft számára.Typical Top Unmanaged customers share similar characteristics as Managed accounts, with large number of employees, large IT budgets and spend, and large amounts of potential revenue for Microsoft.

    A legfelső szintű felügyelet nélküli két módszert definiáljuk:We define Top Unmanaged two ways:

    • Leggyakoribb nem felügyelt felhasználó – a 300 vagy több alkalmazottat tartalmazó fiókokat tartalmaz.Top Unmanaged User Based – includes accounts with 300 or more employees. A User-Based-fiókok kiváló célokat szolgálnak az első vásárláshoz, vagy a felhasználó-alapú előfizetési termékek, például a M365, a D365 vagy a Surface bővítéséhez.User-Based accounts are great targets for first-time purchase, or expansion of user-based subscription products such as M365, D365, or Surface.
    • Top nem felügyelt számítási alapú – a $10k-nál nagyobb Azure-potenciállal rendelkező fiókokat tartalmaz.Top Unmanaged Compute Based – includes accounts with Azure potential greater than $10k. A számítási alapú fiókok közé tartozik a meglévő Azure.Compute based accounts include existing Azure. a jövőbeli éves potenciállal rendelkező fiókok és az Azure-t még nem megvásárló fiókok, de a $10k-nál nagyobb kapacitással rendelkeznek.accounts with significant future year potential and accounts who have yet to purchase Azure yet but have potential for Azure greater than $10k.
  2. A Medium Business a meglévő ügyfeleket és a 25 – 300 alkalmazottat foglalkoztató fiókokat tartalmaz.Medium Business includes existing customers and prospect accounts with 25 to 300 employees.

  3. A kisvállalkozások több mint 25 alkalmazottal rendelkező fennmaradó vállalatot foglalnak magukban.Small Business includes all remaining businesses with fewer than 25 employees.

Ügyfél által SMC-típus.

A nem felügyelt és közepes méretű üzleti Alszegmensek magas élettartamú (LTV) ügyfeleket képviselnek a Microsoft és a Microsoft partnerei számára.Top Unmanaged and Medium Business subsegments represent high life-time value (LTV) customers for Microsoft, and Microsoft Partners. Ezért ezek a szegmensek a növekedésre összpontosítanak.Hence they are the lead areas of focus for driving growth in this segment. Ebben a két alszegmensben jobb helyzetben vagyunk a szoftvercsatorna beolvasásához a M365, a D365/Azure üzletági (LOB) alkalmazásokkal folytatott további bevételekhez, valamint a Microsoft magas LTV megvalósításához.In these two subsegments, we are better positioned to acquire the socket with M365, monetize further with D365/Azure line of business (LOB) apps, and realize a high LTV for Microsoft.

Napjainkban a lehetőség két kulcsfontosságú területtel rendelkezik – 1.Today we have two key areas of opportunity – 1. ügyfelünk bővíti a növekedést; 2.our customer adds growth; 2. Habár a M365-hez vezető felhőalapú szoftvercsatornák beszerzése nagy lehetőséget biztosítunk a D365 és az Azure-ban.while we do well acquiring cloud sockets leading with M365, we have a large opportunity in D365 and Azure.

A következő képernyőkép a három SMB-alszegmenst és a piacra optimalizált útvonalakat mutatja.The following screenshot represents the three SMB Subsegments and optimized routes to market. A CloudAscent rangsorolja az összes nem felügyelt és közepes üzleti fiók profilkészítését, pontozását és modellezését.CloudAscent prioritize the profiling, scoring, and modeling of all Top Unmanaged and Medium Business accounts.

Képernyőkép az SMB-alszegmensekről.

CloudAscent Machine LearningCloudAscent Machine Learning

Az SMB gépi tanulási technológiát használ a legfelső szintű nem felügyelt és közepes üzleti szegmensen belüli értékesítési és marketing-ügyfelek előrejelzéséhez.SMB uses machine learning technology to drive sales and marketing customer predictions within the Top Unmanaged and Medium Business segments. Hogyan történik a jelek begyűjtése és a szolgáltatásokra vonatkozó javaslatok bekapcsolása?How are signals collected and turned into propensity recommendations?

