Dự đoán tỷ lệ khách hàng rời bỏ doanh nghiệp với Zia

Trong thời gian tư vấn khách hàng doanh nghiệp và cá nhân, tôi nhận thấy Zia Churn Prediction đang không được quan tâm hoặc quan tâm nhưng không hiểu đúng dẫn đến không tận dụng đúng và tốt nhất. Đây là động lực khiến tôi quyết định dịch một số bài viết từ trang Zoho.com sang tiếng Việt để đối tượng khách hàng người Việt hiểu biết sản phẩm Zoho CRM tốt hơn, tận dụng Zia để giải quyết vấn đề, mang lợi ích về cho doanh nghiệp.

Zia là gì

Zia là trợ lý AI của Zoho, giúp tối ưu hóa dữ liệu CRM thông qua khai thác dữ liệu và máy học để cung cấp thông tin kinh doanh quan trọng như dự đoán doanh số, khuyến nghị, cảnh báo, làm giàu dữ liệu, thông tin chi tiết về tiếng nói của khách hàng từ nhiều kênh khác nhau, bất thường, dự báo, AI đàm thoại, v.v.

Zia giúp tiết kiệm thời gian bằng cách giảm thao tác thủ công và những lỗi ngoài ý muốn do hoạt động này tạo ra; giúp cải thiện khả năng xử lý dữ liệu và giúp bạn hiểu nhu cầu và hành vi của khách hàng để bạn có thể cung cấp trải nghiệm khách hàng được cá nhân hóa.

Trước khi bắt đầu

Hiện nay, một trong những thách thức lớn nhất mà doanh nghiệp đang đối mặt là tình trạng mất khách hàng. Điều này có nghĩa khách hàng đang từ chối dịch vụ hoặc sản phẩm doanh nghiệp của bạn. Đây là mối đe doạ với bất kỳ doanh nghiệp đang phát triển vì nó có thể ảnh hưởng tiêu cực về tài chính và hoạt động.

Khi nghĩ về tình trạng mất khách hàng, có hai trường hợp:

• nhận thức được tình trạng mất khách hàng sau khi nó đã xảy ra và bù đắp cho nó,
• và không nhận thức được nó chút nào.

Cả hai đều nguy hiểm như nhau và sẽ khiến bạn phải trả giá đắt.

Ví dụ, khi bạn biết X số lượng khách hàng đã rời đi, hành động ngay lập tức của bạn có thể là bắt đầu những nỗ lực mới để có khách hàng mới nhằm bù đắp những khách hàng đã mất. Tuy nhiên, điều này có thể khiến bạn tốn nhiều công sức, thời gian và tiền bạc hơn so với nỗ lực giữ chân khách hàng.

Theo một nghiên cứu về mối quan hệ khách hàng trung thành do Bain & Company thực hiện, chi phí để có và thu hút một khách hàng mới cao hơn gấp 5 lần so với việc giữ chân một khách hàng hiện tại.

Do đó, việc quan sát và hành động cố gắng cứu vãn này sẽ không có lợi cho bất kỳ doanh nghiệp nào đang mở rộng.

Khả năng thứ hai thậm chí nguy hiểm hơn - doanh nghiệp không biết khách hàng đã rời bỏ hoặc họ rời bỏ khi nào.

Trong bài viết xuất bản bởi Hufpost, Esteban Kolsky quan sát chỉ có khoảng 1 trong số 26 khách hàng không hài lòng phàn nàn về trải nghiệm tồi tệ của họ, số còn lại âm thầm rời bỏ doanh nghiệp.

Vì vậy, hoặc là bạn đang bận bù đắp cho những khách hàng đã mất bằng cách đầu tư rất nhiều vào việc thu hút khách hàng tiềm năng. Hoặc tệ hơn, bạn nhận thức khi đã quá muộn.

Trong cả hai trường hợp, giải pháp hiệu quả duy nhất để giảm tình trạng khách hàng rời bỏ (customer churn) là tìm ra cách chủ động nhận ra tình trạng trước khi nó thực sự xảy ra. Bạn cần một tiện ích để xác định khách hàng rời bỏ khi họ thể hiện hành vi hoặc dấu hiệu rời bỏ. Chỉ khi bạn biết khách hàng nào đang rời bỏ và khi nào họ rời bỏ, bạn sẽ có thể giải quyết chúng bằng các biện pháp tốt nhất.

Và đây là lúc Churn Prediction của Zia giúp bạn.

