Oracle 利用机器学习模型将更多现有客户转化为云客户

Oracle 全球销售团队的一项重要工作是 Oracle 云基础设施 (OCI) 解决方案的需求生成。为了更有效地激励销售代表和提升销售收入，Oracle 全球销售团队需要准确识别哪些现有客户最有可能迁移至 Oracle 云。

Oracle 全球销售团队希望帮助销售代表专注于最具潜力的现有客户，遵守销售优秀实践，同时将 Oracle 客户导向最适合其使用场景的云解决方案，提高整体满意度。

然而，目前 Oracle 全球销售团队使用的解决方案无法胜任这样的高级分析工作。

为了加快关账速度和提高利润，Oracle 全球销售团队决定采用一种特定于销售的机器学习模型，希望基于历史数据来快速创建评分，识别理想客户。通过在现有需求生成计划中应用这一模型，管理人员将能够理顺流程，更好地为 Oracle 云销售管道注入优质销售线索。

Oracle 全球销售团队邀请 Oracle Labs 团队来创建机器学习智能模型，希望以此革新全球的需求生成和营销活动设计方法。为此，Oracle Labs 使用 Oracle 数据库中的机器学习创建了一个强大、可扩展的模型，以此在 Oracle 云上管理 900 万个产品和客户数据点以及 2400 个评分变量。该模型能够充分利用客户多年来的购买数据和行业特定数据，有效预测客户的未来购买行为。

Oracle 全球销售团队在多个需求生成计划中应用了这一模型，以实地捕获切实有效、可衡量的结果。同时，销售代表对这一模型进行训练，提高其实用性水平，发挥其长期价值，以快速获得投资回报。

借助 Oracle 数据库中的 Oracle 机器学习，Oracle 全球销售团队可以快速识别最有可能迁移至 Oracle 云的现有客户，例如销售人员可以识别每个季度的前 5% 客户以及在哪些产品上投入的资金最多。

随后，Oracle 全球销售团队可以加快销售周期，助力销售代表专注于最有可能成交并带来盈利的云客户。同时，销售代表可以精确定向特定客户的最佳子细分 — 这一点对于较大规模的国际客户尤具成效。

Oracle 全球销售团队可以借助评分模型和需求生成计划，捕获关于每家客户最有可能使用的云产品的建议，提高客户满意度；还可以标记哪些潜在云客户的所在区域缺少销售代表，以便 Oracle 招聘更多人员来满足需求。

在三年时间内，Oracle 机器学习的销售线索建议带来了比其他区域类似客户高三倍的交易额，重要客户的赢得率也提高了 160%。

这一机器学习模型会创建一个表，在其中显示每位客户的评分。并通过是否达成交易（这将在未来季度报告和评分中发挥关键作用）来进行最终成功验证。由于这一模型的成功率较高，销售代表未接受过多技术解释和培训，就十分乐意接受其建议。

最后，评分引擎会将销售线索输入每日销售报告，助力销售代表立即采取行动。这意味着销售代表可以基于优秀实践，专注于最大区域中最优质的客户。