  • Adatgyűjtés : a webes beolvasók több milliárd ügyfél-jelet vizsgálnak és gyűjtenek a vállalati tartományok pingelésével és a figyeléssel: blogbejegyzések, sajtóközlemények, közösségi streamek és technikai fórumok.Data Collection : Web crawlers scan and collect billions of customer signals by pinging the company domains, and monitoring: blog posts, press releases, social streams, and technical forums. Az összegyűjtött jeleken kívül a firmographics információkat a belső és külső forrásokból is gyűjtjük, például a D&B, a Microsoft belső előfizetése és a tranzakciós adatok.In addition to the collected signals, firmographics information is collected from both internal and external sources such as D&B, Microsoft Internal subscription and transactional data.

  • Machine learning : a rendszer a jeleket a gépi tanulási modellbe helyezi, amely strukturált adatkészletet hoz létre az értékesítések és a marketing-előrejelzések alapján minden ügyfél számára a felhőalapú termék és a fürt számára.Machine Learning : The signals are fed into the machine learning model that outputs a structured data set of Sales and Marketing predictions for each customer by cloud product and cluster. Minden ügyfél egy, a Microsoft legfontosabb SMB-modelljét használja, amely meghatározza az ügyfél illeszkedését, valamint a gépi tanulási algoritmusokat, amelyek az ügyfél online viselkedését a szándék szerint határozzák meg.Each customer is scored using a look alike model to Microsoft's top SMB that determines the customer's Fit, and machine learning algorithms that integrate the customer's online behavior define as Intent. A pontozás olyan fürtökbe van egyesítve, amelyekben az ügyfél a Microsoft Cloud termékek megvásárlására való hajlamot jeleníti meg.The scoring is merged into clusters that show a customer's propensity to purchase Microsoft Cloud Products.

  • Optimalizálás : a Machine Learningrendszer optimalizálja a modelleket úgy, hogy a tranzakciós adatokat havonta és az előfizetési adatokat negyedévente felhasználva.Optimization : The Machine Learning system optimizes the models by consuming the transaction data monthly and the subscription data quarterly. A nyerési/adatvesztési művelettel a Machine Learning módosítja az algoritmusokat, és ellenőrzi, hogy a modellek a várt módon működnek-e a fürt ajánlásainak összehasonlításával a MSX.Using the win/loss data, the Machine Learning adjusts the algorithms and validates that the models are working as expected by comparing cluster recommendations to opportunities acted upon in MSX.

Képernyőkép az SMB Machine learningről.

CloudAscent-hajlamCloudAscent Propensity

Hogyan jönnek létre a megfogalmazási javaslatok?How are propensity recommendations created?

A webes bejárásokkal és a különböző forrásokból származó adatokkal gyűjtött jelek használatával konszolidáljuk a firmographics-adatokat és az ügyfél közösségi médiájának jelzéseit.Using signals collected via web crawlers and data provided from various sources, we consolidate the firmographics data and customer's social media signals. A pontozás ezeket a jeleket és az adatelemzési modelleket használja az illesztési és pontozási modellekhez.The scoring uses these signals and data in comparison models for fit and scoring models for Intent.

  1. Ügyfél-fiókhoz igazításCustomer Account Fit

    • A firmographics definiáló belső és külső adatpontok.Internal and External data points that define firmographics.

    • Az illeszkedő pontozás a legjobb SMB modell használatával hasonlítja össze az ügyfeleket, és megtudhatja, hogy lehetséges-e a Microsoft Cloud termékekhez való illeszkedés.Fit scoring uses a look alike model to our best SMB to compare customers and see if they're a potential fit for Microsoft Cloud Products.

    • Az illesztési pontozás negyedévente frissülFit scoring is updated quarterly

  2. Vevői fiók leképezéseCustomer Account Intent

    • A közösségi médiával és az ügyfél online viselkedésével kapcsolatos jelek határozzák meg a szándékot.Signals related to Social media and a customer's online behavior define Intent.

    • A leképezési pontozás a fürtök definiálására alkalmas.Intent scoring is overlaid on top of fit to define the clusters.

    • A szándékok pontozása havonta frissül.Intent scoring is updated monthly.

    CloudAscent SMB prediktív modellek.

