• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 30
    • 下载费用:30 金币  

    重庆时时彩官网登陆: 销售预测和推荐系统.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201180052118.3

    申请日:

    2011.09.19

    公开号:

    CN103430196A

    公开日:

    2013.12.04

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06Q 10/00申请日:20110919|||公开
    IPC分类号: G06Q10/00(2012.01)I 主分类号: G06Q10/00
    申请人: 甲骨文国际公司
    发明人: R·亚瑟恩; H·J沙哈; A·帕罗维; J·曼朱纳斯; M·比哈蒂亚
    地址: 美国加利福尼亚
    优先权: 2010.09.17 US 61/384,197; 2011.09.19 US 13/236,629
    专利代理机构: 中国国际贸易促进委员会专利商标事务所 11038 代理人: 袁玥
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201180052118.3

    授权公告号:

    |||

    法律状态公告日:

    2013.12.25|||2013.12.04

    法律状态类型:

    实质审查的生效|||公开

    摘要

    一种方法可以涉及访问销售周期信息的全局数据库。该全局数据库包括第一销售员的第一机密信息,其中第一信息的机密本质防止第一信息被第二销售员访问。然后,该方法基于全局数据库,具体而言,第一机密信息,生成指示第二销售员的线索的信息。该方法还可以生成指示该线索的基础的信息。在一个实施例中,第一销售员与第二销售员在不同的办公室工作。

    权利要求书

    权利要求书
    1.  一种方法,包括:
    访问销售周期信息的全局数据库,其中,所述全局数据库包括第一销售员的第一机密信息,其中,所述第一机密信息不能被第二销售员访问;以及
    基于所述全局数据库生成指示所述第二销售员的线索的信息,其中,所述生成所述信息取决于所述第一机密信息,其中所述访问和所述生成是由实现销售预测引擎的计算设备执行的。

    2.  如权利要求1所述的方法,还包括生成指示所述线索的基础的信息。

    3.  如权利要求1所述的方法,其中,所述第一销售员与所述第二销售员在不同的办公室工作。

    4.  一种方法,包括:
    为第一销售员生成第一销售周期预测,其中,所述第一销售周期预测是由线性回归??樗傻?;
    为所述第一销售员生成第二销售周期预测,其中,所述第二销售周期预测是由聚类??樗傻?,并且其中,所述第二销售周期预测基于所述第一销售周期预测,其中,所述生成所述第一销售周期预测以及所述生成所述第二销售周期预测是由实现销售预测引擎的计算设备执行的,以及其中,所述销售预测引擎包括所述线性回归??楹退鼍劾嗄??。

    5.  如权利要求4所述的方法,其中,所述第一销售周期预测是线索,以及其中,所述第二销售周期预测是对所述线索的收入估计以及销售周期估计中的至少一项。

    6.  如权利要求4所述的方法,其中,所述第一销售周期预测是在销售周期的第一阶段期间生成的,以及其中,所述第二销售周期预测是在所述销售周期的第二阶段期间生成的。

    7.  如权利要求6所述的方法,还包括生成描述所述销售周期的所述第一阶段的第一组信息,以及其中,所述第二销售周期预测是基于所述第一组信息的至少一部分的。

    8.  如权利要求4所述的方法,其中所述第一销售周期预测是基于一个或多个销售预测规则的,以及其中,所述第二销售周期预测是基于标识历史销售周期事件的数据的。

    9.  一种方法,包括:
    向用户提示多个参数,其中所述多个参数定义特定销售环境;
    在数据库中存储多个参数;
    基于所述多个参数为所述特定销售环境中雇用的多个销售员生成多个销售周期预测,其中所述生成和所述提示是由实现预先配置的销售预测引擎的计算设备执行的。

