Sbo业务伙伴关系管理系统

简介:
对于采用Sbo作为企业生产资源规划的管理软件的企业,随着企业信息化建设的逐步完善和公司业务发展,需要结合当前企业资源管理软件的业务数据和业务流程建立面向企业供应商、销售客户、潜在客户等合作伙伴的关系管理软件,以适应企业不断增强的对供应商、客户的服务、业务信息的分析要求。
一、系统特点
结合客户关系管理系统的软件属性,考虑到企业当前采用的Erp管理系统,Sbo业务伙伴关系管理系统应该具有以下特点:
1、 呼叫中心支持。Sbo业务伙伴关系管理系统应该支持呼叫中心,呼叫中心作为联系供应商、客户、合作伙伴等业务伙伴的相关业务人员通过外部电话呼入方式,向企业进行业务咨询、交流和沟通,及时反应企业同合作伙伴之间的合作关系和合作质量的最简单最直接的交互手段,在客户关系管理中具有重要的业务支撑作用。
2、 无缝的Erp业务嵌入。Sbo业务伙伴关系管理系统应该支持对企业现行的Erp软件提供详实的数据分析和业务嵌入处理功能。能够将通过呼叫中心介入的客户关心的业务信息进行即时的查询、分析,并通过服务坐席准确及时的反馈给客户。对于通过业务伙伴关系管理系统登记的相关业务及活动,能够被企业现行的Erp管理软件所识别、提取并进行及时处理。
3、 多帐套支持。鉴于一些企业的业务现状,Sbo业务伙伴关系管理系统应支持多帐套业务,对帐套数据的优先级进行支持。根据不同的业务需要进行不同的处理,比如呼入弹屏按照信息优先级提取用户的相关资料,并可对客户的业务数据进行跨帐套分析和处理。
4、 完善的业务调度支持。Sbo业务伙伴关系管理系统应该具有完善的客户来电业务处理、追踪和反馈流程。通过呼叫中心登记的客户关系业务,通过接续或者调度人员进行调度处理后,交由相关部门在一定时期内进行处理,对于没有在指定的时期内进行处理的业务进行调度干预和追踪,并将处理结果通过主动服务功能及时反馈给业务伙伴。
二、系统构成
在系统建设上,Sbo业务伙伴关系管理系统包括硬件和软件两部分组成。硬件部分主要用以支撑呼叫中心的建立。对于小型的企业呼叫中心来说,采用板卡级的呼叫中心建设方案是个不错的选择。基于板卡级呼叫中心建设的需要,考虑到数据库服务器、值守坐席可以利用现行的设备,Sbo业务伙伴关系管理系统主要由以下设备和软件组成:
1、 硬件:
a) 数据库服务器:使用现行的设备和软件系统,采用MsSQL Server 2000作为数据库管理系统。
b) 呼叫中心服务器:采用专用的高质量的工控设备,主机主要规格为
i. 双核3.0G以上CPU、2G以上内存、40G以上硬盘
ii. 语音卡(选择数字语音卡可选采用中国7号信令卡)、坐席卡
2、 软件:
a) 系统软件:包括操作系统、数据库管理系统、工具软件等自备
b) 呼叫中心管理
i. 来电调度接续管理模块(CTI)
ii. 交互式语音应答模块(IVR)
iii. 主动呼出服务管理模块
c) 业务伙伴关系管理
i. 值守坐席业务处理
ii. 业务调度处理
iii. Erp业务数据查询、嵌入、分析
iv. 业务伙伴关系分析

