Latest / M365.FM – Podcast Microsoft 365, Copilot & AI Bahasa Indonesia / Dynamics 365 Customer Insights – Data dijelaskan: satukan data pelanggan, profil 360° dan segmen (Sulih Suara AI)

Transcript

Dynamics 365 Customer Insights – Data dijelaskan: satukan data pelanggan, profil 360° dan segmen (Sulih Suara AI) · M365.FM – Podcast Microsoft 365, Copilot & AI Bahasa Indonesia

• 0:00
  Siap untuk 10 hari bersama Microsoft 365, Copilot, AI, Azure, dan orang-orang yang membentuk masa depan pekerjaan.
• 0:07
  Januari ini, M365-chon hadir kembali dan kami akan melakukannya dengan lebih besar.
• 0:12
  Bergabunglah dengan kami untuk sesi langsung, demo dunia nyata, dan pengetahuan praktis dari MVP dan pakar industri di seluruh dunia.
• 0:18
  Tidak ada selet umum, tidak ada kata kunci yang tak ada habisnya.
• 0:22
  Kami menangani tantangan nyata.
• 0:23
  Copilot Studio, agen AI, fabrik, keamanan, tata kelola, dan otomatisasi.
• 0:28
  Baik Anda seorang profesional TI, pengembang, atau pemimpin bisnis, ada sesi yang dirancang untuk Anda.
• 0:35
  Dengan 10 hari penuh, Anda dapat menjelajahi berbagai teknologi dan terhubung dengan komunitas global.
• 0:40
  Tonton langsung, dan pahawasan praktis kembali ke organisasi Anda.
• 0:45
  Januari 2027, 10 hari, satu komunitas Microsoft.
• 0:49
  Pendaftaran dibuka sekarang.
• 0:51
  Kunjungi tempat Anda hari ini.
• 0:54
  Itu M365-chon.net
• 0:57
  Bergabunglah sekarang di M365-chon.net, dan kami akan melihat Anda secara langsung di bulan Januari.
• 1:05
  Bagaimana jika satu pelanggan muncul di tiga sistem dan masing-masing menceritakan kisah yang sama sekali berbeda?
• 1:09
  Penjualan melihat transaksi terbuka, dukungan melihat keluhan, pemasaran melihat seseorang yang mengeklik email minggu lalu.
• 1:14
  Oh, tetapi orang yang sama itu telah membeli dari Anda dua kali.
• 1:17
  Tidak seorang pun yang melihat satu layar dapat melihat gambar kesulur.
• 1:19
  Saya Mirko Petters dari M365 FM, dan pengetahuan ini menyatukan kembali kembaran itu dengan bahasa yang sederhana.
• 1:25
  Anda akan melihat mengapa data pelanggan yang tersebar menyebabkan sakit kepala yang nyata,
• 1:29
  dan mengapa perusahaan memerlukan satu tampilan bersama sebelum mereka dapat memperlakukan pelanggan seperti manusia, bukan baris dalam rata pisang.
• 1:34
  Mengapa data pelanggan yang tersebar menciptakan keputusan yang buruk?
• 1:36
  Bayangkan Anda menjalankan perusahaan yang menjual peralatan ke bisnis lain.
• 1:40
  Tim penjualan Anda menggunakan Dynamics 3 Sales.
• 1:42
  Mereka melihat kontak, akun, panggilan, rapat, peluang terbuka, penawaran, dan catatan dari percakapan sebelumnya.
• 1:48
  Itu membantu tenaga penjualan, mempersiapkan panggilan, tetapi itu hanya menunjukkan pekerjaan di dalam situ.
• 1:52
  Tim dukungan Anda menangani pekerjaan di tempat lain.
• 1:54
  Mereka melihat kasus layanan, produk yang rusak, pertanyaan, keluhan, dan percakapan yang diperlukan untuk memecahkan mas.
• 1:59
  Seorang agen mengetahui bahwa pelanggan menghubungi dukungan 3 kali bulan ini, tetapi riwayat itu tidak pernah muncul di catatan.
• 2:04
  Pemasaran memiliki serangka informasinya sendiri.
• 2:06
  Mereka tahu siapa yang membuka email, mengeklik tautan, mengisi formulir, mengunjungi halaman, atau mendaftar untuk suatu macam.
• 2:11
  Pemasar melihat minat yang kuat terhadap produk baru,
• 2:13
  sementara agen dukungan melihat pelanggan yang frustrasi dengan produk yang sudah mereka miliki.
• 2:17
  Kut analogi sederhananya, bayangkan seperti gedung perkantoran dengan ruangan terbisa.
• 2:21
  Setiap ruangan memiliki jendela AU sendiri.
• 2:23
  Penjualan melihat tampilan dukungan, melihat tampilan lainnya, dan pemasaran melihat tampilan ketiga.
• 2:27
  Tidak seorang pun memiliki gambaran utuh sampai Anda membuka pintu di antara mereka.
• 2:30
  Itu adalah perkas panggilan bersama.
• 2:32
  Itu membuka pintu.
• 2:33
  Tidak seorang pun melakukan kesalahan.
• 2:35
  Informasi tersebut hanya berada di tempat terbisa yang dibuat untuk pekerjaan terbisa.
• 2:38
  Penjualan perlu mengelola transaksi, layanan perlu menyelesaikan kasus,
• 2:41
  pemasaran perlu memahami keterlibatan pesanan berada di sistem yang berbeda,
• 2:45
  dan aktivitas situs web berada di alat analitik.
