Afwijkingsdetector
Afwijkingsdetectie is een techniek die wordt gebruikt voor het identificeren van ongebruikelijk of buitengewoon gedrag dat niet in overeenstemming is met de normale trend van een bedrijf.
Een plotselinge daling in aankopen of geconverteerde leads bijvoorbeeld, of een toename van studenten die cursussen voortijdig verlaten, kan duiden op een negatieve afwijking van het normale patroon. Een afwijking hoeft echter niet altijd te duiden op een negatieve trend. Als er sprake is van een stijging in de aankoopfrequentie of bezoeken aan onze website, laat dit een positieve trend zien. U kunt deze afwijkingen observeren, een conclusie trekken over wat ze betekenen en de vereiste vervolgacties ondernemen.
Over het algemeen biedt een afwijkingsdetectie nuttige inzichten in de trends in het bedrijf, die een cruciale rol kunnen spelen bij het beïnvloeden van belangrijke beslissingen. Besluitvormers kunnen bestaande processen wijzigen of betere ideeën en plannen inpassen door te kijken naar wat voor positieve veranderingen zorgt in de algehele gezondheid van hun bedrijf.
Beschikbaarheid
Profielmachtiging vereist: gebruikers met een beheerdersprofiel hebben toegang tot deze functie.
| Functies | Free | Standard | Professional | Enterprise |
| Analytisch dashboard | - |  |
Afwijkingsdetectie door Zia
Echte bedrijfsscenario's zijn vaak complex en vol onzekerheden, waardoor de kans op afwijkingen van het verwachte patroon vaak kan voorkomen. Het kan lastig zijn om de afwijkingen handmatig te vinden in enorme hoeveelheden gegevens. Met de afwijkingsdetector van Zoho CRM kunt u afwijkingen identificeren door realtime gegevenssets in te vullen in een verwacht patroon en gegevenspunten te signaleren die buiten dit patroon vallen.
Zia maakt gebruik van contextuele of voorwaardelijke afwijkingsdetectie om onregelmatig gedrag in de gebruikelijke trend te detecteren, waarbij een gegevensinstance alleen in een specifieke context wordt gemarkeerd als afwijkend (maar anders niet). Dat wil zeggen dat Zia de verwachte trend berekent door de huidige en vorige salestrends te controleren, en dat telkens wanneer een gegevensunit een afwijking van deze verwachte trend laat zien, deze wordt vastgelegd als een afwijking.
Hier volgen enkele afwijkingen die u kunt detecteren in Zoho CRM:
Wijzigingen aanbrengen in betrokkenheidsactiviteiten van klanten op basis van frequentie van het sluiten van deals: het salesteam kan een daling in sluitingspercentages van deals detecteren door gedurende een bepaalde periode de onregelmatigheden te analyseren in het aantal gesloten deals. Ze kunnen dit vergelijken met het patroon van geconverteerde leads, door te kijken naar het aantal contactpersonen dat is gemaakt tijdens de periode. Een daling in het aantal contactpersonen kan worden aangepakt door de processen voor het genereren van leads te wijzigen en betrokkenheidsactiviteiten van klanten te verbeteren.
In de onderstaande schermen hebben we het sluitingspercentage van deals berekend als een enkele metriek die drie afwijkende gegevenspunten laat zien.
Met de gerelateerde metriek krijgen we de verhouding tussen het aantal gesloten deals en het aantal gemaakte contactpersonen. De verhouding toont slechts twee afwijkende gegevenspunten. Het andere punt wordt niet beschouwd als een afwijking omdat het aantal gesloten deals evenredig is aan het aantal gemaakte contactpersonen.
Voorraad aanvullen omdat de vraag naar het product toeneemt: E-commerce-bedrijven kunnen proactief hun voorraad aanvullen door aankoopfrequentiepatronen te bewaken. Een piek in het aantal producten dat wordt verkocht, vergeleken met het aantal producten op voorraad, kan aangeven waar de voorraad van het product bijna op is, en degenen die verantwoordelijk zijn voor de voorraadniveaus, aansporen het product bij te bestellen.