    说明书

    说明书销售预测和推荐系统
    相关的申请
    本申请根据美国法典§119(e)的标题35要求2010年9月17日提交的标题为“Method and Apparatus for Performing Sales Prediction Analysis from Enterprise Data”的以Justin Wong,William Huang,Tarak Patel,Catherine You,Rahim Yaseen,Hetal J.Shah,Alex J.Pavlov,Jayashree Manjunath以及Manish Bhatia为发明人的美国临时专利申请系列No.61/384,197的优先权,在此引用该文的全部内容作为参考,好像完全地在此处阐述。
    技术领域
    本发明涉及计算,更具体而言,涉及在计算系统中生成销售预测。
    背景技术
    提高销售人员的生产率是一个挑战。通过标识销售成功和失败的模式,销售代表可以工作以复制或避免类似的努力,并由此避免浪费电话推销和正常的销售活动的周期??梢怨鄄旌捅晔断勰J?。这些模式提供了洞察未来的购买行为的窗口。
    但是,销售模式对销售和营销组织来说并不是容易地可识别的,因此,该组织难以采取行动来提高销售成功率。按照行业、地理位置、客户大小、安装基础等等,对影响购买的各种因素的典型的多维分析常常对于销售和营销组而言太费时而难以采取。
    发明内容
    公开了用于从企业数据生成销售预测的各种系统和方法。在某些实施例中,一种方法涉及访问销售周期信息的全局数据库。该全局数 据库包括第一销售员的第一机密信息,其中,所述第一信息的所述机密本质防止所述第一信息被第二销售员访问。然后,该方法基于全局数据库,具体而言,第一机密信息,生成指示第二销售员的线索的信息。该方法还可以生成指示该线索的基础的信息。在一个实施例中,第一销售员与第二销售员在不同的办公室工作。
    系统可包括一个或多个处理器以及耦合到一个或多个处理器的存储器。存储器存储可执行以实现诸如上文所描述的方法的方法的程序指令。类似地,这样的程序指令可以存储在计算机可读存储介质上。
    前面的内容是小结,如此,根据需要,包含简述、概括,省略了详细内容;因此,本领域技术人员将理解,小结只说明性的,不以任何方式作出限制。在下面阐述的非限制性详细描述中,只由权利要求定义的本发明的其他方面、发明的功能,以及优点将变得显而易见。
    附图说明
    通过参考下列描述以及各个附图,可以获得对本发明的更完整的理解,其中,相似的附图标记表示相似特征。
    图1示出了根据一个实施例的用于生成销售预测和推荐的系统的框图。
    图2A是根据一个实施例的生成销售预测的方法的流程图。
    图2B是根据一个实施例的生成销售预测的另一方法的流程图。
    图2C是根据一个实施例的生成销售预测的又一方法的流程图。
    图3是根据一个实施例的用于执行销售预测并生成推荐的另一个系统的图。
    图4是示出了根据一个实施例的在整个销售周期如何使用销售预测和推荐系统的框图。
    图5是示出了根据一个实施例的可如何配置和使用销售预测和推荐系统。
    图6示出了根据一个实施例的可以被销售预测和推荐系统使用的逻辑数据模型。
    图7是计算系统的框图,示出了在至少一个实施例中如何以软件来实现销售预测和推荐???。
    尽管本发明可以具有各种修改和替代形式,但是,本发明的特定实施例是作为示例以附图和详细描述来提供的。应了解,图形和详细描述不打算将本发明只限于所公开的特定形式。相反,意图是涵盖如所附权利要求所定义的精神和范围内的所有修改、等效内容和替代方案。
    具体实施方式
    在企业对企业(B2B)销售过程中,营销通常通过向其他商业推销由一个企业所生产的产品和/或服务的营销活动产生销售线索(leads)。然后,将这些线索中的每一个指派给销售代表(例如,基于销售代表的分管区域、工作负荷,或专业知识),销售代表又根据潜在企业客户的准备状态以及购买的能力来评定线索。如果线索通过了资格评定标准,那么,从线索创建联系方式、帐户,以及机会。在创建机会之后,销售代表追踪该机会,如果可能的话,为该机会创建报价。如果该机会的潜在客户决定购买产品或服务,那么,报价就被转换为订单。销售过程可以被视为漏斗,因为销售过程的每一阶段都减少可用的项的数量?;谎灾?,通常线索比机会多得多,机会比报价多,报价比订单多。B2B销售过程与企业对消费者(B2C)的销售过程的不同之处在于,在B2C销售过程中没有线索、机会,或报价;相反,B2C过程只涉及订单。
    可以使用预测分析来帮助B2B销售过程的各个阶段。传统上,线索是从贸易展示、直接邮件活动或广告生成的。预测分析可以成功地用来标识哪些企业更有可能积极地对营销活动作出响应。在某些情况下,可以构建预测模型,该预测模型使用有关现有的企业客户的信息来表征可能购买特定产品的企业。
    除提高传统的营销活动的响应率之外,还可以使用预测分析来分析企业的现有的客户基础,来确定如何向现有的企业客户追加销售或 交叉销售产品和/或服务。例如,预测模型可以评估有关客户以前购买了什么的信息。
    评定线索会是复杂而精细的过程,越快地淘汰线索,所花的成本越低。预测分析可以有助于标识当试图评定线索时采取的正确步骤(或要询问的问题)。评定(或淘汰)线索还为预测系统呈现有价值的机会,以了解线索何时更有可能够格??梢允褂迷げ饽P屠磁判虿缓细竦南咚?,以便销售代表专注于更加可能带来利润的线索。已知不合格的线索可能是合格的或是淘汰的提供了可使预测分析利用肯定和否定的信息的信息?;谎灾?,相对于确定哪些线索会是合格的,合格的线索是肯定的信息,淘汰的线索是否定的信息。在数据挖掘方面,可以向包括肯定和否定信息的数据集应用监督算法。监督算法通常比只能利用肯定的信息的无监督算法更强大。
    一旦线索被销售代表确定为合格,则该销售代表从线索创建机会(可能的话,还有帐户和/或联系方式)。此时,销售代表专注于向企业客户销售?;嶙魑诺幕崂纯即私锥?,并可能继续各种阶段。当销售代表已经将机会变为订单或已经判断该机会丢失,则关闭机会。当追踪一个机会时,可以应用预测分析,以推荐销售代表可尝试作为机会的一部分包括的另外的产品。预测分析可能通过交叉销售、追加销售,或通过建议价格,在生成报价时确定地起作用。
    可以使用预测分析,通过使用关于导致销售或未销售的过去的机会的历史信息来估计销售周期、购买的可能性,以及收入?;箍梢允褂迷げ夥治隼磁判蚩梢员幌鄞碛美幢晔逗玫牟慰嫉睦嗨频某晒?。最后,可以使用预测分析来排序销售宣传材料。销售代表可以基于其在追踪机会中的有效性来对销售宣传材料进行定级。
    图1示出了用于执行销售预测并生成推荐的系统的框图。如图所示,系统包括存储历史数据110、预测规则112,以及销售环境参数114的一组一个或多个存储设备100。存储器100耦合到销售预测和推荐???50,该???50包括被配置成基于存储在存储器100中的信息来执行各种类型的预测以预测线索、机会、收入等等的销售预测引 擎155。
    销售预测和推荐???50还可以耦合到显示设备180,该显示设备180可以显示销售预测窗口,该窗口包括由销售预测和推荐??樗傻耐萍?,和/或该窗口可使用户(例如,销售代表、销售经理、销售分析师等等)与销售预测和推荐???50进行交互。
    历史数据110可包括来自多个不同的数据库(例如,由CRM系统维护的客户关系管理(CRM)数据库、由ERP系统维护的企业资源计划(ERP)数据库等等)的信息,数据库又可以存储横跨企业的数据(例如,跨国企业可包括许多不同的公司办公室,而所有这些办公室的数据都可以包括在历史数据110中)。随着生成和评定新的线索,生成新机会,产生新报价,作出新订单,可以将描述在销售过程中获得的每一个肯定的或否定的结果的信息添加到历史数据110中(例如,通过销售预测和推荐???50或通过生成历史数据的另一个系统,诸如CRM或ERP系统)。
    销售预测和推荐???50包括被配置成基于销售预测引擎155的输出来生成推荐的推荐生成???52。推荐可包括预测以及指示预测的基础和/或对预测的置信度的合理性的信息。
    销售预测和推荐???50还包括参数获取???60。参数获取???60被配置成从销售分析师请求描述销售环境的一组参数。这些参数可以被用来配置不是专门用于特定销售环境中而是被设计用于提供可用于各种销售环境中的通用功能的现成的销售预测和推荐???,用于由参数所描述的特定销售环境中。
    销售预测和推荐???50包括销售预测引擎155,该引擎155又包括数据挖掘???56、线性回归???57,以及基于规则的预测???58。在一个实施例中,数据挖掘???56被配置成生成基于聚类的预测,是使用由位于美国加州Redwood Shores的Oracle Corporation所提供的OracleTMData Mining(ODM)软件来实现的。类似地,在一个实施例中,线性回归???57和基于规则的预测???58可以使用由位于美国加州Redwood Shores的Oracle Corporation所提供的 OracleTMReal-Time Decision(RTD)软件来实现。
    销售预测引擎155可以被配置成对客户以及他们的资产(例如,如在历史数据110中所标识的)执行空白分析。更具体而言,销售预测引擎155可以使用线性回归???57和/或基于规则的预测???58来基于客户的人口统计、他们的资产(或销售合同)、他们的服务概况,和/或他们的销售概况,对于特定客户和/或产品生成线索。销售预测引擎155可以返回指示客户相似度如何与拥有产品相互关联的信息,该信息指示客户购买产品的可能性。数据挖掘???56可以被用来估计由线性回归???57和/或基于规则的预测???58所标识的特定线索的销售周期和收入。
    销售预测引擎155还可以标识类似于现有的机会(例如,在历史数据110中所标识的)的机会。给定一个机会,销售预测引擎155标识类似于在该机会中指定的客户并且已经购买了在该机会中指定的产品的客户。