• 2:48
  Pemisahan itu menciptakan situasi yang aneh.
• 2:50
  Berikut contohnya.
• 2:51
  Ambil contoh pelanggan bernama Alex Morgan.
• 2:53
  Dalam sistem penjualan, Alex memiliki catatan akun dengan email kantor lama dan peluang aktif.
• 2:57
  Di sistem dukungan, Alex muncul di bawah email pribadi dengan dua kasus terkini.
• 3:02
  Di situs web tersebut, Alex mendaftar untuk mengikuti webinar
• 3:04
  hanya dengan menggunakan nama depan, nama belakang, dan nomor telepon.
• 3:08
  Semua catatan tersebut dimiliki oleh orang yang sama.
• 3:10
  Tetapi tanpa cara untuk menghubungkannya, perusahaan melihat tiga Alex Morgan yang berbeda.
• 3:13
  Bagian penjualan menyiapkan promosi yang bersahabat,
• 3:15
  bagian pemasaran mengirimkan promosi untuk peningkatan layanan,
• 3:17
  dan bagian dukungan minta Alex untuk mengulang detail yang sama dari panggilan terakhir.
• 3:20
  Dari sisi Alex, hal ini terasa tidak teratur.
• 3:22
  Anda sendiri pernah melihatnya saat Anda menghubungi sebuah perusahaan tentang suatu masalah,
• 3:25
  menjelaskannya dengan jelaskannya dengan jelas,
• 3:27
  lalu menemba email cerai menanyakan apakah-apakah Anda ingin membeli lebih banyak.
• 3:29
  Perusahaan memiliki informasi tersebut,
• 3:31
  tetapi timnya tidak memiliki pandangan yang sama tentang informasi tersebut.
• 3:34
  Tautan data yang buruk juga menciptakan masalah yang lebih kecil.
• 3:36
  Catatan duplikat menyebabkan email duplikat,
• 3:38
  alamat email lama,
• 3:38
  membuat orang yang tepat tidak dapat menemba pesan,
• 3:40
  dan koneksi yang hilang.
• 3:41
  Antara pesanan dan kasus layanan,
• 3:43
  menyembunyikan alasan pelanggan berhenti membeli.
• 3:45
  Kemudian orang-orang mulai mengekspor daftar ke dalam spreadsheet.
• 3:47
  Bagian pemasaran membuat satu daftar,
• 3:48
  bagian penjualan membuat daftar lain,
• 3:50
  bagian layanan menyimpan laporan yang sebelumnya.
• 3:51
  Tak lama kemudian,
• 3:52
  tim berdebat tentang daftar siapa yang benar,
• 3:54
  sementara pelanggan menunggu seseorang memahami situasi secara lengkap.
• 3:57
  Hal ini memengaruhi keputusan setiap hari.
• 3:59
  Seorang manajer penjualan mengejar pelanggan yang baru-baru ini,
• 4:01
  mengemukakan masalah serius.
• 4:02
  Seorang pemasar mengirimkan diskon kepada seseorang
• 4:04
  yang telah membeli dengan harga penuh
• 4:06
  dan seorang pemimpin layanan tidak mengetahui bahwa penelpon
• 4:08
  adalah salah satu pelanggan terbesar perusahaan,
• 4:09
  jawabannya bukanlah dengan memaksa setiap tim menggunakan satu aplikasi A.
• 4:12
  Setiap tim tetap memerlukan alat yang dibuat untuk usia.
• 4:15
  Yang mereka butuhkan adalah satu berkas pelanggan bersama
• 4:17
  yang dapat menghubungkan berbagai catat.
• 4:19
  Dengan begitu, setiap tim memulai dengan orang yang sama,
• 4:21
  bukan versi orang tersebut yang berbeda
• 4:23
  atau dengan data wawasan pelanggan yang sebenarnya.
• 4:25
  Jadi, apa yang menyatukan berbagai catatan pelanggan tersebut
• 4:28
  tanpa memaksa setiap departemen menggunakan aplikasi yang sama?
• 4:31
  Jawabannya adalah Data Dynamics,
• 4:32
  Data Dynamics, Nomor Insights, platform data pelanggan Microsoft
• 4:34
  yang sering disebut CDP.
• 4:36
  Berikut definisi yang paling sederhana.
• 4:37
  CDP menarik data pelanggan dari setiap sistem yang Anda gunakan ke satu tempat,
• 4:41
  menghubungkan catatan milik orang yang sama,
• 4:43
  dan membangun profil abadi yang dapat digunakan oleh alat bisnis Anda.
• 4:47
  Bayangkan seperti ruangan masih besar.
• 4:49
  Setiap departemen mengirimkan folder ke ruangan itu.
• 4:51
  Penjualan mengirimkan detail kontak dan riwayat transaksi.
• 4:53
  Dukungan mengirimkan catatan kasus.
• 4:55
  Situs web Anda mengirimkan pendaftaran dan kunjungan halaman,
• 4:57
  dan sistem pemesanan Anda mengirimkan pembelian.
• 4:59
  Folder-folder tersebut mungkin menggunakan label, format,
• 5:03
  bahkan nomor pelanggan yang berbeda.
• 5:05
  Data Customer Insights menyortir semuanya
• 5:07
  dan menyatukan satu berkas pelanggan dari catatan yang saling terkait.
• 5:10
  Berkas tersebut memberi Anda apa yang disebut orang sebagai tampilan 3 derajat.
