CloudAscent propensity-rapporten die beschikbaar zijn via partnercentrumdashboard

Juiste rollen: Rapportviewer voor leidinggevenden | Rapportviewer

Het partnercentrumdashboard biedt downloadbare propensiteitsgegevens uit het CloudAscent-programma. De gegevens tonen de kans dat klanten Microsoft-producten kopen. In dit artikel wordt de uitsplitsing van deze gegevens beschreven, hoe u de score gebruikt en wat dit betekent.

Samenvattingsdefinities

  • SMC-klanten: aantal klanten in de downloads voor propensiteit. Klanten worden geïdentificeerd door de partner van de record.
  • Verlopende overeenkomsten: het aantal overeenkomsten dat verloopt in het huidige fiscale jaar.
  • Openstaande omzet: omzet die is gekoppeld aan open verlopende overeenkomsten.

Screenshot of Customers Opportunities Summary dashboard.

CloudAscent SMB-segmentatie

Het SMB-segment (small to medium business) is onderverdeeld in vier subsegmenten.

Top onbeheerde omvat de grootste SMB-klanten met de meeste kansen voor Microsoft. Typische onbeheerde klanten delen vergelijkbare kenmerken als beheerde accounts, met veel werknemers, grote IT-budgetten en uitgaven en grote hoeveelheden potentiële inkomsten voor Microsoft.

We definiëren het bovenste onbeheerde segment op twee manieren:

  • De belangrijkste onbeheerde, op gebruikers gebaseerde accounts met 300 of meer werknemers. Op gebruikers gebaseerde accounts zijn geweldige doelen voor de eerste aankoop of uitbreiding van op gebruikers gebaseerde abonnementsproducten, zoals Microsoft 365, Dynamics 365 of Surface.
  • De beste onbeheerde, rekenkracht omvat accounts met Azure-potentieel groter dan $ 10.000. Rekenaccounts bevatten bestaande Azure-accounts met een aanzienlijk potentieel in de toekomst en accounts die azure nog moeten aanschaffen, maar die mogelijk zijn voor Azure-aankopen die groter zijn dan $ 10.000.

Middelgrote bedrijven omvatten bestaande klanten en prospectaccounts met 25 tot 300 werknemers.

Kleine bedrijven omvatten bedrijven met 10-25 werknemers.

Zeer kleine bedrijven omvatten bedrijven met 1-9 werknemers.

Customer by SMC type.

De belangrijkste onbeheerde en middelgrote zakelijke subsegmenten vertegenwoordigen LTV-klanten (High Lifetime Value) voor Microsoft- en Microsoft-partners. Vanwege hun hoge waarde zijn deze subsegmenten primair gericht op het stimuleren van groei in dit segment. In deze twee subsegmenten zijn we beter in staat om de socket te verkrijgen met Microsoft 365, verder te verdienen met Dynamics 365- en Lob-apps (Line-Of-Business) en hoge LTV voor Microsoft te realiseren.

Vandaag hebben we twee belangrijke mogelijkheden:

  • Onze klant voegt groei toe.
  • Hoewel we goed cloudsockets aanschaffen die leiden tot Microsoft 365, hebben we een grote kans in Dynamics 365 en Azure.

In het volgende diagram ziet u de vier SMB-subsegmenten. CloudAscent geeft prioriteit aan de profilering, score en modellering van alle niet-beheerde en middelgrote bedrijfsaccounts .

Screenshot of SMB subsegments.

CloudAscent machine learning

In het segment voor kleine tot middelgrote bedrijven gebruiken we machine learning-technologie om de voorspellingen van de verkoop- en marketingklant te stimuleren binnen het subsegment Top onbeheerde en middelgrote bedrijven . Hoe worden signalen verzameld en omgezet in aanbevelingen voor propensiteit?

  • Gegevensverzameling: Web crawlers scannen en verzamelen miljarden klantsignalen door bedrijfsdomeinen te pingen en blogberichten, persberichten, sociale streams en technische forums te pingen. Naast de verzamelde signalen worden firmographics-gegevens verzameld uit zowel interne als externe bronnen, zoals Dunn & Bradstreet, interne Microsoft-abonnementen en transactionele gegevens.

  • Machine learning: de verzamelde gegevens worden ingevoerd in een machine learning-model dat een gestructureerde gegevensset met verkoop- en marketingvoorspellingen genereert voor elke klant per cloudproduct en -cluster. Elke klant wordt beoordeeld met behulp van een uiterlijk model naar de beste SMB van Microsoft die bepaalt wat de behoeften van de klant zijn en machine learning-algoritmen die het onlinegedrag van de klant integreren dat is gedefinieerd als intentie. De score wordt samengevoegd in clusters die de neiging van een klant tonen om Microsoft-cloudproducten te kopen.