Zia - trợ lý thông minh của Zoho CRM - được thiết kế để nghiên cứu hành vi của khách hàng, phân tích mô hình và tần suất giao dịch của khách hàng, và đưa dự đoán theo thời gian thực về xác xuất rời bỏ (churn probability). Vì Zia có thể phát hiện một khách hàng có khả năng rời bỏ ngay tại thời điểm đó nên bạn có thể nhận biết tất cả thiếu sót và ngăn chặn sự suy giảm khách hàng.

Zia's churn prediction

Khả năng dự đoán tỷ lệ khách hàng rời bỏ của Zia bao gồm việc xác định xem khách hàng có rời bỏ doanh nghiệp của bạn không và họ đang mất hứng thú sản phẩm hoặc dịch vụ cụ thể nào. Không dừng lại ở đó, Zia cũng liệt kê chi tiết những lý do gây ra tình trạng rời bỏ.

Trên churn prediction widget, bạn có thể thấy xác suất churn dưới dạng điểm số hiển thị trên hồ sơ khách hàng. Điểm càng cao, xác suất churn càng cao.

Khi nhấp vào Tìm hiểu thêm (Know More), một cửa sổ xuất hiện sẽ hiển thị chi tiết lý do về khả năng khách hàng rời bỏ.

Ở cửa sổ này, bạn biết tỷ lệ đóng góp của từng lý do tại thời điểm tạo dự đoán. Ví dụ, nếu chất lượng dịch vụ kém, các ưu đãi cạnh tranh từ đối thủ cạnh tranh và các vấn đề về thanh toán là những lý do chính khiến khách hàng có thể rời bỏ doanh nghiệp. Thông tin này giúp minh bạch và cho phép bạn hiểu lý do đằng sau các dự đoán về tình trạng khách hàng rời bỏ dịch vụ hoặc sản phẩm.

Mặt khác, Churn Preventing Factors liệt kê các yếu tố giúp duy trì sự tương tác của khách hàng, và tránh hoặc trì hoãn khả năng mất khách hàng, cùng với giá trị mà từng yếu tố nắm giữ.

Những lý do này sẽ được xác định bằng cách xem xét tất cả các điểm tiếp xúc của mô-đun khách hàng (customer module touch points), bao gồm các điểm dữ liệu từ các mô-đun liên quan và dữ liệu VOC (Voice of the Customer).

Kịch bản Kinh doanh

Zia phân tích hồ sơ khách hàng để tìm khả năng rời bỏ (churn) dựa trên cấu hình bạn thiết lập. Bất kể mô hình doanh thu (revenue model) của bạn là gì - dựa trên đăng ký thành viên (subscription-based) hay không - Zia sẽ điều chỉnh dự đoán để đánh giá tỷ lệ phần trăm rời bỏ (churn).

Như bạn có thể thấy, đối với hồ sơ khách hàng theo đăng ký (subscription-based customers), Zia sẽ hiển thị điểm churn, tỷ lệ churn dựa trên sản phẩm/ dịch vụ họ đã đăng ký, và đối với hồ sơ không theo mô hình đăng ký (not subscription-based), Zia chỉ hiển thị điểm churn vì nó không thể xác định được sản phẩm.

Hãy cùng xem một số ví dụ:

Dự đoán sự rời bỏ (churn) cho một nhà cung cấp dịch vụ viễn thông

(Dự đoán sự rời bỏ trong mô hình đăng ký - subscription model)

Zylker Communications là nhà cung cấp kết nối điện thoại, internet và kết nối vệ tinh. Họ cung cấp hai phương thức thanh toán - trả trước và trả sau - để phục vụ hai loại khách hàng khác nhau. Do đó, mô hình doanh thu của Zylker Communicators là khách hàng phải đăng ký thành viên để sử dụng dịch vụ. Mặc dù nhiều người có xu hướng nhận định việc đăng ký thành viên cho thấy lòng trung thành của khách hàng với doanh nghiệp, nhưng Zylker đang mất một lượng đáng kể khách hàng mỗi tháng. Mục tiêu của Zylker là xác định sản phẩm đang bị rời bỏ (churn) nhiều nhất và xác định càng sớm càng tốt. Đây chính là lúc Zia's Churn Prediction) có thể giúp. Bằng cách phân tích dữ liệu và lịch sử giao dịch của khách hàng, Zia phát hiện hồ sơ đang trên bờ vực rời bỏ (churn) và đánh giá khả năng rời bỏ (churn) của chúng.