• 5:13
  Anda sering mendengar frasa itu, jadi begini.
• 5:15
  Tampilan 360 derajat berarti Anda dapat melihat satu pelanggan
• 5:18
  dan melihat lebih dari satu jenis interaksi.
• 5:20
  Siapa mereka, apa yang mereka beli,
• 5:21
  kapan mereka menghubungi dukungan,
• 5:23
  dan bagaimana mereka berinteraksi dengan Anda secara adat.
• 5:24
  Ini gambaran yang lebih lengkap, bukan?
• 5:26
  Data pelanggan biasanya terbagi menjadi beberapa jenis umum.
• 5:30
  Data demografis menggambarkan orang tersebut,
• 5:32
  nama alamat jabatan perusahaan.
• 5:33
  Data transaksional mencatat pertukaran,
• 5:35
  pembelian, pengembalian, pembayaran, reservasi, atau langgan.
• 5:39
  Data perilaku menangkap tindakan seperti membuka email,
• 5:41
  mengunjungi halaman produk, mengisi formulir,
• 5:43
  menggunakan aplikasi, atau mendaftar untuk suatu acara.
• 5:46
  Data Customer Insights juga dapat menghadirkan data operasional
• 5:49
  seperti inventaris atau informasi layanan,
• 5:51
  ditambah data dari perangkat yang terhubung,
• 5:52
  Internet of Things atau perangkat IoT.
• 5:54
  Perusahaan yang menjual mesin yang terhubung
• 5:56
  mungkin ingin melihat aktivitas mesin bersama rewet pelanggan.
• 5:58
  Tim layanan dapat melihat bahwa pelanggan menelpon
• 6:01
  tentang suatu masalah,
• 6:02
  sementara data operasional menunjukkan bahwa
• 6:04
  mesin tersebut juga melakukan kesalahan.
• 6:06
  Konteks tersebut mengubah percakapan.
• 6:08
  Perhatikan bahwa saya mengatakan data wawasan pelanggan,
• 6:10
  bukan perjalanan wawasan pelanggan.
• 6:11
  Keduanya berada di bawah nama wawasan pelanggan,
• 6:13
  tetapi menangani pekerjaan yang berbeda.
• 6:15
  Data menghadirkan informasi,
• 6:16
  menyiapkan profil, dan menemukan pola yang berguna.
• 6:18
  Perjalanan menggunakan profil dan grup pelanggan tersebut
• 6:21
  untuk mengirim email, teks, dan komunikasi lainnya.
• 6:24
  Satu sisi mengatur dan memahami data pelanggan.
• 6:27
  Sisi lain menggunakan pemahaman itu saat berbicara dengan orang lain.
• 6:30
  Anda dapat menggambarkan data sebagai ruang catatan
• 6:32
  dan perjalanan sebagai meja komunikasi.
• 6:34
  Sekarang, banyak orang yang salah mengartikannya
• 6:36
  dengan Dynamics 3 dan Sales.
• 6:37
  Dynamics 3 dan 5 Sales membantu staff penjualan
• 6:40
  mengelola hubungan dan pekerjaan penjualan
• 6:42
  dengan melacak prospek, peluang, aktivitas, dan percakapan akun
• 6:44
  yang memberi tim penjualan tempat untuk melakukan pekerjaan mereka.
• 6:47
  Data wawasan pelanggan memiliki pandangan yang lebih luk.
• 6:50
  Data ini dapat mengambil informasi dari Dynamics 365 Sales
• 6:53
  tetapi juga dapat menghubungkan info dari sistem layanan,
• 6:56
  situs web, sistem pemesanan penyimpanan data,
• 6:57
  dan sumber lain yang disetujui.
• 6:59
  Data ini tidak melantikan penjualan,
• 7:00
  tetapi menambahkan konteks pelanggan di sekitarnya
• 7:02
  yang mungkin tidak dimiliki oleh penjualan saja.
• 7:04
  Di balik layar, data wawasan pelanggan berjalan di Microsoft Azure
• 7:07
  yang berarti Microsoft menyediakan fondasi cloud
• 7:09
  untuk menyimpan, memproses, dan melindungi data.
• 7:12
  Produk ini juga menyertakan alat untuk privasi, keamanan, dan tata kelola.
• 7:15
  Tata kelola hanyalah serangkaian aturan yang mengontrol
• 7:17
  siapa yang dapat mengakses data dan bagaimana perusahaan dapat menggunakannya.
• 7:21
  Profil pelanggan memuat informasi pribadi,
• 7:22
  jadi aturan tersebut harus menjadi bagian dari desain sejak awal.
• 7:26
  Setelah Anda memahami data wawasan pelanggan sebagai tempat
• 7:28
  di mana catatan pelanggan yang terpisah menjadi satu profil yang dapat digunakan,
• 7:31
  pertanyaan praktis berikutnya adalah
• 7:32
  bagaimana semua catatan tersebut masuk ke ruang kerja yang sama?
• 7:34
  Membangun profil pelanggan terpadu
• 7:36
  Sebelum wawasan pelanggan
• 7:39
  Data dapat menghubungkan apapun, Anda membuat lingkungan.
• 7:43
  Anggap lingkungan sebagai ruang kerja yang terkontrol
• 7:45
  untuk pekerjaan data pelanggan ini
• 7:47
  yang memberi tim Anda satu tempat untuk memasukkan data
• 7:49
  menyiapkannya, menghubungkannya, dan mengolah siapa yang dapat bekerja dengannya.
