摘要：機器學習在客戶管理場景中的應用使用機器學習進行客戶管理，我們可以得到客戶度全方位的視圖?？梢钥吹綑C器學習給為和這兩個產(chǎn)品計算的相關分數(shù)是和。關于機器學習在中的更多應用，請參考幫助文檔。

關于機器學習這個話題，我相信我這個公眾號1500多位關注者里，一定有很多朋友的水平比Jerry高得多。如果您看過我以前兩篇文章，您就會發(fā)現(xiàn)，我對機器學習僅僅停留在會使用API的層面上。

使用Java程序消費SAP Leonardo的機器學習API

使用Recast.AI創(chuàng)建具有人工智能的聊天機器人

關于機器學習在SAP標準產(chǎn)品中的應用，Jerry只知道一個例子，就是機器學習在SAP Cloud for Customer(以下簡稱C4C)中的應用。今天Jerry就把這個例子分享給大家。如果除了C4C外，您還知道SAP其他產(chǎn)品也已經(jīng)啟用了機器學習，請留言，讓大家也多增長一些見識，謝謝。

SAP C4C在1708這個版本最先引入機器學習的支持，用于銷售場景中的Deal Intelligence(智能交易)和服務場景中的Automatic Ticket Classification(Ticket智能分類)。根據(jù)SAP官方網(wǎng)站上發(fā)布的信息，到C4C 1802為止，SAP C4C銷售和服務領域內(nèi)支持的機器學習場景如下：

Deal Intelligence

Lead Intelligence

Account Intelligence

Ticket Intelligence

本文Jerry將選擇三個我熟悉的場景分享給大家。

文章目錄

C4C系統(tǒng)啟用機器學習的前提條件

C4C系統(tǒng)啟用機器學習的主要步驟

機器學習在C4C客戶管理場景中的應用

機器學習在C4C銷售商機管理中的應用

機器學習在C4C銷售報價單的產(chǎn)品推薦場景中的作用

C4C機器學習的思路是分析系統(tǒng)內(nèi)已有的歷史數(shù)據(jù)，以進行模式識別，創(chuàng)建統(tǒng)計模型對將來的業(yè)務決策做出預測。因此歷史數(shù)據(jù)成為C4C機器學習場景一個至關重要的輸入條件。

SAP C4C機器學習對于歷史數(shù)據(jù)規(guī)模的要求是：對于相關場景至少存在過去12個月的數(shù)據(jù)，數(shù)量不得少于5000個，并且必須滿足SAP幫助文檔上定義的特征分布。

C4C系統(tǒng)啟用機器學習的主要步驟

C4C機器學習功能在每個tenant上默認處于關閉狀態(tài)。希望啟用機器學習的客戶需要向SAP提交一個Incident，按照SAP提供的一個模板填寫需要啟用機器學習的具體場景。作為一個SaaS解決方案，絕大多數(shù)復雜的機器學習啟用步驟都由SAP工作人員完成，剩下需要由C4C客戶在C4C tenant上完成的步驟僅僅是在C4C工作中心視圖Predication Services里進行的簡單配置工作。

點擊Model Setup超鏈接進行機器學習的模型配置：

注意圖中的"Readiness"這一列，代表當前tenant上相關的歷史數(shù)據(jù)的規(guī)模和分布是否足以滿足SAP定義的創(chuàng)建機器學習訓練模型的條件。

如果條件不滿足，點擊"View Report"能看到具體是歷史數(shù)據(jù)的哪個維度不滿足：

歷史數(shù)據(jù)準備好之后，通過點擊下圖Model表格的工具欄上的按鈕"Add Model"創(chuàng)建機器學習的模型，訓練并激活模型，然后就能在C4C的業(yè)務場景中使用機器學習提供的強大功能了。

這些按鈕背后的技術細節(jié)全部被SAP封裝好，確?？蛻舻南嚓P人員即使沒有任何機器學習的技術背景，也能在C4C系統(tǒng)上快速啟用機器學習的功能。

我們注意到上圖有一列"Data Source", 代表該場景需要的模型是否支持以外部文件的方式將歷史數(shù)據(jù)導入系統(tǒng)。"Auto Extraction"則代表直接使用當前tenant的數(shù)據(jù)作為歷史數(shù)據(jù)。

等模型訓練結束后狀態(tài)變?yōu)锳ctive，就可以開始在C4C業(yè)務場景中使用機器學習了。

機器學習在C4C客戶管理場景中的應用

使用機器學習進行客戶管理，我們可以得到客戶360度全方位的視圖。

打開SAP C4C的客戶工作中心，在客戶列表里選中任意一個客戶進入明細頁面，能在右邊看到一個名為Insights的區(qū)域。

這些客戶的360度視圖是基于C4C內(nèi)部和外部的數(shù)據(jù)源分析得出的,有助于銷售人員進行更有針對性的客戶計劃和銷售。C4C的外部數(shù)據(jù)源采用的是第三方數(shù)據(jù)提供商Bombora。