d) SBO业务交互管理



本文转自foresun  51CTO博客,原文链接:http://blog.51cto.com/foresun/88464,如需转载请自行联系原作者

相关文章
|
数据可视化 前端开发 Java
Python3+ Django3:自动生成Swagger接口文档
Python3+ Django3:自动生成Swagger接口文档
1497 0
Python3+ Django3:自动生成Swagger接口文档
|
机器学习/深度学习 监控 数据挖掘
数据并非都是正态分布:三种常见的统计分布及其应用
这篇文章除了介绍线性模型在减肥app预测中的不切实际性,还探讨了不同统计分布在体重管理和数据分析中的应用。文章提到了正态分布和泊松分布,前者常用于描述围绕平均值对称分布的连续数据,如体重;后者适合计数数据,如体重变化次数。正态分布以其钟形曲线闻名,泊松分布则描述独立事件的数量。文章还简要介绍了卡方分布在检验分类变量关系时的作用。最后,文章指出了在线性回归中假设数据正态分布的原因,包括便于统计推断和最小化估计误差。
1504 5
|
7月前
|
人工智能 安全 搜索推荐
宜搭AIOA:AI+低代码重构OA生态,打通人财物事数据流,解锁办公效能新高度
AIOA协同办公解决方案基于钉钉+低代码+AI构建,以钉钉为底座,提供快速迭代的OA应用。方案内置三大主线应用(销售、采购、财务费用闭环),支持独立或关联使用,并预置高频OA场景如固定资产、车辆管理等,实现开箱即用。面对传统办公模式挑战,AIOA从单一到协同、人工到智能、人治到数治、分散到聚合全面升级。工作空间角色化、流程管理一体化、专属AI助理智能化,覆盖营销、采购、费控、资产管理等全生命周期,助力企业高效数字化转型。
510 8
|
12月前
|
存储 监控 算法
Java虚拟机(JVM)垃圾回收机制深度解析与优化策略####
本文旨在深入探讨Java虚拟机(JVM)的垃圾回收机制,揭示其工作原理、常见算法及参数调优方法。通过剖析垃圾回收的生命周期、内存区域划分以及GC日志分析,为开发者提供一套实用的JVM垃圾回收优化指南,助力提升Java应用的性能与稳定性。 ####
|
网络协议 网络架构
OSPF中的External LSA详解
OSPF中的External LSA详解
463 4
|
机器学习/深度学习 数据采集 Python
从零到一:手把手教你完成机器学习项目,从数据预处理到模型部署全攻略
【10月更文挑战第25天】本文通过一个预测房价的案例,详细介绍了从数据预处理到模型部署的完整机器学习项目流程。涵盖数据清洗、特征选择与工程、模型训练与调优、以及使用Flask进行模型部署的步骤,帮助读者掌握机器学习的最佳实践。
768 1
|
分布式计算 运维 DataWorks
MaxCompute产品使用问题之数据如何导出到本地部署的CK
MaxCompute作为一款全面的大数据处理平台,广泛应用于各类大数据分析、数据挖掘、BI及机器学习场景。掌握其核心功能、熟练操作流程、遵循最佳实践,可以帮助用户高效、安全地管理和利用海量数据。以下是一个关于MaxCompute产品使用的合集,涵盖了其核心功能、应用场景、操作流程以及最佳实践等内容。
189 1
|
SQL 安全 测试技术
Burpsuite Decoder解码功能实战
Burpsuite Decoder解码功能实战
|
数据采集 数据可视化 数据挖掘
利用 Jupyter 实现自动化报告生成 展示如何结合 Jupyter 和 Python 库
【8月更文第29天】为了创建自动化报告,我们可以利用 Jupyter Notebook 结合 Python 的强大库如 Pandas、Matplotlib 和 Seaborn 来处理数据、制作图表,并使用 Jinja2 模板引擎来生成 HTML 报告。这种方式非常适合需要定期生成相同类型报告的情况,比如数据分析、业务报表等。
889 1
|
机器学习/深度学习 人工智能 搜索推荐
语音识别技术的现状与未来展望
【6月更文挑战第15天】**语音识别技术现状与未来:** 随AI发展,语音识别精度与速度大幅提升,应用广泛,从手机助手到智能家居。深度学习驱动技术进步,跨语言及多模态交互成为新趋势。未来,精度、鲁棒性将增强,深度学习将进一步融合,个性化和情感化交互将提升用户体验。跨领域融合与生态共建将推动技术普及,为各行业带来更多智能解决方案。但同时也需关注技术伦理和社会影响。
1119 2