• 7:53
  Di dalam ruang kerja tersebut, Anda mulai dengan menambahkan sumber data.
• 7:55
  Jika Anda sudah menggunakan Dynamics 365,
• 7:57
  Microsoft Dataverse seringkali menyediakan catatan penjualan atau layanan.
• 8:00
  Karena Dataverse merupakan penyimpanan data di balik banyak aplikasi Dynamics 365 dan Power Cloudflow.
• 8:06
  Data Customer Insights juga dapat terhubung ke Azure Data Lake, Fabric One Lake, dan Azure Synapse Analytics.
• 8:11
  Nama-nama tersebut terdengar teknis, tetapi ide sederhananya adalah
• 8:13
  bahwa perusahaan seringkali menyimpan sejumlah besar data di penyimpanan cloud dan sistem pelaporan.
• 8:17
  Konektor Power Query memberi Anda cara lain.
• 8:19
  Power Query adalah alat Microsoft untuk memasukkan data dan membentuknya sebelum Anda menggunakannya
• 8:24
  dan membantu saat data berada di database, aplikasi bisnis, atau sumber terhubung lainnya
• 8:28
  yang tidak terlihat persis seperti catatan Dynamics 365 Anda.
• 8:31
  Setiap sumber hadis sebagai tabel.
• 8:33
  Tabel hanyalah daftar terstruktur seperti lembar bentang dengan kolom dan baris.
• 8:37
  Satu tabel mungkin mencantumkan pelanggan,
• 8:38
  tabel lain mungkin mencantumkan pesanan,
• 8:40
  tabel ketiga mungkin berisik kasus layanan,
• 8:41
  dan tabel keempat mungkin mencantumkan pendaftaran situs web.
• 8:43
  Bagian yang sulit adalah tabel-tabel ini jarang menggunakan nama yang sama.
• 8:47
  Satu sistem mungkin memanggil kolom alamat email,
• 8:49
  sistem lain menyebutnya email,
• 8:51
  dan sistem ketiga menyimpan nama pelanggan tanpa email sama sekali.
• 8:53
  Nomor telepon mungkin menyertakan kode negara di satu sumber
• 8:56
  dan mengabaikannya di sumber lain,
• 8:57
  dan nama mungkin muncul dengan ejaan, spasi, atau judul yang berbeda.
• 9:01
  Data awasan pelanggan
• 9:02
  Memerlukan bantuan untuk memahami arti setiap bidang.
• 9:06
  Langkah ini disebut pemetaan,
• 9:07
  dan Anda memberitahu sistem kolom masuk mana yang berisi nama,
• 9:10
  alamat email, nomor telepon, nomor pelanggan,
• 9:12
  alamat atau detail lain seseorang yang dapat membantu mengidentifikasi mereka.
• 9:15
  Anda juga memetakan catatan bisnis yang terhubung ke orang.
• 9:18
  Tabel pesanan perlu menghubungkan pembelian ke pelanggan yang tepat,
• 9:21
  dan tabel kasus perlu menghubungkan riwayat layanan ke orang yang sama.
• 9:25
  Tanpa hubungan tersebut,
• 9:26
  Anda memiliki daftar peristiwa,
• 9:27
  tetapi tidak ada cara yang andal untuk melihat peristiwa milik siapa itu.
• 9:30
  Sekarang, Anda mungkin berpikir mencocokkan catatan
• 9:32
  berarti mencari alamat email yang identik
• 9:33
  dan menggabungkan semuanya secara otomatis.
• 9:36
  Terkadang memang demikian,
• 9:37
  tetapi data pelanggan yang sebenarnya membutuhkan lebih banyak pada itu.
• 9:39
  Dua orang dapat berbagi alamat email rumah tangga,
• 9:41
  pelanggan dapat berganti pekerjaan dan mendapatkan email.
• 9:43
  Kantor baru, perbedaan ejaan yang kecil dapat menggambarkan orang yang sama,
• 9:46
  sementara dua orang yang sama,
• 9:47
  sementara dua orang dengan nama yang sama dapat sama sekali tidak berhubungan.
• 9:50
  Data Customer Insights memungkinkan Anda menetapkan kondisi pencocokan.
• 9:53
  Anda dapat mencocokkan catatan berdasarkan alamat email,
• 9:56
  nama gabungan, nomor telepon, dan detail post,
• 9:58
  atau menggunakan nomor pelanggan jika bisnis Anda memilikinya.
• 10:00
  Tujuannya adalah untuk menghubungkan catatan
• 10:02
  hanya jika ada cukup bukti bahwa catatan tersebut.
• 10:05
  Penghapusan Duplikat
• 10:05
  Duplikat adalah versi berulang dari catatan yang sama di dalam tabel sumber.
• 10:09
  Mungkin formulir web membuat dua entry setelah seseorang mengklik kirim dua kali,
• 10:13
  atau impor penjualan menambahkan kontak yang ada lagi.
• 10:15
  Menghapus Duplikat membantu menghentikan satu orang
• 10:18
  agar tidak terlihat seperti beberapa orang
• 10:19
  sebelum pekerjaan pencocokan yang lebih luas di mulut.
• 10:22
  Setelah sistem mencocokkan catatan dan menghapus duplikat,
• 10:24
  sistem menyatukan informasi ke dalam profil.
• 10:26
  Orang sering menyebut ini catatan emas,
• 10:28
  tetapi frase itu mungkin terdengar muluk.
• 10:30
  Jadi mari gunakan makanan yang lebih besar.