  3. FürtözésClustering

    A megfelelő és a szándékú jelek összevonása egy fürtözési pontszámba történik.The Signals for fit and intent are consolidated into a clustering score. A CloudAscent négy fürttel rendelkezik:CloudAscent has four clusters:

    • Azonnali működés – értékesítésre kész ügyfelekAct Now - sales ready customers
    • Kiértékelés – marketing-Ready ügyfelekEvaluate - marketing ready customers
    • Ápolás – a tudatosságnövelő kampányokNurture - drive awareness campaigns
    • Nevelés – képzés és monitorozás a szándékkalEducate - educate and monitor for intent

    A fürtözés lehetővé teszi a felhasználók számára, hogy meghatározott ügyfeleket célozzanak értékesítési és marketing kezdeményezésekhez szegmens tényezők alapján, például: termék, Geo, iparág és vertikális.The clustering allows users to target specific customers for sales and marketing initiatives based on segment factors, for example: product, geo, industry and vertical.

    A CloudAscent-munkafüzetek megosztó modell lapja megosztja a hajlamot és a becsült szóköz bevételt.The Propensity model tab in the CloudAscent Workbooks shares the propensity and the estimated whitespace revenue. A Fit és a szándék fürtözésének definiálásához végezze el a következő lépéseket:To define the clustering of Fit and Intent, we go through the following steps:

    1. A ML-modellek használatával először a 100-es skálán számítjuk ki az ügyfél-igazítási pontszámot és a szándék pontszámát.Using ML Models, we first calculate Customer Fit Score and intent Score on a scale of 100. A pontos pontszámok ML modellek alapján változnak.Exact Scores will vary based on ML Models. Példa az alábbi pontszámokra:Example Scores Below:

      BesorolásClassification PontszámScore
      MagasHigh 75 – 10075 - 100
      KözepesMedium 55 – 7455 - 74
      AlacsonyLow 30 - 5430 - 54
      Nagyon alacsonyVery Low 0 - 290 - 29
    2. A fenti szabály használatával a vállalatokat magas, közepes, alacsony és nagyon alacsony értékre osztályozjuk mind az ügyfél, mind a szándékos jelzések esetében.Using the rule above, we classify companies to be High, Medium, Low, and Very Low across both Customer Fit and Intent Signals.

    3. Az ügyfél-igazítási és szándéki jeleket egy 2D-mátrixban ábrázoljuk, amely a hajlamot jelképező minden metszettel rendelkezik.We plot customer fit and intent signals on a 2D matrix with each intersection representing the propensity. Például: nagy teljesítményű + magas szándékú = a1, amely a legmagasabb szintű hajlamot jelöli.For Example, High Fit + High Intent = A1, representing the highest propensity.

    4. Végül ezek a szegmensek csoportosítva alkotják a fürtöket.Finally, these segments group to form clusters. Például: a1, a2, a3, a4, a jogszabály most fürt.For Example, A1, A2, A3, A4 form the Act Now cluster.

      CloudAscent modellek.

    Ezen ügyfelek esetében javasoljuk, hogy most célozza meg a célzást, és értékelje az ügyfeleket.For these customers, we recommend targeting Act Now and Evaluate customers.

CloudAscent-termékek & modellekCloudAscent Products & Models

A következő ábra az egyes CloudAscent-modellekre vonatkozó nézeteket tartalmazza:The following graphic provides a view of each propensity model within CloudAscent:

CloudAscent-modellezési modell.

A szóközökből álló modellek olyan meglévő Microsoft-ügyfelek számára készült előrejelzésekből állnak, amelyek nem rendelkeznek termékkel és/vagy a nettó új potenciális ügyfelekkel.Whitespace models are composed of predictions for existing Microsoft customers where they don't have a product and/or are net new prospect customers.

A upsell-modellek a tranzakciós adataival jósolják meg az Azure-ban és az M365-ban felhasználható upsell-t.Upsell models use transaction data to predict the potential for upsell in Azure and M365 SKUs.

Az EOS a Win 7, az Office 2010, a SQL Server és a Windows Server rendszerű ügyfeleket is megosztja a szolgáltatással.EOS shares the end of service customers for Win 7, Office 2010, SQL Server, and Windows Server. Az EOS-adatok az MS Sales szolgáltatásból vannak leküldve, és az CloudAscent-modellezési modellezéssel, ahol elérhető.The EOS data is pulled from MS Sales and overlaid with the CloudAscent propensity modeling where available. Az EOS-adatforgalom a modern és az Azure Sales szolgáltatásban is működik.EOS data lives in the Modern Work and Azure Sales plays.