Sau đó, Zylker có thể thực hiện các bước để khôi phục lượng khách hàng rời bỏ (recover the churning customers) bằng cách sử dụng công cụ tự động như Workflow Rules.

Dự đoán tỷ lệ rời bỏ (churn) cho một cửa hàng bán lẻ

(Dự đoán sự rời bỏ cho mô hình doanh thu không định kỳ)

Zarrow là một cửa hàng bán lẻ trực tuyến quốc tế bán đủ loại sản phẩm và họ đang tìm cách xác định khách hàng đang rời bỏ trước khi Zarrow suy yếu hơn. Tuy nhiên, đối với một doanh nghiệp có mô hình doanh thu không dựa trên đăng ký, mỗi giao dịch trở thành một cơ hội kinh doanh mới. Ngoài ra, khi tương tác của khách hàng không định kỳ, việc theo dõi tình trạng rời bỏ trở nên khó khăn. Bất kể thế nào, Zia có thể giúp giải quyết yêu cầu này nhiều nhất có thể. Với định nghĩa về khách hàng đang hoạt động và đã rời bỏ được cấu hình và với khả năng phân tích lịch sử giao dịch của khách hàng, Zia sẽ xác định xác xuất rời bỏ dựa trên hành vi hiện tại của khách hàng.

Zia cung cấp tỷ lệ rời đi (churn probability) cho từng khách hàng theo từng trường hợp cụ thể.

Nhấp vào đây để xem khả năng sử dụng điểm số này trong các hoạt động CRM hàng ngày của bạn.

Cấu hình Zia Churn Prediction

Để Zia bắt đầu dự doán tình trạng rời đi (churn), bạn cần cung cấp cho Zia thông tin khách hàng và phương thức thanh toán. Chỉ trong khoảng bốn bước, bạn có thể cấu hình dự đoán và Zia sẽ so sánh và tính toán tỷ lệ rời bỏ (churn) trong doanh nghiệp của bạn.

Bước 1: Chỉ định thông tin khách hàng.
Bước 2: Chỉ định mô-đun thanh toán.
Bước 3: Xác định tiêu chí thanh toán thành công.
Bước 4: Xác định tình trạng rời bỏ (churn) của khách hàng cho Zia.

Bước 1: Cấu hình thông tin khách hàng

Bước đầu tiên là hướng dẫn Zia nơi lấy thông tin khách hàng của bạn. Dự đoán về tỷ lệ rời bỏ (churn) sẽ được hiển thị cho các hồ sơ trong mô-đun này. Nó có thể là một mô-đun tiêu chuẩn (standard module) hoặc bất kỳ mô-đun tuỳ chỉnh (custom module) trong Zoho CRM.

Chỉ định tiêu chí (Specify criteria): Bạn có thể áp dụng dự đoán cho tất cả các hồ sơ trong mô-đun khách hàng hoặc chỉ cho những hồ sơ đáp ứng tiêu chí cụ thể.

Ví dụ:
Hãy tưởng tượng bạn có mục tiêu doanh thu theo quý và muốn nhận thông báo về bất kỳ thiếu sót nào có thể làm ảnh hưởng đến doanh thu. Bạn có thể bật dự đoán rời bỏ (churn prediction) cho tất các hồ sơ trong mô-đun của mình và chủ động để giải quyết bất kỳ rời bỏ nào có thể xảy ra.

Nếu bạn muốn biết có bao nhiêu khách hàng trung thành sắp rời bỏ, bạn có thể đặt tiêu chí dựa trên điểm số rời bỏ của họ (churn scores).

Bước 2: Chỉ định mô-đun thanh toán

Sau khi hướng dẫn Zia biết khách hàng là ai, đã đến lúc cho Zia biết thông tin giao dịch của khách hàng được lưu trữ ở đâu trong Zoho CRM. Thông tin từ mô-đun này sẽ được sử dụng để tìm hiểu các mẫu thanh toán của khách hàng. Nó có thể là bất kỳ mô-đun tiêu chuẩn (standard module) hoặc tuỳ chỉnh (custom module). Các mô-đun được tạo do hoạt động tích hợp (integration) sẽ không được liệt kê.

Bước 3: Xác định tiêu chí thanh toán thành công

Bây giờ Zia đã biết khách hàng của bạn là ai và thông tin thanh toán của họ ở đâu, bạn cần cho Zia biết thế nào là thanh toán thành công. Cơ bản, bạn đang đào tạo Zia để tìm kiếm các hành vi mong đợi của khách hàng đang hoạt động (active customers).

Ví dụ:
Bạn có thể dạy Zia trường hợp mà xác suất giao dịch là 80% trở lên đại diện cho thanh toán thành công. Tiêu chí này đóng vai trò tham chiếu để phân loại hồ sơ khách hàng tương lai trong mô-đun.

Chỉ định ngày thanh toán (Specify the payment date): Ngày thanh toán là bất kỳ trường nào có trong mô-đun. Bạn có thể sử dụng ngày bắt đầu (starting date) hoặc ngày kết thúc (closing date) để chỉ ra lịch trình thanh toán (payment schedule).

Chỉ định mô hình doanh thu của doanh nghiệp (Specify your business's revenue model): Dựa trên dịch vụ hoặc sản phẩm, bạn sử dụng mô hình doanh thu thanh toán định kỳ hoặc một lần. Zia cần biết thông tin này để hiểu tần suất thanh toán.

Đối với mô hình doanh thu dựa trên đăng ký (subscription-based revenue model) như nhà cung cấp dịch vụ viễn thông, dịch vụ phát trực tuyến hoặc nhà cung cấp SaaS, khoản thanh toán dự kiến sẽ được thực hiện hàng tháng hoặc hàng năm. Bạn chỉ cần chỉ vào trường hoặc mô-đun đang lưu thông tin về đăng ký đang hoạt động (active subscription) và Zia sẽ theo dõi tiến trình sau đó.

Đối với mô hình doanh thu không dựa trên đăng ký (non subscription-based payment model) như mua hàng trong cửa hàng trực tuyến hoặc giao dịch FMCG, Zia sẽ tham khảo những giao dịch trước đó của khách hàng và tần suất thanh toán để đưa ra dự đoán về tỷ lệ huỷ đơn hàng.

Bước 4: Xác định tỷ lệ khách hàng rời bỏ

Cũng giống như cách bạn định nghĩa đặc điểm của khách hàng đang hoạt động (active customers) ở trên, Zia cần hiểu đặc điểm của khách hàng rời bỏ (churned customers).

Ví dụ:
Bạn có thể hướng dẫn Zia phân loại hồ sơ có xác suất giao dịch dưới 50% là khách hàng rời bỏ.

Cách cấu hình dự đoán rời bỏ (churn prediction)

• Vào Thiết lập (Setup) > Zia > Dự đoán (Prediction) > Dự đoán Churn (Churn Prediction)
• Nếu bạn đang cấu hình lần đầu, hãy nhấp vào Bắt đầu (Get Started)

• Để tạo cấu hình churn mới, hãy nhấp vào nút Dự đoán mới (New Prediction)

• Trong trang Tạo dự đoán Churn mới (Create New Churn Prediction) hãy thực hiện như sau:
  • Cung cấp tên duy nhất (unique name) cho cấu hình dự đoán
  • Trong trường Bạn lưu trữ thông tin khách hàng ở đâu? (Where do you store your customer information?), hãy chọn một mô-đun khách hàng.
    • Trong tuỳ chọn Dự đoán churn cho (Churn prediction for), hãy chọn Tất cả (All) nếu bạn muốn dự đoán cho tất cả các hồ sơ trong mô-đun khách hàng.

• Chọn Đã chọn (Selected) nếu bạn chỉ muốn dự đoán tỷ lệ huỷ đơn hàng đối với các hồ sơ cụ thể, sau đó cung cấp tiêu chí.

• Trong trường mô-đun Thanh toán (Payment module), hãy chọn mô-đun nơi lưu trữ thông tin thanh toán của khách hàng.

• Trong trường Tiêu chí thanh toán thành công (Successful payment criteria), hãy nhập tiêu chí nhận dạng thanh toán thành công.
  • Chọn ngày thanh toán (Payment date)
  • Trong trường Khách hàng của bạn có thanh toán bằng mô hình doanh thu dựa trên đăng ký không? (Do your customers pay using a subscription-based revenue model?)
    • Chọn Có (Yes) nếu thanh toán của bạn là định kỳ và chọn trường nơi bạn lưu trữ thông tin về đăng ký trong trường hợp Đăng ký đang hoạt động (Active subscription).

• Chọn Không (No) nếu bạn chỉ thanh toán theo định kỳ.