    估计客户将购买产品的可能性可以被表征为数据挖掘中的回归问题,回归问题可以被用来基于一组历史观测值来预测连续的值。线性回归(回归的一种常见的特殊情况)使用取决于可观测的属性的线性组合的模型来预测目标属性。更正式地,如果x1,x2,...xn表示d维空间中的数据点,y1,y2,...yn表示那些数据点的目标属性,那么,线性回归试图发现回归系数β1,β2,...βd以及扰动项ε1,ε2,...εn,以便:
    yi=ϵi+Σjdβj*xij]]>
    大多数线性回归技术假设n>d,并且,数据点本身中没有噪声,但是,在它们的计算效率以及它们的关于数据的理论假定方面不同。一种常见的技术是发现最小化平方偏差的总和的β,如下列公式所描述的:
    Sum(β)=Σi=0n(yi-β*xi)2]]>
    线性回归???57基于客户人口统计、销售结构、服务模式,以及资产来预测客户将购买特定产品的可能性。线性回归???57可以 被配置成为每一个产品构建单独的预测模型。线性回归???57可以递增地构建模型,并使用控制模型将如何估计可能性的有效性阈值。如果n表示观察的数量,n+表示肯定的观察(即,客户购买了产品的那些)的数量,而σ表示有效性阈值,那么,下列语句描述了在收集数据时被用来预测可能性的阶跃函数。
    if n < σ then there is not enough data to estimate the likelihood
    else if n >= σ and n+ <σ then likelihood = n+/n
    else use the model to predict likelihood
    在一个实施例中,线性回归???57使用有效性阈值50,这意味着,一旦销售预测引擎155被利用对于一个产品的至少50个获胜机会培训,销售预测引擎155将使用其线性回归模型来预测购买的可能性。有效性阈值可以在线性回归???57的模型默认值中指定。(在一个实施例中,线性回归???57在其所有公式中将有效性阈值乘以2)。
    线性回归???57按如下方式组合在预测可能性时确定输入值的影响的“微型”线性回归模型的结果。线性回归???57定义指示输入中是否存在输入值的变量x和指示结果是肯定的还是否定的变量y。由于x和y的值只能是0和1,因此,最小化平方偏差的总和的线性回归方程可以大大地简化。线性回归???57可以忽略截距,因为它不直接与输入和结果之间的关系相关,并将回归系数(或斜率)β解释为x对y的影响。如果N是事件的数量,Nx是x是1的次数,Ny是y是1的次数,Nxy是x和y两者都是1的次数,N~x是x不是1的次数,那么,对于任何输入值,x,截距β可以按如下方式来计算:
    β=(N*Nxy)-(Nx*Ny)(Nx*N~x)]]>
    根据公式,如果(N*Nxy)>(Nx*Ny),那么,β表示正相关或影响,否则它表示负相关或影响。当Nx=Ny=Nxy时,实现总的正相关的极值。通过代入,我们获得
    β=(N*Nx)-(Nx*Nx)(Nx*(N-Nx))=1]]>
    同样,当Nxy=O并且Ny=N-Nx时,实现负相关的极值。通过代入,我们获得
    β=0-(Nx*(N-Nx))(Nx*(N-(Nx)))=-1]]>
    线性回归???57可以使用拉氏错误校正的修改版本来解决当Nx、N~x、Ny,N~y,以及Nxy的小值的计数中的小的变化产生结果中的大的变化时产生的问题。
    为了估计可能性,线性回归???57对存在于目标中的每一个输入值的影响进行求和。如果有d个输入值,xi表示目标的第i个输入值,那么,可以按如下方式计算分数:
    score=Σi=1dxi*βi]]>
    为了使用前面的简化(输入值简单地是二进制值),线性回归???57将属性转换为二进制准则。类别属性中的每一个类别都被解释为输入值。例如,如果客户行业对应于值的列表,那么,每一个行业都变为输入值。类似地,数值属性被“仓化(binned)”以产生类别。例如,一个客户的雇员的数量可以被转换成下列类别:雇员的数量<100,雇员的数量>=100并<500,以及雇员的数量>=500。这些类别中的每一个都变为二进制输入值。
    在内部,线性回归???57可以为需要被仓化的每一个属性创建某固定数量的存储桶。在一个实施例中,线性回归???57为此参数使用默认值200。随着新的输入数据到达,添加或合并存储桶,但是决不会拆分,以便维护计算关联系数所需要的计数。当评估特定输入值时,线性回归???57定位包含输入值的最近的存储桶,并将相邻存储桶聚合到仓中,直到仓具有满足或超过较早定义的有效性阈值的样本群体。使用此动态仓内的计数来计算分数。
    在计算分数之后,线性回归???57使用直方图来将分数转换为可能性预测。使用为数值输入值描述的相同进仓算法,对分数进行处理。在内部,线性回归???57为分数维护一组存储桶。当记录肯定的或否定的事件时,线性回归???57使用其当前模型来给事件打分,并更新分数存储桶。如果事件是肯定的/否定的,那么,分数的存储桶的肯定的/否定的计数增大1。现在为了将分数转换为可能性预测,通 过定位最近的存储桶并将相邻的存储桶聚合到仓中直到仓具有等于或大于有效性阈值的样本群体,来创建动态仓??隙ǖ氖纠氖?此动态仓内的示例的总数被用作要购买的可能性的估计。
    预测模型的质量取决于各种因素,即,数据的质量、数据的大小,以及,更重要的是,所提供的属性捕捉与目标的依赖关系有多好。为帮助某人评估模型的质量,线性回归???57定义称为模型质量的表示模型在预测结果时有多可靠的度量。模型质量是从0到100的数值,该数值是通过将升力曲线下的模型的区域与理论上理想的模型进行比较来计算的。在一个实施例中,低于30的模型质量不非常有用,50的模型质量为好,70的模型质量为极好,应该检查高于95的模型质量,以查看在需要推荐的情况下是否能获得高度影响结果(肯定地以及否定地)的输入。
    如果模型质量差,那么,下列问题中的一个或多个可能是原因:模型没有看到足够数据,数据有噪声,或者数据没有足够的预测性。为解决这些问题,销售经理可以导入历史数据、清理数据,或向学习模型添加新属性。
    然后,销售预测引擎155可以使用数据挖掘???56来使用聚类模型来对于线性回归???57为其生成客户将购买产品的可能性的线索进行关于销售周期以及收入的预测。数据挖掘???56构建两个聚类模型:一个模型基于客户的人口统计来聚类客户,且第二模型基于他们拥有哪些产品来聚类客户。
    在一个实施例中,数据挖掘???56对于两种聚类模型使用k均值聚类算法。k均值聚类算法将数据划分为固定数量的集群,以便每一个数据点都属于带有最近的质心的集群,以便数据点以及它所属的集群的质心之间的集群内平方和被最小化。更正式地,如果x1,x2,...xn表示d维空间中的数据点,k表示集群的数量,Ci表示第i个集群,μi表示Ci的质心,距离(xi,xj)表示两个点之间的距离,那么,k均值聚类试图最小化以下项:
    Σi=1kΣx&Element;Cidistance(x,μi)2]]>
    在一个实施例中,对于每一个模型,数据挖掘???56指定模型应该使用自动数据准备来构建,应该构建5个集群,拆分准则基于大小。人口统计模型可以使用欧几里德距离,而余弦距离用于产品集群,因为产品数据是按类别的,并且稀疏的。
    一旦构建,人口统计和产品聚类模型被用来填充推荐表,该表包括对于每一个人口统计集群、产品集群,以及产品组合的行。如此,如果在每一个聚类模型中有5个集群以及1000个产品,那么,推荐表将具有5x5x1000行。除人口统计集群ID、产品集群ID,以及产品ID之外,每一行还包括销售周期以及收入的平均值、最大值、最小值和平均,落在人口统计集群、产品集群,以及由每一行所定义的产品组合内的所有机会的统计。
    一旦生成线索,就通过按如下方式标识推荐表中的适当的行来估计收入和销售周期。对于线索的产品与基于对于线索的客户的人口统计确定的人口统计集群ID,以及基于线索的客户拥有的产品确定的产品集群ID一起,唯一地标识推荐表中的行。然后,使用此表内的统计来估计销售周期和收入。
    销售预测引擎155可以使用上文所描述的客户集群来确定类似于特定机会的机会。一旦构建,人口统计和产品聚类模型被用来填充包括每一个机会的行的类似的机会表。每一行都指定机会ID、人口统计集群ID、产品集群ID,以及产品ID,销售价格,销售的收入,销售周期,以及机会被关闭的日期。销售预测引擎155可以通过指定人口统计集群ID、产品集群ID,以及产品ID来查找相似的机会??梢哉攵愿没岽涌突У娜丝谕臣坪妥什谢袢∪丝谕臣萍篒D和产品集群ID,产品ID是指在该机会中被追踪的产品。
    预测规则112是基于规则的预测???58可以处理以替换和/或增强由数据挖掘???56和/或线性回归???57所提供的预测推荐的规则。规则112可以由销售分析师创建和维护。在历史数据100中没有足够的数据可用以使得其他数据驱动的预测??槟芄簧上咚鞯那榭鱿?,诸如当推出新产品(没有它的预先存在的销售数据)时,这些 基于规则的推荐是重要的??梢缘靡嬗诨诠嬖虻脑げ獾那榭龅氖纠坛∩耄挥幸郧暗慕⒒〉氖谐。?、新兴的市场渗入(基于模型的输出可能不可靠的带有很少销售历史的市?。?,以及新产品发布。然而,规则的使用不仅限于预测分析不适用的情况。相反,可以使用规则来增强从模型分析给出的统计洞察。
    销售环境参数116是定义销售预测和推荐引擎可以在其中操作的特定销售环境的参数。销售分析师可以与参数获取???60进行交互以提供这些参数。参数116可包括表示可以由销售预测和推荐???50推荐的产品的信息、管理根据其可以推荐产品的条件的信息(例如,诸如表示哪些客户有资格被提供哪些产品的信息),以及表示应该为销售人员中的哪些成员生成线索的信息。