通過Insights面板，我們能夠獲得通過機器學習得出的每個客戶的購買傾向的分數(shù)，并且能看出就我們關注的某一話題，該客戶的行為和傾向到底如何。Bombora會從該客戶相關的B2B網(wǎng)站上捕捉能夠反映該客戶購買傾向的各種線索。當檢測到客戶在某個話題上的線索數(shù)量有明顯增加時，我們稱這個客戶就該話題表現(xiàn)出了一個Surge（抱歉，Jerry實在不知道這個單詞如何翻譯成中文）。我們會給出Surge的分數(shù)，范圍在1到99之間，每周更新一次。

SAP C4C會將某個客戶總的Surge分數(shù)顯示在屏幕右側Insights面板內(nèi)，同時顯示出Surge分數(shù)最高的前三個話題。下圖Surge分數(shù)前三的話題依次為:Artificial Intelligence, Machine Learning和Collaboration Software。

在C4C工作中心視圖Predication Services的Third Party Data可以對Insights面板里需要關注的話題進行配置：

機器學習在C4C銷售商機管理中的應用

在銷售商機（Opportunity）列表里選中某個商機，能看到右邊會使用機器學習的方式給該商機打的分，該分數(shù)代表選中商機的贏單概率。

上面顯示的分數(shù)是基于SAP C4C tenant上過去12個月的銷售數(shù)據(jù)，經(jīng)過訓練之后的機器學習模型計算出來的。分數(shù)越高，贏單率越大，因此銷售代表可以更有針對性的把資源放在優(yōu)先級更高的商機上去。分數(shù)會每天更新一次。

為了讓機器學習計算出來的得分更準確，需要C4C系統(tǒng)里至少存在5000條歷史商機數(shù)據(jù)，并且這些歷史商機數(shù)據(jù)里的"贏單"或者"輸單"狀態(tài)盡可能均勻分布。

Insights標簽頁里顯示的分數(shù)和Key Feature（關鍵指標）全部是從C4C后臺通過HTTP請求，以JSON格式返回到前臺進行渲染。

這個JSON格式的響應明細如下(從Chrome開發(fā)者工具Network標簽頁里觀察到的）：

機器學習在C4C銷售報價單的產(chǎn)品推薦場景中的作用

大家平時在京東或淘寶上買一個東西后，手機app會自動向我們推薦一些其他我們可能會購買的商品，這些推薦就是背后的機器學習框架基于我們以前的購買習慣通過一定的算法計算出來的。

C4C同樣支持使用機器學習根據(jù)銷售訂單歷史數(shù)據(jù)進行向上銷售(Up Selling)和交叉銷售(Cross Selling)產(chǎn)品推薦。

我們可以在Machine Learning Scenarios（機器學習場景）的列表里看到Product Recommendation（產(chǎn)品推薦）這個場景。通過點擊按鈕Add Model創(chuàng)建一個新的機器學習模型，點擊Train進行訓練，確保訓練成功完成，狀態(tài)變?yōu)锳ctive, 說明該模型可用。

創(chuàng)建一個新的Product List，里面包含了需要銷售的產(chǎn)品：下面的例子有兩個產(chǎn)品，ID為為1042416和10001380。

如果是傳統(tǒng)的產(chǎn)品推薦場景，假設當我在銷售訂單的行項目里維護了上述兩個產(chǎn)品的ID后，還想推薦一些其他的產(chǎn)品，則需要通過人工的方式將這些推薦的商品維護到Product list的"Proposed Products"標簽頁里，如下圖紅色區(qū)域所示。

有了人工智能加上機器學習后，就可以省去這些人工配置的步驟和工作量。我給這個Product List加上了一個"203 - Product Recommendation"的場景，如下圖藍色區(qū)域所示，希望讓這個Product List里包含的產(chǎn)品被加入到銷售訂單時，通過人工智能的方式由SAP C4C系統(tǒng)自動推薦相關產(chǎn)品。

現(xiàn)在我們來做個測試，創(chuàng)建一個新的銷售報價單，將之前維護在Product List的某一個產(chǎn)品，比如1042416，維護在這個銷售報價單的行項目里，然后C4C系統(tǒng)自動給我推薦了兩個其他產(chǎn)品，ID為P140101和P140100。

下圖是我從ABAP后臺調試機器學習API調用得到的JSON響應在JSON編輯器里打開的截圖?？梢钥吹綑C器學習給ID為P140101和P140100這兩個產(chǎn)品計算的相關分數(shù)是90和83。因為機器學習API的具體細節(jié)在SAP幫助文檔里沒有提及，這里不便介紹。

關于機器學習在C4C中的更多應用，請參考SAP幫助文檔。感謝閱讀。

要獲取更多Jerry的原創(chuàng)技術文章，請關注公眾號"汪子熙"或者掃描下面二維碼: