所谓客户关系管理软件(Customer Relationship Management，下文简称 CRM)，是一种旨在管理和改善企业与其客户之间关系的应用类软件。客户关系管理软件系统的宗旨是：为满足每个客户的特殊需求，同客户建立联系，通过软件提供的各种同客户不同渠道的互动，以及随之产生的业务数据，从中提炼挖掘出客户的不同需求，并在此基础上进行一对一个性化服务。
常规的客户关系管理软件包括销售管理、商务管理，数据汇总和分析，市场营销管理、客户服务系统以及客户呼叫中心等模块。在全球企业向数字化转型的浪潮中，客户关系管理系统已经成为企业运营不可或缺的工具之一。
随着近些年人工智能的技术研究不断取得进展，大量原本在传统 CRM 系统里需要使用者手动操作才能完成的业务流程，借助人工智能技术可以得到大量简化甚至完全达到自动化。作为世界上最优秀的企业管理软件提供商之一，SAP 在传统的本地部署(On-Premises)系统架构和 Saas(Software-as-a-Service) 领域都推出了对应的解决方案，其中后者，部署在云端的 SAP CRM 解决方案，名叫 SAP Cloud for Customer(简称 C4C). 笔者在 SAP 成都研究院曾经从事过该系统的开发工作，本文将 C4C 和人工智能相关的业务流程和实现分享出来，希望对社区里致力于人工智能技术如何落地的朋友们有所启发。
SAP Cloud for Customer(下文简称 C4C) 在 1708 这个版本里最先引入使用人工智能的支持，用于销售场景中的 Deal Intelligence(智能交易)和服务场景中的 Automatic Ticket Classification(Ticket 智能分类)。到 C4C 1802 版本为止，SAP C4C 在销售和服务领域内经由人工智能增强的场景如下：
-
Deal Intelligence
-
Lead Intelligence
-
Account Intelligence
-
Ticket Intelligence
C4C 机器学习的思路是分析系统内已有的历史数据，进行模式识别，创建统计模型对将来的业务决策做出预测。因此历史数据成为 C4C 机器学习场景一个至关重要的输入条件。
SAP C4C 机器学习对于历史数据规模的要求是：对于相关场景至少存在过去 12 个月的数据，数量不得少于 5000 条，并且必须满足 SAP 官方文档上定义的特征分布。
C4C 机器学习功能在每个 tenant 上默认处于关闭状态。希望启用机器学习的客户需要向 SAP 提交一个 Incident，按照 SAP 提供的一个模板填写需要启用机器学习的具体场景。作为一个 SaaS 解决方案，绝大多数复杂的机器学习启用步骤都由 SAP 工作人员完成，剩下需要由 C4C 客户在 C4C tenant 上完成的步骤，仅仅是在 C4C工作中心视图 Predication Services 里进行简单的配置工作。
点击 Model Setup 超链接进行机器学习的模型配置：
注意图中的 Readiness 这一列，代表当前 tenant 上相关的历史数据的规模和分布是否足以满足 SAP 定义的创建机器学习训练模型的条件。
如果条件不满足，点击 View Report 能看到具体是历史数据的哪个维度不满足：
历史数据准备好之后，通过点击下图 Model 表格的工具栏上的按钮 Add Model 创建机器学习的模型，训练并激活模型，然后就能在C4C 的业务场景中使用机器学习提供的强大功能了。
我们注意到上图有一列 Data Source, 代表该场景需要的模型是否支持以外部文件的方式将历史数据导入系统。Auto Extraction 则代表直接使用当前 tenant 的数据作为历史数据。
等模型训练结束后状态变为 Active，就可以开始在 C4C 业务场景中使用机器学习了。
使用机器学习进行客户管理，我们可以得到客户360度全方位的视图。
打开 SAP C4C 的客户工作中心，在客户列表里选中任意一个客户进入明细页面，能在右边看到一个名为 Insights 的区域。
这些客户的 360 度视图是基于 C4C 内部和外部的数据源分析得出的,有助于销售人员进行更有针对性的客户计划和销售。C4C 的外部数据源采用的是第三方数据提供商 Bombora.