    如上文简要地指出的,可以以两种方式中的一种来生成线索,要么通过预测模型要么通过预测规则。图5示出了如何通过预测模型来生成线索,销售分析师首先训练模型。在训练之后,销售分析师在生成线索之前分析预测模型。在销售分析师对预测模型满意之后,销售分析师可能希望模拟结果,以便更好地理解将被生成的线索。为通过预测规则来生成线索,销售分析师制定推荐规则。在生成任何线索之前,分析师可能希望模拟规则以判断它们是否正确。一旦分析师对预测模型和/或预测规则满意,销售分析师就可以基于各种条件,包括按照地域、客户资料等等,从任一模型生成线索。一旦生成了线索并且逝去了足够时间,销售分析师就调度正在进行的模型学习和线索生成。销售分析师,随着时间的推移,还可以与其他线索源一起评估所生成的推荐的有效性。
    返回到图1,销售预测和推荐???50被配置成为销售人员的成员生成推荐。每一个推荐都可以表示一个客户和尝试向该客户销售的产品。推荐还可以包括表示购买的可能性、将线索转换为订单的销售周期的预测的长度(表示转换线索所需的预测的努力的量)、来自该线索的预测的收入(表示通过转换线索的报酬的预测量)等等的信息。
    为特定地域中的各个销售代表生成的销售线索还可以提供该地 域的潜力的好的指示。销售预测和推荐??榭梢愿爬ㄓ朐诿恳桓龅赜蛑斜晔兜淖钋懊娴南咚飨喙亓摹扒痹谑杖搿?,不管线索是如何生成的。此概要可以使区域规划者修改区域大小,以平衡帐户、机会、线索、估计的收入,以及销售代表的数量。
    通过在进行预测时分析历史数据110整体,销售预测和推荐???50可以给销售人员的成员提供他们否则可能不能获得的洞察力。例如,涉及由一个销售员所生成的线索、机会、报价和/或订单的数据可以秘密地维护(例如,在CRM系统中)。如此,另一个销售员不能主动地访问此信息以便尝试使用该信息来生成线索或其他销售周期预测。然而,销售预测和推荐???50可以访问此机密信息,并可以处理该机密信息以生成预测,然后,可以将预测呈现给其他销售员。
    存储器100提供永久性数据存储,以便存储在这样的存储设备上的数据甚至在构成存储器100的存储设备断电之后仍将保持存储。这样的存储设备可包括,例如,硬盘、光盘(CD)、数字多功能盘(DVD),或其他大容量存储设备,或包括这样的存储设备的阵列的存储系统(例如,独立冗余磁盘阵列(RAID)系统或光存储器点播机)。这样的存储设备还可以是在这样的物理存储设备和/或存储系统上实现的虚拟或逻辑存储设备。例如,这样的存储设备可以是在RAID存储系统上实现的逻辑卷。另外,这样的存储设备还可包括一个或多个存储设备。存储设备还可以包括一种或多种类型的存储介质,包括固态介质(例如,闪存驱动器)、光学介质(例如,CD和DVD),以及磁性介质(例如,硬盘或磁带)。在某些实施例中,这样的存储设备可以使用云存储来实现,其中,存储设备是根据需要和/或根据合同向其分配物理存储设备的逻辑存储设备。
    显示设备180被配置成向用户显示图形和/或文本信息。显示设备可包括诸如阴极射线管(CRT)、液晶显示器(LCD),或等离子监视器之类的只输出设备。作为替代地,诸如触摸屏显示器之类的显示设备可以提供输入和输出两种功能,可使用户通过显示设备直接与销售预测和推荐???50进行交互。
    显示设备180、销售预测和推荐???50,以及存储器100可以直接(例如,通过总线、本地无线链路,或其他适当的互连)或间接地(例如,通过网络)耦合。在一个实施例中,这些元件中每一个都通过一个或多个网络耦合,网络可以包括诸如因特网之类的WAN(广域网)、一个或多个LAN(局域网),和/或一个或多个SAN(存储区域网络)。
    图2是生成销售预测的方法的流程图。图3是用于执行销售预测并生成推荐的另一个系统的图。图4是示出了在整个销售周期如何使用销售预测和推荐系统的框图。
    图6是能被销售预测和推荐??槭褂玫穆呒菽P偷目蛲?。在此示例中,销售预测和推荐??樯砂ㄔげ獾耐萍龆韵?。此对象可以被处理以生成被提供到销售人员的一个或多个线索,销售人员可以选择是否接受这些线索。
    推荐业务对象是对作为输入的包括各种CRM销售数据的数据应用预测分析或规则的结果并又提供要向每一个客户销售的推荐的产品的列表。推荐是销售预测和推荐??榛诓煌氖褂们榭龇⑾值闹破返穆呒肿椋ú?产品组、与产品/产品组相关联的诸如关联度驱动器、属性重要性、预测的要购买的可能性、收入、销售周期值等等之类的预测度量)。在Customer Master中有对应于所有客户/前景的每一个最前面的有资格且合格的商品或产品组的一个推荐对象。作为替代地,部署销售预测和推荐??榈墓究梢匝≡翊娲⒙隳承┳荚颍ɡ?,行业等于高科技)的客户/前景的预测线索。
    要为其生成推荐的客户/前景的列表可以在作业与作业之间变化。在不同的作业中的推荐之间的客户重叠的情况下,只有在线索还没有被接受的情况下才为相同客户和产品组合生成线索?;谎灾?,推荐应该反映每一个客户的最新的预测的度量。
    推荐可以在用户界面(例如,由访问由销售预测和推荐??樗唇ǖ亩韵蟮腃RM系统所提供的)中显示为未被接纳的线索(可以采取措施)。在一个实施例中,线索是由线索管理应用拥有的业务对象。


