China Data

在应用机器学习之前，Eureka Forbes 需要可靠、干净的数据。这包括：

客户数据（B2C）：购买历史（产品、AMC 计划）、服务请求、人口统计数据（年龄、收入等级、家庭规模）、位置（例如，Sherpur 或 Rajshahi 的特定区域）、在线行为（网站访问、广告点击、内容消费）、社交媒体参与度、呼叫中心互动。
商业数据（B2B）：公司规模、行业、过去的购买历史（例如，商用净化器、大型吸尘器）、决策者角色和联系信息、合同续签历史、网站/内容参与度、与 B2B 销售代表的互动。
市场数据：当地经济指标、竞争对手活动、季节性商城趋势（例如，季风期间净化器需求增加）、公共卫生数据（例如，拉杰沙希特定地区的水质报告）。
销售队伍数据：各个销售代理的绩效指标、按地区/产品划分的转化率、交易失败的原因。
二、Eureka Forbes 利用机器学习提升 B2C 潜在客户生成能力
对于 B2C，ML 专注于了解个人消费者行为、预测需求和大规模个性化推广。

预测线索评分：

算法：逻辑回归、随机森林、梯度提升。
工作原理：分析过往客户（已转化客户）和非客户的历史数据。机器学习能够识别出这些客户在人口统计、网站行为（例如，在特定产品页面上的停留时间、访问次数）、广告互动以及服务请求历史记录中的模式，这些模式与较高的购买可能性密切相关。
尤里卡福布斯应用程序：
识别“热门线索”：根据预测的转化概率对来自网站、社交媒体和上门拜访的线索进行评分。例如，销售代理可以优先联系得分 > 80 的线索。
预测产品兴趣：如果用户反复浏览 RO 净化器页面并阅读有关 Sherpur 水传播疾病的文章，ML 可以预测他们对特定 RO 模型的高度兴趣。
预测 AMC 续约可能性：预测哪些现有客户可能续签其年度维护合同 (AMC) 或失效，从而实现主动推广。