建議的區段 （預覽）

[本文章是發行前版本文件，隨時可能變更。]

Dynamics 365 Customer Insights - Data 可以根據活動或量值建議客戶細分。

根據活動建議的區段 （預覽版）

根據擷取至 Customer Insights - Data 的客戶活動資料，探索客戶的有趣區段。 活動資料的範例包括交易、支援通話持續時間、購買或退貨。 為了建議區段，系統會分析活動資料的最近度、頻率和貨幣價值 （或持續時間）。

依活動分類客戶

透過 Customer Insights - Data 中可用的 活動資料 ，我們可以產生代表客戶群組的建議：

• 最活躍的客戶
• 購買次數最多的客戶
• 產生最多收入的客戶
• 最近沒有活躍的顧客
• 經常與您的企業互動的客戶

如果您有零售業務，您可以找出哪些客戶產生最多的收入，並用優惠券獎勵他們。 或者，您可以識別偶爾的客戶並邀請他們加入獎勵計劃，以便他們更頻繁地訪問您的企業。 如果您提供公共醫療保健，並且您的目標是盡量減少個別患者的費用，您可以嘗試通過在盡可能少的就診次數內提供最好的護理來減少經常就診。 在這種情況下，您的目標是保持較低的就診頻率並最大限度地減少患者的經常性成本。 或者，您可以識別經常預約和經常性成本高的患者群體，並分析這些病例以改善個人的治療。

以量值為基礎的建議區段 （預覽版）

在 AI 模型的幫助下發現有趣的客戶群。 此機器學習支援的功能會根據量值或客戶屬性建議區段。 它可以幫助改進您的關鍵績效指標 （KPI） 或更好地了解屬性在其他屬性上下文中的影響。

改善 KPI 的建議區段

如果您使用建立的 量值 來協助追蹤 KPI，請建立區段以檢視對 KPI 的影響。 您可以使用此資訊來執行高度針對性的行銷活動。

例如，您追蹤名為 TotalSpendPerCustomer 的量值。 作為一家企業，您希望看到這個數字增長。 選擇量值作為主要屬性，選取您要評估影響的屬性。 比方說 會員等級、 會員期限和 職業。 Customer Insights - Data 然後可以建議一個客戶細分，告訴您誰是該度量的最大影響。 例如，作為金牌會員且已在您的企業工作至少五年的會計師是 TotalSpendPerCustomer 的最大影響者。 您會收到每個建議的預估區段大小。 您可以使用此資訊為目標對象建立行銷活動。

了解影響客戶屬性的因素

您可以選擇客戶屬性，而不是量值作為主要屬性。 根據您選擇的影響屬性，AI 模型會建立一系列建議，顯示所選屬性如何影響主要屬性。

例如，您選擇 Rewards Member （是/否） 作為主要屬性。 任期、 職業和 支持票數 被設置為其他影響屬性。 人工智慧模型可以建議部分，表明大部分任期超過兩年的 IT 專業人員是獎勵會員。 另一個建議可以強調，任期超過一年且支持票少於三張的會計師是獎勵會員。

人工智慧的使用

使用主要屬性和影響屬性，決策樹演算法會建議有趣的區段。 這些建議是基於人工智慧演算法所拾取的規則或模式。 只有與平均母體顯著不同的區段才會顯示為建議。 與平均母體的比較是根據選取的量值或主要屬性。

負責任的人工智慧

使用建議的區段，您可以選取屬性以建立新區段並處理您選取的資料。 選擇屬性 （包括種族、性取向或性別等敏感屬性） 時，您必須確保能夠且應該處理該資料。 您有責任遵守適用於您組織的任何法律，並遵守您組織的原則和隱私權政策。

具有種類值和數值的主要屬性的不同結果

如果您選擇數值屬性或類別屬性作為主要屬性，則區段建議會有所不同。 類別屬性中的值包含兩個或多個種類或類型。 數值屬性包含定量資料，並具有與之相關聯的測量意義。

以 年收入 或 會員期間 等數值屬性作為主要屬性，系統會建議與所有客戶相比，數值屬性平均值較高或較低的區段。

以 客戶滿意度 等類別屬性作為主要屬性，會導致建議的區段與屬於相同類別的所有客戶百分比相比，屬於特定類別的客戶百分比較高或較低。 例如， 選擇客戶滿意度 作為主要屬性，它由三個類別（低、 中 和 高）組成。 對於每個類別，系統會建議區段，與相同類別中所有客戶的比例相比，屬於該類別的客戶百分比較高或較低。 如果所有客戶中有 22% 具有 「高 滿意度」，則只會針對該類別建議具有較高或較低 滿意度客戶 比例的客戶%。 同樣地，如果其他每個類別（低 和 中）具有統計顯著性，則會建議區段。

後續步驟

• 根據活動產生建議的區段 （預覽版）
• 根據量值產生區段