Machine learning com CX Sales (C4C)

Ae galera da força, este tópico é para ajudar vocês a entender um pouco mais sobre a funcionalidade machine learning com CX Sales e os seus benefícios.

Descrição dos recursos e funções do Deal Intelligence

Muitas empresas enfrentam os seguintes problemas de negócios relacionados ao gerenciamento de oportunidades:

• Gerentes de vendas estão entrando em oportunidades de risco as cegas devido à falta de informações (Suicídio).
• Apenas 40% das oportunidades previstas são realmente fechadas.
• Um grande volume de oportunidades de baixa propensão, levando a um pipeline inflacionado.

O Deal Intelligence é um recurso CX Sales Cloud Opportunity que classifica automaticamente os negócios e classifica-os com base na maior propensão a fechar.
Esta classificação deve ajudá-lo:

• Feche as ofertas mais rapidamente
• Aumentar as taxas de ganho
• Melhorar o pipeline

Através:

• Melhor priorização de oportunidades de alta propensão
• Melhor preenchimento e planejamento de oportunidades em risco
• Aceleração de vendas e receita previsível / fluxo de negócios

Mas como isso funciona?

Os dados históricos, obtidos de oportunidades existentes no SAP Sales Cloud, são usados ​​para treinar o modelo de aprendizado de máquina. Como resultado, você obtém um modelo preditivo específico do cliente que é aplicado para fornecer aos usuários finais uma pontuação nas oportunidades.

Quanto maior a pontuação, maior a chance de ganhar a oportunidade.

No que diz respeito à experiência do usuário, seus usuários recebem um novo painel no centro de trabalho da oportunidade, que fornece uma visão geral sobre o status de cada oportunidade. Além disso, uma nova coluna “pontuação” é apresentada, mostrando a pontuação de cada oportunidade na lista de oportunidades.
Se um usuário final pode ver o painel lateral e a coluna de pontuação depende da atribuição da função de autorização correspondente do usuário.

O campo de pontuação também pode ser usado como critério de filtro para selecionar determinadas oportunidades.

A pontuação e as informações adicionais no painel lateral são atualizadas uma vez por dia com base nas alterações feitas em todas as oportunidades no sistema.

Pré-requisitos para a implementação

Para implementar o recurso Deal Intelligence de uma maneira significativa, você deve considerar os seguintes pré-requisitos:

1. Você deve ter uma  licença SAP  Cloud for Customer Enterprise
2. Volume de dados
   Quanto mais dados históricos, melhor. Para criar o modelo de previsão, o sistema usa as oportunidades dos últimos 12 meses. O mínimo absoluto necessário para criar o modelo de previsão é de 5000 oportunidades. O número é altamente dependente dos fatores listados a seguir.
3. Histórico de dados 
   O modelo calcula as chances de uma oportunidade ser ganha ou perdida com base em dados históricos e na evolução da oportunidade ao longo do tempo. Quanto melhor essas alterações forem registradas, melhor será a previsão. Por exemplo, mudanças na fase de vendas, mudanças na probabilidade, atividades anexadas etc.
4. Qualidade de dados
   O modelo de previsão identifica os principais campos em uma oportunidade que são considerados para a previsão (obvio não?!). Esses campos devem sempre ser preenchidos com as características relevantes de forma consistente.

Exemplos: data de fechamento, probabilidade, ciclo de vendas / fase de vendas, status. Uma lista completa de campos relevantes será fornecida em breve.

1. Consistência de dados
   Para ter uma previsão precisa, é importante que os campos de oportunidade sejam preenchidos de forma consistente. Se você tem 10000 oportunidades e metade delas o campo “probabilidade” não é preenchido, a precisão do modelo diminui.

1. Balanço de dados

O balanceamento de dados desempenha um papel significativo para obter a precisão ideal do modelo de previsão. Se, por exemplo, os representantes de vendas tiverem criado apenas dados para oportunidades ganhas no sistema, o modelo de previsão não será preciso. O mesmo por exemplo, se as oportunidades ganhas não fossem definidas como “ganhas / perdidas”, mas permanecessem abertas mesmo que fossem ganhas ou perdidas.
O mínimo absoluto é de 1000 oportunidades com status ganho e 1000 oportunidades com status perdido para obter uma boa previsão.

1. Personalização / Desenvolvimentos Personalizados
   A personalização pesada pode influenciar o modelo de previsão. As personalizações de uma oportunidade, como campos de extensão ou desenvolvimentos específicos, devem ser verificadas individualmente se contradizerem o recurso de aprendizado de máquina.

Nota: Atualmente, o modelo de previsão não considera os campos de extensão.