• 10:32
  Ini adalah profil pelanggan gabungan terbaik
• 10:33
  yang dapat dibuat sistem dari catatan yang Anda setujui.
• 10:36
  Data ini mungkin menyatukan email terkini dari satu sumber
• 10:38
  dan tautan akun dari sumber lain,
• 10:40
  riwayat pesanan dari sumber ketiga,
• 10:41
  dan catatan layanan dari sumber keempat.
• 10:42
  Data ini tidak menghapus sistem asli.
• 10:45
  Bagian penjualan tetap menyimpan catatan penjualannya.
• 10:47
  Sistem pesanan Anda tetap memiliki pesanan tersebut
• 10:48
  dan dukungan tetap bekerja dari kasusnya.
• 10:50
  Data Customer Insights membuat profil yang terhubung
• 10:52
  untuk memahami pelanggan di seluruh sumber tersebut
• 10:54
  sambil melacak dari mana informasi tersebut berasal
• 10:56
  jejak sumber tersebut.
• 10:58
  Jika seseorang bertanya dari mana alamat,
• 11:00
  nomor telepon, atau detail pembelian berasal,
• 11:02
  tim Anda harus dapat melacaknya kembali ke sistem sumber
• 11:04
  daripada memperlakukan profil terpadu
• 11:06
  seperti kotak misteri.
• 11:08
  Profil juga menjadi lebih berguna
• 11:09
  jika menyertakan aktivitas dari waktu ke waktu.
• 11:12
  Data Customer Insights
• 11:13
  dapat menghubungkan aktivitas dari tabel yang Anda masukkan
• 11:16
  dan menempatkannya pada garis waktu kronologis.
• 11:19
  Pembelian pada hari Senin,
• 11:20
  panggilan dukungan pada hari Kamis,
• 11:22
  dengan halaman produk pada minggu berikutnya.
• 11:24
  Setiap peristiwa menambahkan konteks
• 11:25
  saat Anda melihat hubungan terkini pelanggan dengan perusahaan.
• 11:28
  Bayangkan seorang tenaga penjualan
• 11:30
  membuka profil sebelum menelpon pelanggan.
• 11:31
  Daripada hanya melihat peluang
• 11:33
  dan beberapa catatan panggilan,
• 11:35
  mereka dapat melihat pesanan terkini,
• 11:36
  kasus layanan yang ditutup kemarin,
• 11:38
  dan pendaftaran acara terkini.
• 11:40
  Tenaga penjualan tidak perlu menebak
• 11:41
  apa yang mungkin membentuk percakapan itu.
• 11:43
  Profil menyediakan konteks.
• 11:44
  Tentu saja, profil yang terhubung
• 11:46
  masih dimulai sebagai informasi.
• 11:47
  Dan langkah berikutnya adalah
• 11:48
  mengubah informasi itu menjadi jawaban
• 11:50
  yang dapat digunakan tim Anda
• 11:51
  saat mereka memutuskan siapa yang perlu diperhatikan,
• 11:53
  apa yang berubah,
• 11:54
  dan tindakan apa yang masuk akal.
• 11:56
  Menambahkan ukuran makna,
• 11:57
  pengayaan, dan prediksi.
• 11:59
  Jadi Anda telah membangun profil pelanggan terpadu
• 12:02
  dan tim Anda dapat melihat
• 12:03
  tampilannya yang lebih jelas dari setiap orang.
• 12:05
  Namun disinilah tim, masalahnya.
• 12:07
  Daftar catatan tetap tidak akan menjawab
• 12:09
  setiap pertanyaan bisnis tim sendiri.
• 12:11
  Anda tetap memerlukan jawaban, saudara.
• 12:13
  Apa yang paling sering membeli?
• 12:14
  Siapa yang belum musuhkan baru-baru ini?
• 12:16
  Pelanggan mana yang menghubungi dukungan
• 12:17
  beberapa kali bulan ini?
• 12:19
  Pelanggan mana yang kemungkinan besar akan pergi?
• 12:20
  Wawasan pelanggan.
• 12:23
  Data menjawab banyak pertanyaan tersebut
• 12:24
  dengan sesuatu yang disebut ukuran.
• 12:27
  Biarkan hasil menguraikan apa sebenarnya ukuran.
• 12:29
  Ukuran adalah kalkulasi yang dibuat
• 12:31
  dari data yang sudah Anda milik.
• 12:32
  Anggap saja sebagai satu angka yang disepakati
• 12:34
  yang dilacak oleh tim Anda bersama.
• 12:35
  Tidak perlu lagi meminta semua orang menghitungnya
• 12:37
  secara manual di Excel setiap saat.
• 12:40
  Biarkan outcomes mengatakan Anda
• 12:41
  memerlukan total pembelian selama setelan terakhir
• 12:42
  buat ukuran.
• 12:43
  Atau jumlah hari sejak pelanggan
• 12:45
  melakukan pesanan terakhir
• 12:46
  atau outcomes adalah ukuran lainnya.
• 12:48
  Anda dapat menghitung kasus layanan,
• 12:49
  menghitungi pesanan rata-rata,
• 12:50
  atau melacak kehadiran acar.
• 12:53
  Ukuran yang tepat bergantung pada apa yang perlu dipahami
• 12:54
  bisnis Anda.
• 12:55
  Untuk bisnis berlangganan,
• 12:57
  ukuran menunjukkan berapa lama seseorang
• 12:59
  telah menjadi pelanggan
• 12:59
  dan apakah penggunaan mereka telah menurun.
• 13:01
  Untuk pengecer,
• 13:02
  ukuran menunjukkan total pengeluaran
• 13:03
  pengembangan terkini
• 13:04
  atau kesenjangan antara pembelian.
• 13:06
  Ukuran mengubah banyak aktivitas terpisah
• 13:08
  menjadi jawaban yang jelas.
• 13:09
  Itu menghemat waktu.
• 13:10
  Tetapi yang lebih penting,
• 13:11
  ini membantu tim menggunakan definisi yang sama.
• 13:13
  Jika penjualan menyebut seseorang
• 13:14
  sebagai pelanggan bernilai tinggi
• 13:16
  sementara pemasaran menggunakan perhitungan yang berbeda,
• 13:18
  pengalaman pelanggan terbagi lagi.
• 13:20
  Ukuran bersama beri semua orang
• 13:21
  satu cara yang disepakati
• 13:22
  untuk melihat pertanyaan tersebut.
• 13:23
  Sekarang beberapa profil pelanggan
• 13:24
  masih memiliki kesenjangan.
• 13:26
  Sistem Anda mungkin mengetahui
• 13:27
  nama item pribadi dan riwayat pembelian
• 13:28
  tetapi tidak mengetahui lokasi,
• 13:30
  detail perusahaan,
• 13:31
  atau informasi bermanfaat lainnya.
• 13:34
  Data Customer Insights
• 13:35
  dapat memperkaya profil
• 13:36
  menggunakan sumber data Microsoft
• 13:37
  atau mitra yang disetujui.
• 13:39
  Pengayaan berarti menambahkan
• 13:40
  lebih banyak informasi ke data yang sudah memiliki.
• 13:42
  Customer Insights bukanlah alasan
• 13:43
  untuk mengumpulkan setiap detail yang mungkinkan.
• 13:45
  Perusahaan Anda hanya boleh menambahkan
• 13:47
  informasi yang dapat digunakan
• 13:48
  secara bertanggung jawab
• 13:49
  dan hanya jika sesuai dengan izin
• 13:50
  dan aturan seputar data pelanggan tersebut.
• 13:52
  Jika digunakan dengan hati-hati,
• 13:53
  pengayaan akan mengisi konteks yang hilang.
• 13:55
  Misalnya, bisnis yang menjual ke perusahaan
• 13:57
  mungkin menginginkan informasi perusahaan
• 13:58
  yang lebih jelas
• 13:59
  beserta kontak penjualannya
• 14:00
  yang membantu tenaga penjualan
• 14:01
  memahami dengan siapa mereka
• 14:02
  akhirnya berbicara sebelum percakapan dimulai.
• 14:05
  Lalu ada prediksi.
• 14:05
  Data Customer Insights mencakup model AI
• 14:08
  siap pakai memperkirakan kemungkinan churn
• 14:10
  dan pendapatan yang diharapkan.
• 14:12
  Churn berarti pelanggan berhenti membeli,
• 14:13
  membatalkan langganan,
• 14:14
  atau berhenti berinteraksi dengan perusahaan Anda.
• 14:16
  Pendapatan yang diharapkan
• 14:17
  memperkirakan apa yang dihasilkan
• 14:18
  hubungan pelanggan dari waktu ke waktu.
• 14:20
  Prediksi ini mencari pola dalam data
• 14:22
  dengan mempertimbangkan riwayat pembelian,
• 14:23
  aktivitas terkini,
• 14:24
  atau perubahan perilaku tergantung
• 14:26
  pada model dan data yang Anda berikan.
• 14:28
  Hasilnya adalah sinyal yang membantu tim
• 14:29
  memutuskan di mana harus mencari terlebih dahi.
• 14:31
  Customer Insights bukanlah penilaian tentang stock.
• 14:33
  Churn tidak sepenuhnya berarti bahwa pelanggan akan pergi.
• 14:36
  Artinya, data yang tersedia
• 14:37
  tampak mirip dengan pola pelanggan yang sebelumnya pergi.
• 14:41
  Orang-orang tetap perlu memeriksa konteks
• 14:42
  dan menggunakan penilaian.
• 14:44
  Bayangkan seorang pelanggan yang
• 14:45
  tiba-tiba tes pembelian tiba-berhenti.
• 14:47
  Sebuah prediksi menandai pelanggan tersebut
• 14:48
  sebagai kemungkinan risiko.
• 14:49
  Sebelum ada yang mengirimkan tawaran winback,
• 14:51
  tim meriksa profil,
• 14:52
  dan menemukan kasus layanan yang terbuka.
• 14:54
  Sekarang tindakan yang tepat adalah
• 14:55
  menyelesaikan masalah terlebih dahulu,
• 14:57
  bukan mengirim email penjualan
• 14:58
  yang mengampaikan masalah tersebut.
• 14:59
  Beberapa organisasi membangun model AI mereka sendiri
• 15:01
  dan menggunakan alat analisis yang lebih luas
• 15:03
  untuk pertanyaan-pertanyaan yang unik bagi bisnis mereka.
• 15:05
  Sebuah produsen mempelajari penggunaan produk
• 15:06
  bersama dengan rewet layanan.
• 15:08
  Sebuah perusahaan dengan tim ilmu datanya sendiri
• 15:10
  menguji model yang dibangun
• 15:11
  di sekitar sinyal-sinyal yang penting bagi bisnisnya.