Klachten van klanten snel aanpakken: Realtime signalering van afwijkingen kan bedrijven helpen bij het sneller oplossen van klachten van klanten. Een ongewoon hoog aantal cases voor de klantenservice wordt opgepikt door de afwijkingsdetector. De supportteams kunnen snel onderzoeken wat de oorzaak is van de problemen en escalaties als gevolg van vertragingen en de gerelateerde impact op de klantervaring voorkomen.
Aandacht voor de website verhogen: De afwijkingsdetector kan aangeven of uw webpagina minder bezoeken trekt. U kunt maatregelen nemen om meer verkeer te genereren door uw pagina te promoten op social media of te adverteren op andere pagina's, gastbloggers in te schakelen of met behulp van interne cross-linking.
De afwijkingsdetector instellen
In Zoho CRM kunt u een afwijkingsdetector maken voor zowel standaardmodules als aangepaste modules. U kunt de volgende aanvullende parameters opnemen tijdens het instellen van de afwijkingsdetector:
Related Metric (Verwante metriek): u kunt de afwijkende metriek vergelijken met een gerelateerde metriek om een verhouding tussen de twee te krijgen. Het tekenen van vergelijkingen kan nuttig zijn als het gedrag van één metriek in verband kan worden gebracht met de andere, zoals de sluiting van deals versus het aantal gemaakte contactpersonen, inschrijving voor een cursus versus het aantal afmeldingen, het aantal gemaakte cases versus het aantal geboden oplossingen.
Objective (Doelstelling): u kunt instellen of de verhoging van een waarde wordt beschouwd als positief of negatief. Een toename van het aantal deals dat werd gesloten, is bijvoorbeeld een positieve afwijking, maar een toename van het aantal cases voor de klantenservice is een negatieve afwijking.
Grouping (Groepering): als u de resultaten liever groepeert onder een bepaalde categorie, kunt u kiezen uit de volgende beschikbare dimensies: tijd, valuta, datum of een keuzelijstveld. U kunt bijvoorbeeld leads groeperen per bron of deals per fase. U kunt groepering alleen kiezen als u één metriek gebruikt. De groeperingsoptie is niet beschikbaar als u gerelateerde metriek gebruikt.
Let op:
Als u kiest voor het vergelijken van twee metrieken kunt u de resultaten niet onder één categorie groeperen. U kunt het gemiddelde van een metriek in de configuratie niet gebruiken als u kiest voor een gerelateerde metriek.
Voer de volgende stappen uit om een afwijkingsdetector te maken:
- Ga naar het tabblad Dashboards en klik op Add Component (Component toevoegen).
- Klik op Anomaly Detector (Afwijkingsdetector) in de lijst met componenten.
- Op de pagina Add Anomaly Detector (Afwijkingsdetector toevoegen) voert u de Component Name (Componentnaam) in.
- Bij Anomaly For (Afwijking voor) doet u het volgende:
- Selecteer een module waarvoor de afwijking moet worden berekend.
- Selecteer de maateenheid die een numeriek veld moet zijn (som, aantal, gemiddelde, maximum, enzovoort).
- Kies een datumveld (tijd laatste activiteit, tijd gemaakt, tijd gewijzigd, enzovoort) op basis waarvan de records in overweging worden genomen.
- Klik op Criteria Filter (Criteriafilter) om op te geven of geselecteerde records in overweging moeten worden genomen voor detectie.
- Schakel Compare with another metric (Vergelijken met andere metriek) in en selecteer module, maateenheid en datumveld net als in de vorige stap.
- Selecteer bij Anomaly Duration (Duur afwijking) de Duration (Duur) (deze week, vandaag, laatste 360 dagen, enzovoort) en de Frequency (Frequentie) (dagelijks, wekelijks of maandelijks) in de vervolgkeuzelijst.
- Selecteer bij Objective (Doelstelling) een van de volgende opties:
- Consider increase in value as positive (Beschouw verhoging van waarde als positief)
- Consider increase in value as negative (Beschouw verhoging van waarde als negatief)
- Schakel Group By (Groeperen op) in en selecteer een groepering uit de vervolgkeuzelijst.
- Klik op Save (Opslaan).
Let op:
Als u een grafiek wilt bewerken, verwijderen, afdrukken, toevoegen aan homepage, insluiten als URL of toevoegen aan favorieten, klikt u in de component op het pictogram Meer.