• Trong trường Bạn định nghĩa tình trạng mất khách hàng như thế nào? (How would you define customer churn?), hãy chọn tiêu chí xác định tình trạng mất khách hàng.

• Nhấp vào Lưu (Save).

Xem trang chi tiết dự đoán

Sau khi bạn lưu mô hình dự đoán (prediction model), Zia sẽ thông báo cho bạn biết nó đã học được cấu hình của bạn hay chưa và hiển thị tóm tắt cấu hình, thông tin bổ sung về dự đoán và độ chính xác của mô hình.

Tóm tắt cấu hình
Zia sẽ tóm tắt dự đoán rời bỏ này đã cấu hình thế nào. Nó liệt kê tất cả tiêu chí và trường được sử dụng trong cấu hình để tham khảo nhanh.

Thông tin bổ sung
Đối với mọi dự đoán, dựa trên mô hình doanh thu, Zia sẽ tạo các trường tuỳ chỉnh bên trong trang hồ sơ chi tiết. Thông tin về trường đã tạo được liệt kê trong phần Thông tin bổ sung (Additional information)

Trường điểm là số tự nhiên. Dự đoán là trường văn bản.

Độ chính xác của mô hình (Model accuracy)
Độ chính xác của mô hình là một cuộc tự kiểm tra mà Zia thực hiện để đánh giá mức độ thành công của việc tự học mẫu dự đoán và là một chỉ báo về chất lượng dự đoán. Điểm càng cao thì độ chính xác dự đoán sẽ càng cao.

Điểm được thiết lập theo thang điểm từ 1 đến 100:

• Bất kỳ điểm nào trên 80 đều là điểm tuyệt vời. Nó có nghĩa dự đoán sẽ chính xác.
• Điểm từ 60 đến 80 được coi là trung bình. Mặc dù dự đoán có thể được sử dụng ở mức độ nào đó, nhưng không phải lúc nào cũng có thể tin cậy vào dự đoán.
• Bấy kỳ điểm số nào dưới 60 đều là điểm kém và Zia sẽ kết luận dự đoán có sai sót.

Để cải thiện độ chính xác của mô hình, Ziahttps://www.zoho.com/zia/ sẽ đào tạo lại hoặc học lại mô hình sau mỗi hai tuần.

Dữ liệu sử dụng Churn (Churn Usage Data)
Ngoài dữ liệu giao dịch (transactional data) và dữ liệu sử dụng (usage data), Zia Churn cũng có thể tích hợp với các nguồn dữ liệu như Google Analytics. Tích hợp này cho phép Zia phân tích tương tác của khách hàng với dịch vụ hoặc sản phẩm của bạn. Những khách hàng đã thiết lập dự đoán rời bỏ (churn prediction) trong CRM sẽ có tuỳ chọn bật churn dựa trên dữ liệu sử dụng (churn based on usage data).

Sau khi thiết lập hoàn tất và cấp các quyền cần thiết, Zia sẽ sử dụng kết hợp dữ liệu giao dịch (transactional data) và dữ liệu sử dụng (usage data) để cung cấp dự đoán rời bỏ (churn prediction) chi tiết hơn. Ngoài ra, các biện pháp xử lý lỗi mạnh mẽ được áp dụng để đảm bảo tính toàn vẹn và độ chính xác của dữ liệu được sử dụng.

Để thêm dữ liệu sử dụng (To add usage data)
Trên trang chi tiết dự đoán rời bỏ (churn prediction), nhấp vào Thêm (Add) bên dưới Churn Usage Data.

• Cửa sổ Chọn một Dịch vụ (Pick a Service) xuất hiện. Bạn chọn từ Google Analytics hoặc Mixpanel, sau đó nhấp vào Tiếp theo (Next).
• Đối với Google Analytics, hãy thực hiện các bước sau trên trang uỷ quyền (authorization page):

• Chọn Kết nối (Connection) từ danh sách tuỳ chọn thả xuống.
• Cung cấp Property ID. Trường hợp bạn không có Khoá chính (Primary key), hãy nhấp vào đây để tìm hiểu thêm.
• Chọn trường Google Analytics (Google Analytics field) để liên kết và đồng bộ hoá với trường khách hàng trong mô-đun trong Zoho CRM. Tương tự, bạn có thể làm theo các bước trên để uỷ quyền với Mixpanel.
• Nhấp vào Uỷ quyền (Authorize).