• 15:13
  Data Customer Insights
• 15:14
  dapat menjadi bagian dari pekerjaan itu,
• 15:17
  tetapi tidak sepenuhnya menghilangkan kebutuhan
• 15:18
  akan data yang valid atau tinjauan manusia.
• 15:20
  Berikut ada beberapa hal yang konseskut sebagai penduduk.
• 15:22
  Mengukuran memberitahu Anda apa yang terjadi.
• 15:24
  Pengayaan menambahkan konteks.
• 15:24
  Prediksi mengarahkan Anda ke pola apa yang perlu diperiksa.
• 15:28
  Namun, wawasan yang tetap ada dalam profil
• 15:29
  pada akhirnya tidak mengubah apa.
• 15:31
  Tim memerlukan cara untuk menggunakan jawab tersebut
• 15:33
  saat memutuskan siapa yang akan dihubungi,
• 15:34
  dukungan apa yang akan diberikan,
• 15:35
  dan kemana informasi pelanggan dan informasi pelanggan sendiri.
• 15:39
  Segmen dan Aktivasi
• 15:40
  Mengubah Profil Menjadi Tindakan
• 15:42
  Profil Pelanggan Menjadi Berguna
• 15:43
  Saat Anda Dapat Menindak Lanjutinya
• 15:44
  Disitulah Segmen Berperang
• 15:46
  Segmen adalah sekelompok pelanggan tersimpan
• 15:48
  yang dipilih berdasarkan Anda tetapkan.
• 15:50
  Aturan tersebut menggunakan detail profil,
• 15:51
  Aktivitas, perilaku, dan ukuran dari data wawasan pelanggan.
• 15:55
  Anda tidak lagi memilih nama secara manual dari spreadsheet.
• 15:58
  Sebagai gantinya, Anda mengajukan pertanyaan bisnis
• 15:59
  dan mengubah pertanyaan tersebut menjadi atur.
• 16:01
  Misalnya,
• 16:02
  Tunjukkan pelanggan yang membuka kasus dukungan
• 16:04
  dalam 30 hari terakhir,
• 16:06
  belum membeli apapun dalam 90 hari terakhir,
• 16:08
  dan setuju untuk menerima komunikasi.
• 16:11
  Group tersebut diperbarui saat informasi pelanggan berubah.
• 16:13
  Jika seseorang melakukan pembelian,
• 16:15
  mereka tidak lagi sesuai dengan aturan dan meninggalkan segmen.
• 16:17
  Jika pelanggan lain membuka kasus baru
• 16:18
  dan berhenti membeli, mereka masuk ke dalam.
• 16:20
  Audiens Anda tetap terhubung
• 16:21
  dengan informasi pelanggan alih-alih
• 16:23
  menjadi daftar lama yang diekspor.
• 16:25
  Ini memubah secara kerja tim.
• 16:27
  Tim layanan menggunakan segmen untuk mengidentifikasi pelanggan
• 16:29
  yang membutuhkan perhatian ekstra setelah masalah berulang.
• 16:31
  Penjualan berfokus pada tindak lanjut
• 16:33
  terhadap pelanggan yang memiliki minat terhadap produk terkini
• 16:35
  dan memiliki riwayat pembelian produk seru.
• 16:37
  Pemasaran menciptakan audiens bagi orang-orang
• 16:38
  yang menghadiri suatu acara,
• 16:40
  tetapi pada akhirnya tidak meminta panggilan menjual.
• 16:42
  Intinya bukanlah untuk mengirim,
• 16:43
  lebih banyak pesan.
• 16:45
  Intinya adalah untuk membuat tindakan selanjutnya
• 16:46
  sesuai dengan apa yang sudah diketahui perusahaan.
• 16:49
  Pelanggan dengan masalah terkini
• 16:50
  memerlukan pembaruan layanan yang jujur.
• 16:52
  Seseorang yang telah meneliti produk baru
• 16:53
  selama berminggu-minggu
• 16:54
  memerlukan percakapan penjualan yang bermakna.
• 16:56
  Memperlakukan kedua orang dengan cara yang sama
• 16:57
  akan menggambilkan informasi
• 16:58
  yang telah diupayakan tim Anda untuk terhubung.
• 17:00
  Data wawasan pelanggan juga dapat mengirimkan
• 17:02
  profil terpadu, segmen, dan data lain
• 17:04
  yang telah disiapkan ke tujuan yang terhubung.
• 17:06
  Tujuan adalah alat lain yang disetujui
• 17:08
  yang memerlukan informasi yang akan kita gunakan.
• 17:10
  Mungkin platform pemasaran, alat analitik,
• 17:12
  atau sistem bisnis lain tempat tim Anda
• 17:14
  bekerja dengan pelanggan.
• 17:15
  Untuk organisasi yang menggunakan aplikasi
• 17:17
  Dynamics 365,
• 17:18
  add-in kartu pelanggan menghadirkan konteks pelanggan
• 17:20
  dalam pengalaman Dynamics 365 lainnya.
• 17:23
  Bayangkan seorang karyawan penjualan
• 17:24
  atau layanan membuka catatan pelanggan
• 17:26
  di aplikasi yang sudah mereka gunakan.
• 17:28
  Kartu pelanggan menempatkan konteks pelanggan
• 17:29
  yang lebih luas di dekat pekerjaan sehari-hari mereka
• 17:31
  sehingga OTE mereka tidak perlu mencari
• 17:33
  di beberapa sistem sebelum setiap percakapan.