    各种业务规则可以控制如何生成推荐:







    当销售代表正在机会和/或销售周期的报价阶段工作时,机会对象可以被用来向销售代表提供关于类似的机会的洞察力。


    收入对象可以被用来提供关于哪些客户购买了哪些产品的洞察(通过访问收入细目和/或帐户简档数据获得的)洞察力,该洞察力又可以用于空白分析,以及计算估计的平均收入和销售周期。

    线索可以通过线索到机会转换过程或者通过手动将线索与机会相关联来与机会相关联。

    帐户对象可以用于空白分析中,并从帐户简档信息中获取。

    产品对象可以用于空白分析中,以确定目标客户可能购买什么产品或产品组。


    资产对象指示客户的资产库存中的过去购买的产品(或服务)数据??梢苑治鲎什耘卸献什欠穸晕蠢吹墓郝蚪鞘裁从杏跋?。

    销售订单对象描述销售订单,并可以用于数据挖掘中,以预测客户接下来可能购买什么产品或服务。

    可以使用服务合同对象来存储描述服务合同的信息。这可以使销售预测和推荐??榛诜窈贤堇幢晔犊突Ы酉吕纯赡芄郝蚴裁床坊蚍?。


    可以访问历史服务请求度量(即,过去的服务模式),以预测客户接下来可能购买什么产品或服务。如同销售订单数据,服务请求数据将需要来自外部系统,并在被预测系统利用之前迁移到数据仓库。