Đang chờ dữ liệu
Nếu dữ liệu của bạn chưa đủ lớn, Zia sẽ hiển thị số lượng khách hàng đang hoạt động và số lượng khách hàng đã huỷ hiện có trong mô-đun khách hàng trong phần Đang chờ dữ liệu (Waiting for data). Như đã đề cập ở trên, Zia cần tối thiểu 200 bản ghi để nghiên cứu và tổng hợp dữ đoán.

Ngoài bản tóm tắt cấu hình churn (churn configuration), trạng thái dự đoán có thể được lấy từ Bảng thông báo Zia (Zia notification panel).

Xem dự đoán rời bỏ (churn predictions)

Là một khả năng chính, Zia so sánh hành vi đã được cấu hình với hành vi của khách hàng và phân loại họ thành khách hàng đang hoạt động (active customers) hoặc khách hàng đã rời bỏ (churned customers).

• Nếu Zia dự đoán khả năng rời bỏ tiềm ẩn (potential churn), một tiện ích sẽ hiển thị ở trang hồ sơ chi tiết, cùng với tên của quy tắc dự đoán (prediction rule) và điểm số xác suất rời bỏ (churn probability score).
• Nếu Zia dự đoán một khách hàng đang hoạt động (customer is active), sẽ không có dự đoán nào được hiển thị.

Dựa trên kết quả của dự đoán rời bỏ (churn predictions), Zia cũng sẽ sử dụng giới hạn trường tuỳ chỉnh và hiển thị hai trường chỉ đọc (read-only) trên trang hồ sơ chi tiết cho các mô hình doanh thu dựa trên đăng ký (subscription-based revenue models). Xem thêm: Làm việc với các trường tuỳ chỉnh trong Zoho CRM.

• Điểm số rời bỏ (Churn score): Điểm hiển thị xác suất rời bỏ của hồ sơ.
• Dự đoán rời bỏ (Churn prediction): Trường dự đoán hiển thị trường đăng ký đang hoạt động (active subscription field) được liên kết với hồ sơ khách hàng (customer record).

Trong trường hợp mô hình thanh toán không dựa trên đăng ký (non subscription-based payment models), chỉ có điểm số rời bỏ (churn score) được hiển thị trên trang hồ sơ chi tiết.

Diễn giải về điểm số rời bỏ (Interpreting churn score):

Điểm số rời bỏ là khả năng khách hàng rời bỏ dịch vụ hoặc sản phẩm. Điểm càng cao thì khả năng khách hàng rời bỏ càng cao.

Hành động theo dự đoán rời bỏ của Zia trong Zoho CRM

Dự đoán churn là một chỉ báo về hiệu suất kinh doanh của bạn. Bạn có thể sử dụng giá trị trường của điểm dự đoán và sản phẩm trên CRM để thực hiện các hành động khác nhau và nhận được thông tin chi tiết khác nhau. Hãy cùng xem xét một trong số chúng:

• Trong Workflow Rules, bạn có thể dùng trường điểm số làm tiêu chí và tự động hoá những hành động như tạo tác vụ, thêm thẻ (tag), thông báo cho người phụ trách hồ sơ khách hàng.

• Trong Reports, bạn có thể tổng hợp tất cả khách hàng đã rời đi thành một bảng và quan sát những chỉ số.

• Trong Chế độ xem của mô-đun (Module views) và Bộ lọc nâng cao (Avanced filters), tạo ra danh sách khách hàng rời bỏ để chăm sóc họ chu đáo.

Tham khảo

Bài viết này là một nỗ lực dịch thuật, dựa trên phiên bản gốc Predict customer churn using Zia, đã xuất bản trên trang web https://help.zoho.com/portal.

Thông tin pháp lý

Dịch thuật này không có mục đích thương mại. Dịch thuật này là một trong những nỗ lực để đối tượng khách hàng người Việt hiểu biết tốt hơn về Zoho CRM, áp dụng những tính năng Zoho CRM để mang lại lợi ích cho doanh nghiệp của họ như giúp đỡ cho hoạt động Lean management (Quản lý tinh gọn).

Chia sẻ của người viết

Trong bối cảnh chiến tranh thương mại đang gia tăng toàn cầu, Việt Nam cũng nằm ở một trong những vị trí trung tâm của xoay trục sang Châu Á Thái Bình Dương của Hoa Kỳ, nhiều cơ hội và thách thức đến với doanh nghiệp Việt. Áp dụng công nghệ là một trong những cách chính tối ưu mô hình hoạt động, tạo thay đổi, tinh gọn và cạnh tranh toàn cầu.