• 17:35
  Perjalanan customer insight juga menggunakan
• 17:37
  audiens dari pekerjaan.
• 17:38
  Journeys menangani komunikasi pelanggan
• 17:40
  seperti email, pesan teks, dan interaksi
• 17:42
  terencana lainnya.
• 17:44
  Data customer insights menyiapkan orang dan konteks.
• 17:47
  Journeys menggunakan audiens tersebut
• 17:48
  saat perusahaan memutuskan untuk berkomunikasi.
• 17:50
  Pisahkan pekerjaan tersebut dalam pikiran Anda.
• 17:52
  Data menjawab,
• 17:52
  oh siapa orang ini dan apa yang kita ketahui?
• 17:55
  Dan Journeys menjawab,
• 17:56
  oh komunikasi,
• 17:58
  apa yang harus terjadi selanjutnya?
• 18:00
  Dan pemisahan itu membantu tim
• 18:01
  menghindari kesalahan umum.
• 18:03
  Membangun segmen tidak secara otomatis
• 18:04
  berarti Anda harus menghubungi semua orang di dalam.
• 18:06
  Segmen mengidentifikasi grup
• 18:08
  berdasarkan fakta dan aturan.
• 18:09
  Seseorang masih perlu memutuskan
• 18:11
  apakah kontak masuk akal,
• 18:12
  saluran mana yang cocok,
• 18:13
  dan apakah pelanggan menghormati
• 18:14
  situasi pelanggan saat ini.
• 18:17
  Satu segmen bersama juga mengurangi
• 18:18
  masalah spreadsheet yang biasa terjadi.
• 18:20
  Pemasaran tidak memerlukan satu daftar
• 18:21
  yang dibersihkan secara manual,
• 18:23
  sementara penjualan menggunakan versi lain
• 18:24
  dan layanan menyembunyikan daftar ketiga
• 18:25
  dalam laporan.
• 18:26
  Tim bekerja dari aturan pelanggan yang sama
• 18:28
  maka ketika setiap tim
• 18:29
  mengambil tindakan yang berbeda.
• 18:30
  Data dapat melakukan perjalanan
• 18:31
  tetapi perlu batasan.
• 18:32
  Apakah Anda privasi,
• 18:34
  keamanan,
• 18:34
  dan perbedaan CDP?
• 18:35
  Jadi semakin besar profil pelanggan Anda,
• 18:38
  semakin besar pula tanggung jawab
• 18:39
  yang Anda pikul.
• 18:40
  Tanggung jawab itu dimulai
• 18:41
  dari privasi dan keamanan.
• 18:43
  Saat Anda menghubungkan nama,
• 18:45
  detail kontak,
• 18:46
  catatan pembelian,
• 18:46
  riwayat dukungan,
• 18:47
  dan aktivitas daring,
• 18:48
  Anda memerlukan aturan yang jelas
• 18:49
  untuk menangani informasi tersebut.
• 18:51
  Persetujuan,
• 18:52
  aturan privasi,
• 18:52
  dan kontrol akses semuanya penting
• 18:54
  sebelum Anda mulai menghubung.
• 18:55
  Data customer insights,
• 18:57
  mencakup privasi,
• 18:58
  keamanan,
• 18:59
  dan alat manajemen
• 19:00
  yang bekerja di balik layar.
• 19:02
  Anggap saja seperti
• 19:03
  meja keamanan di gedung perkantoran.
• 19:05
  Sederhananya,
• 19:05
  Anda menetapkan aturan
• 19:06
  tentang siapa yang dapat
• 19:07
  melihat informasi pelanggan
• 19:08
  dan bagaimana Anda menggunakan.
• 19:09
  Anda memikirkan izin pelanggan
• 19:10
  sebelum mengumpulkan data,
• 19:11
  menghubungkannya,
• 19:12
  membangun segmen,
• 19:13
  atau mengirimkannya ke alat.
• 19:14
  Begini,
• 19:14
  semakin banyak data,
• 19:15
  tidak berarti Anda dapat
• 19:16
  menggunakannya suka hati.
• 19:17
  Data harus sesuai dengan
• 19:18
  izin undang-undang
• 19:19
  dan aturan internal
• 19:20
  untuk setiap pelanggan.
• 19:21
  Pekerjaan itu dilakukan di awal,
• 19:22
  bukan setelah kampanye gagal
• 19:23
  atau pelanggan mengeluh.
• 19:25
  Jadi apa perbedaan CDP
• 19:26
  dengan alat pelanggan lainnya?
• 19:28
  Mari kita uraikan.
• 19:29
  Mari bandingkan dua contoh umum.
• 19:30
  Pikirkan tentang sistem CRM.
• 19:32
  Alat seperti Dynamics 365 Sales
• 19:34
  membantu tim penjualan
• 19:35
  dan layanan mencatat
• 19:36
  dan mengelola hubungan
• 19:36
  langsung dengan pelanggan.
• 19:38
  Tenaga penjualan menggunakannya
• 19:39
  untuk bekerja dengan prospek,
• 19:40
  peluang, panggilan, dan up.
• 19:41
  CRM melakukan
• 19:42
  satu pekerjaan dengan baik.
• 19:44
  Sementara data Customer Insights
• 19:45
  mengisi kesenjangan
• 19:46
  di seluruh pemasaran dan layanan.
• 19:47
  Data Customer Insights
• 19:49
  berfungsi di berbagai sumber
• 19:50
  yang disetujui.
• 19:51
  Data ini menghubungkan catatan.