    销售预测和推荐??榭梢源痈髦质菰粗葱惺萃诰?。在一个实施例中,我们假设此数据被迁移到下列元数据实体以及相应的维度和度量:帐户、产品、机会、收入、资产、销售订单、服务合同、销售订单模式/过去购买模式、服务请求模式/过去服务模式。
    账户实体表示描述公司或前景的概况。在Fusion V1中,账户实 体应该被映射到交易方模型(TCA)中的HZ_ORGANIZATION_PROFILES(及其他相关HZ)表。此外,还假设前景还将在HZ_ORGANIZATION_PROFILES表中具有行,该行利用CRM营销的市场数据填充。下面是可能对客户的购买模式最重要并且可以用于预测分析和规则中的账户实体属性的列表:年度收入、竞争者标记、国家、潜在销售量、雇员数、行业名称、企业线、收入增长类别、账户类型、合伙人标记、参与方类型代码、前景标记、公共标记、客户SIC码、州、账户状态、客户规模、组织类型、小企业指示符、当前年度潜在收入、下一年度潜在收入、邓百氏评级。
    产品实体表示全部商品(即,产品)以及出现在销售目录中的父产品组。被映射到订单捕捉表并应该用于产品推荐的决策分析中的属性:产品名称、产品组标记、销售目录层级基础层名称、销售目录层级基础层、销售目录层级1、销售目录层级1名称、销售目录层级2、销售目录层级2名称、销售目录层级3、销售目录层级3名称、销售目录层级4、销售目录层级4名称、销售目录层级5、销售目录层级5名称、销售目录层级6、销售目录层级6名称、销售目录层级7、销售目录层级7名称、销售目录层级8、销售目录层级8名称、销售目录层级顶层、销售目录层级顶层名称、固定层级层。
    机会实体表示当前在销售管道中的机会或者以前关闭的机会?;峥梢跃哂幸桓龌蛐矶嘞改浚ㄓ苫嵯呦改渴堤宀蹲降模??;崾堤蹇梢晕ㄒ坏赜苫酙D所标识。销售预测??榭梢匝盎崾?,用于类似的机会使用情况?;崾粜钥砂ɑ岽唇ㄈ掌?、机会关闭日期、机会状态、销售方法、销售渠道、销售阶段、销售阶段开始日期、销售阶段状态、机会源、销售源、阶段中的天数、机会收入。
    收入实体表示包含销售代表在一个机会中尝试向客户销售商品或产品组的对象。收入行数据存储对照机会记录了什么产品以及何时以及多少(对于关闭的-赢得的机会)。销售预测器学习关闭的-获胜的机会收入,以用于空白分析以及类似的机会使用情况。
    资产是客户购买的产品的单个唯一实例。通常,客户出于跟踪和 维护的原因将他们的公司资产存储在资产或库存管理系统中。资产数据是用于空白分析使用情况下的过去的购买数据。资产??榻换嶙魑狥usion CRM v1版本的一部分来提供;然而,来自外部系统的资产数据可以迁移到Fusion数据仓库中,供销售预测器挖掘。
    销售订单是由企业向客户所发出的产品或服务订单。随着公司向他们的CRM系统中收集来自销售代表的许多信息(包括订单数据),销售预测器学习这些丰富的数据集,并查看销售订单属性是否与客户接下来将购买的东西相互关联。
    服务合同(或服务级别协议或SLA)是正式地定义了服务级别的合同的一部分。由于在Fusion V1版本中没有提供服务合同,因此,数据将来自外部源并迁移到销售预测器可以通过RPD表示层来访问的数据仓库中。当前在V1中只定义了服务合同属性的小的子组,期望一旦Fusion中的服务合同??榭捎?,列表将增长。
    销售订单模式实体由从销售订单属性导出的属性的列表构成。它在分析过程中被用来考虑客户的购买模式,并可包括下列属性:自从上一订单以来的天数、上一订单收入、一个季度之前订单数、一年之前订单数、一个季度之前总订单收入、一年之前总订单收入、订单数。
    服务请求模型实体由从服务请求属性导出的属性的列表构成。它在分析过程中被用来考虑客户的服务模式。此服务请求模型可包括下列属性:自从上一关键SR关闭以来天数、关键SR数、开放SR数、一个季度之前SR数、一年之前SR数、SR数、一年之前关键SR数。
    图4是示出了如何以软件来实现销售预测和推荐???50(例如,诸如图1的销售预测和推荐???50)的计算设备400的框图。计算设备400可以是个人计算机、网络设备、服务器、个人数字助理、移动电话、存储器控制器(例如,阵列控制器、磁带驱动器控制器或硬盘驱动器控制器)、膝上型计算机等等。一般而言,计算设备400被配置成执行软件或以其他方式提供如此处所描述的适当的功能。
    如图所示,计算设备400包括被配置成执行存储在存储器404中的程序指令的一个或多个处理器402(例如,微处理器、可编程逻辑 器件(PLD),或专用集成电路(ASIC))。存储器4004可包括各种类型的随机存取存储器(RAM)、只读存储器(ROM)、闪存、微机电系统(MEMS)存储器、磁芯存储器等等。存储器404可包括易失性以及非易失性存储器。
    计算设备400还包括一个或多个接口406(例如,诸如到存储设备、网络、诸如显示设备之类的用户输出设备、诸如鼠标、触摸屏,或键盘之类的用户输入设备的接口,等等)。处理器402、接口406,以及存储器404耦合,以通过总线或其他互连来发送和接收数据和控制信号。
    接口406可包括到各种网络的网络接口和/或到各种外围总线的接口。接口406还可以包括到一个或多个存储设备(例如,诸如存储设备,如图1的存储器100)的接口。
    在此示例中,可执行以实现销售预测和推荐???50的全部或一部分的程序指令以及数据存储在存储器404中。实现销售预测和推荐??榈某绦蛑噶詈褪菘梢源娲⒃谥钊绱娲⑵?04之类的各种计算机可读存储介质中。在某些实施例中,这样的软件存储在诸如光盘(CD)、数字多功能盘(DVD)、硬盘、光盘、磁带设备、软盘等等之类的计算机可读存储介质中。为了由处理器402执行,指令和数据可以从其他计算机可读存储介质中加载到存储器404中。指令和/或数据还可以通过诸如因特网之类的网络或通过承载介质被传输到计算设备400,用于存储在存储器404中。
    虽然是通过多个实施例来描述本发明的,但是,本发明不仅限于此处所阐述的特定形式。相反,本发明旨在涵盖可以被合理地包括在如所附权权利要求书所定义的本发明的范围内的这样的替代方案、修改和等效内容。

    关 键 词:
    销售 预测 推荐 系统
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:销售预测和推荐系统.pdf
    链接地址://www.4mum.com.cn/p-5778419.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03