通过 Insights 面板，我们能够获得通过机器学习得出的每个客户的购买倾向的分数，并且能看出就我们关注的某一话题，该客户的行为和倾向到底如何。
Bombora 会从该客户相关的 B2B 网站上捕捉能够反映该客户购买倾向的各种线索。当检测到客户在某个话题上的线索数量有明显增加时，我们称这个客户就该话题表现出了一个 Surge，我们会给出Surge 的分数，范围在 1 到 99 之间，每周更新一次。
C4C 会将某个客户总的 Surge 分数显示在屏幕右侧 Insights 面板内，同时显示出 Surge 分数最高的前三个话题。下图 Surge 分数前三的话题依次为:
- Artificial Intelligence
- Machine Learning
- Collaboration Software
在 C4C 工作中心视图 Predication Services 的 Third Party Data 可以对 Insights 面板里需要关注的话题进行配置：
在销售商机（Opportunity）列表里选中某个商机，能看到右边会使用机器学习的方式给该商机打的分，该分数代表选中商机的赢单概率。
上面显示的分数是基于 SAP C4C tenant 上过去 12 个月的销售数据，经过训练之后的机器学习模型计算出来的。分数越高，赢单率越大，因此销售代表可以更有针对性的把资源放在优先级更高的商机上去。分数会每天更新一次。
为了让机器学习计算出来的得分更准确，需要 C4C 系统里至少存在 5000 条历史商机数据，并且这些历史商机数据里的"赢单"或者"输单"状态尽可能均匀分布。
Insights 标签页里显示的分数和 Key Feature（关键指标）全部是从 C4C 后台通过 HTTP 请求，以 JSON 格式返回到前台进行渲染。
这个 JSON 格式的响应明细如下(从 Chrome 开发者工具 Network 标签页里观察到的）：
大家平时在电商网站上买一个东西后，系统会自动向我们推荐一些其他我们可能会感兴趣的商品，这些推荐就是系统背后的人工智能模块，基于我们以前的购买习惯，通过一定的算法计算出来的。
C4C 同样支持使用机器学习根据销售订单历史数据进行向上销售(Up Selling)和交叉销售(Cross Selling)产品推荐。
我们可以在 Machine Learning Scenarios（机器学习场景）的列表里看到 Product Recommendation（产品推荐）这个场景。通过点击按钮 Add Model 创建一个新的机器学习模型，点击 Train进行训练，确保训练成功完成，状态变为 Active, 说明该模型可用。
创建一个新的 Product List(产品列表)，里面包含了需要销售的产品：下面的例子有两个产品，ID为 1042416 和 10001380.
如果是传统的产品推荐场景，假设当我在销售订单的行项目里维护了上述两个产品的 ID 后，还想推荐一些其他的产品，则需要通过人工的方式将这些推荐的商品维护到 Product list 的 Proposed Products 标签页里，如下图红色区域所示。
引入 AI 的支持后，就可以省去这些人工配置的步骤和工作量。我给这个 Product List 加上了一个 203 - Product Recommendation 的场景，如下图蓝色区域所示，希望让这个 Product List 里包含的产品被加入到销售订单时，通过人工智能的方式由 SAP C4C 系统自动推荐相关产品。
现在我们来做个测试，创建一个新的销售报价单，将之前维护在Product List 的某一个产品，比如 1042416，维护在这个销售报价单的行项目里，然后 C4C 系统自动给我推荐了两个其他产品，ID为 P140101 和 P140100.
下图是我从 ABAP 编程语言调试机器学习 API 调用得到的 JSON 响应在 JSON 编辑器里打开的截图。
可以看到 C4C 的人工智能模块给 ID 为 P140101 和 P140100 这两个产品计算的相关分数是 90 和 83.
以上就是人工智能技术在客户关系管理软件中的一些应用，希望能够对致力于将人工智能技术应用到实际业务场景中的同仁们有所帮助，感谢阅读。