  • Optimalisatie: Het machine learning-systeem optimaliseert de modellen door maandelijks transactiegegevens en abonnementsgegevens per kwartaal te gebruiken. Met behulp van de win/loss-gegevens past machine learning de algoritmen aan en valideert ze dat de modellen werken zoals verwacht door clusteraankopen te vergelijken met kansen die zijn opgetreden in Microsoft Sales Experience (MSX).

Screenshot of SMB machine learning.

CloudAscent-tendens

Hoe worden aanbevelingen voor propensiteit gemaakt?

Met behulp van signalen die worden verzameld door webcrawlers en gegevens die uit verschillende bronnen zijn verzameld, consolideren we firmographics-gegevens en de sociale mediasignalen van klanten. Scoren maakt gebruik van de volgende signalen en gegevens in vergelijkingsmodellen voor fit en scoremodellen voor intentie.

  • Passend voor klantaccount

    • Interne en externe gegevenspunten die firmographics definiëren.

    • Fit scoring maakt gebruik van een uiterlijk model voor onze beste SMB om klanten te vergelijken en te zien of ze geschikt zijn voor Microsoft-cloudproducten.

    • Score aanpassen wordt elk kwartaal bijgewerkt

  • Intentie van klantaccount

    • Signalen met betrekking tot sociale media en het onlinegedrag van een klant definiëren intentie.

    • Het scoren van intenties wordt bovenop elkaar weergegeven om de clusters te definiëren.

    • Het scoren van intenties wordt maandelijks bijgewerkt.

    CloudAscent SMB predictive models.

  • Clustering

    Signalen voor passendheid en intentie worden samengevoegd in een clusteringsscore. CloudAscent heeft vier clusters:

    • Nu handelen: klanten die klaar zijn voor verkoop
    • Evalueren: klanten die klaar zijn voor marketing
    • Koesteren: bewustzijnscampagnes stimuleren
    • Trainen: trainen en controleren op intentie

    Met clustering kunnen gebruikers specifieke klanten richten op verkoop- en marketinginitiatieven op basis van segmentfactoren, bijvoorbeeld product, geografie, industrie en verticaal.

    Het tabblad Propensity-model in de CloudAscent-werkmappen geeft de propensiteit en geschatte omzet uit witruimte weer.

    Om de clustering van Fit en Intent te definiëren, doorlopen we de volgende stappen:

    1. Met behulp van machine learning-modellen berekenen we eerst de score en intentiescore van de klant op een schaal van 100. De exacte scores variëren op basis van machine learning-modellen. Enkele voorbeelden van scores zijn:

      Classificatie Score
      Hoog 75 - 100
      Normaal 55 - 74
      Beperkt 30 - 54
      Zeer laag 0 - 29
    2. Met behulp van de voorgaande regel classificeren we bedrijven als hoog, gemiddeld, laag en zeer laag door zowel klant passend als intentiesignalen.

    3. We plotten klant passend en intentiesignalen op een tweedimensionale matrix, waarbij elk snijpunt de neiging vertegenwoordigt. Bijvoorbeeld, high fit + high intent = A1, die de hoogste propensiteit vertegenwoordigt.

    4. Ten slotte groeperen deze segmenten om clusters te vormen. Bijvoorbeeld: A1, A2, A3, A4 vormen het cluster Nu act.

    CloudAscent models.

    We raden u aan om nu actie te ondernemen en klanten te evalueren .

CloudAscent-producten en -modellen

De volgende afbeelding biedt een weergave van elk propensiteitsmodel in CloudAscent:

CloudAscent propensity model.

Witruimtemodellen bestaan uit voorspellingen voor bestaande Microsoft-klanten waar ze geen product hebben en/of net-new prospect-klanten zijn.

Up-sell-modellen maken gebruik van transactiegegevens om het potentieel voor up-sell in Azure en Microsoft 365 SKU's te voorspellen.

Deze klanten hebben al zowel Azure als Microsoft 365 en het up-sell-model laat zien dat ze waarschijnlijk meer van hun bestaande SKU zullen kopen.

End-of-service (EOS) toont EOS-klanten voor Windows 7, Office 2010, SQL Server en Windows Server. EOS-gegevens worden opgehaald uit Microsoft Sales en overlappend met de CloudAscent propensity modellering waar beschikbaar. EOS-gegevens bevinden zich in het moderne werk en Azure Sales.