前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >客户成功,SaaS企业规模化增长的前提和基石

客户成功,SaaS企业规模化增长的前提和基石

作者头像
腾讯SaaS加速器
发布于 2020-12-21 02:40:47
发布于 2020-12-21 02:40:47
49801
代码可运行
举报
文章被收录于专栏:SaaS加速器SaaS加速器
运行总次数:1
代码可运行

来源:崔牛会 作者:蔡勇|整理 / 佳佳 编辑 / 小圆


文章整理自崔牛闭门会,由硅谷销售研究院创始人蔡勇带来的主题分享 “客户成功,企业规模化增长的前提和基石”。

文章主要内容:

1. CEO 如何思考客户成功

2. 客户成功=增长引擎

客户成功本身是一个 CEO 工程,它是一把手工程,需要有 CEO,需要整个公司的高管(参与),首先(他们)要有认知,然后能够调动整个公司的资源去做这件事情。

CEO 如何思考客户成功

一、客户成功需要全局观

从一个 CEO 角度来说,要全盘思考。国内的很多 CEO 认为客户成功是一个客服或服务的概念,老客户进来之后,为什么要投那么大的精力和资源去做维护呢?况且老客户的维护应该是很容易的事情,为什么还要投入?

简单算笔账,企业每年流失的客户里,中小企业客户的流失率为 50%~60%,中大型企业客户的流失率为 20%~30%,用客单价乘以流失的客户,可以计算出企业的流失率。所以,是投入资源留住老客户更划算,还是投入资源获取新客户划算,需要全盘计算和布局。

二、销售漏斗

从底层逻辑来说,就是 SaaS 思维,如何用方法论扩展 SaaS 的整个商业模式,也就是“蝴蝶结漏斗”。从认知上来说,销售漏斗就是让客户改变认知,改变了认知,客户才能对你说的事情感兴趣,对你的产品感兴趣。感兴趣之后才会考虑,考虑完之后他才有意向,有意向之后他要评估,最后才购买。

这样一个倒三角销售漏斗其实有很大的问题,最大的一个问题就是销售方、乙方的利益与甲方利益不一致。乙方最关注的是销售订单,甲方想要的是合同给他带来的一些产品、能力等结果。

所以,这样的漏斗虽然存在了一百多年,但事实上已经无法满足新一代市场和产品商业化的需求,因为客户想要的是关单之后的效果以及它的结果。

现代的销售组织如何思考销售漏斗?要做到以客户为中心。这其实是一个客户旅程,从认知出发,做一些改变,接受一些教育,或者根据你提供的某些内容,让他产生兴趣,进而愿意与销售谈合作,最后达到效果。

客户成功=增长引擎

客户成功,最重要的是效果和增购两个环节,现代的销售漏斗已经不是一个倒三角的销售漏斗,而是一个蝴蝶结的销售漏斗。 

蝴蝶结的销售漏斗就是客户成功。老客户投入的东西、老客户的重要度、老客户产生收入的重要程度,对新进来的客户,收入的重要程度是一样的,甚至比老客户更高。

从 SaaS 来说,每年都是 100% 续费,每年开始的营收就是去年结束的营收,如果今年再叠加,那么 SaaS 的增长模型会有些惊人。

要做好 SaaS,就要做好 B2B。B2B 要照顾到老客户,越传统、存活越久的 B2B,越懂得照顾好自己的老客户,这就是蝴蝶结漏斗。围绕客户价值,每一步都有客户预期,交付一个预期价值的客户旅程。

有了蝴蝶结,把传统的销售思维放到蝴蝶结里,会发现,原来他们(销售)只关注新订单,市场只关注交付,也是无可厚非的。

因为,原来传统软件 75% 的收入在第一年就完成了,不用担心后面 18%~23% 的每年的收入,大头第一年收到了,所以他们会花很多精力去想第一年的新订单要如何进来。

但是只是对新订单感兴趣,忽略了对整个客户的体验,到最后是否交付了客户想要的东西,以及持续交付、长期交付,客户最终是否满意,并没有特别关注。这种只关注新订单的传统销售的思维模式,会更加重视新单。

事实上,一个客户在平台上持续 4 年使用了你的服务,对传统软件来说,第一年收到 75%,后面几年可能就收到 25%。

对于 SaaS 模型,越来越多传统 B2B 的模型也越来越往后靠,它希望做长久的生意。SaaS 第一年可能收到 29%,剩下的 71% 要到后面几年才能收回来。 

因此,就变成:客户跟你越久,续签的次数越多,交付成本就会越低,挣的钱就会越多。从 SaaS 角度,有一句话这么说:“做SaaS,第一年不赔就可以了”,因为到后面若能成功续签,每一年都可以增加更多的利润。所以,如果思考客户成功,一定基于全流程的销售漏斗。

因此,产生了蝴蝶结的方法论。

要做的事情就是看,从全局思考,整个公司要做到多大的营收,把大的事情变成一个阶段一个阶段较小的事情。看转化率和转化的周期,是一个 To C 的思维。

但是,需要转换到 To B 层面来思考,在一个流程化(全流程跟进转化)的角度,可以借鉴一些 To C 的思路。

每一步都会涉及到转化率、周期,最后优化出业务或者营收的增长,是靠优化每一步,在优化当中要排优先级。每一个阶段的优化,效率的提升,需要注重:一是运营水平的提升,二是触客的质量。

此外,还需要因人而异地制定客户成功方案。不同的公司有不同的客单价、不同的层级,在做不同的层级的时候,新订单漏斗做营销、做销售,客户成功的做法都不一样。

在这个案例里面,分三个客户的层级:大客户、中客户、小客户。大客户就是企业级的客户,行业的标杆,可能有政府、电信。中客户就是中型市场,小客户就是小微企业客户。

操作方法:

小客户——小微企业客户是通过平台,比如钉钉、企业微信来引流,有一个小客户的产品。产品里面有从免费转化成为收费的,有转化的途径,小客户进来后叫初级的 CSM(客户成功管理),初级的 CSM(客户成功管理) 很多是通过软件和自动化的环节去做的。

中型客户:比较简单也比较标准的做法是从市场到 SDR(销售开发代表) 专门有外呼团队,也有 MDR(市场开发代表),市场进来的线索,MDR(市场开发代表) 转化成为商机,商机通过销售、销售 AE(线上销售经理) 关单,关单后有标准的 CSM(客户成功管理),这个 CSM(客户成功管理) 在公司总部,通过打电话来维护,每个人管 QQ 群、微信群,可能一个人要管几百个客户,工作量较大。

大客户:大型客户很靠人脉,所以会有人脉经营,有专门做大客户外呼的人,有标准的帮助大客户获客的 SDR(销售开发代表) 团队,有企业级的销售经理也可以理解为 KA 客户(关键客户)。大客户的 CSM(客户成功管理) 是高级 CSM,就针对这一批的目标、标杆客户。

高级的 CSM(客户成功管理) 与一般的 CSM 的差异:

  • 初级 CSM 可能是机器人自动化,本身客单价比较小,不值得去放很多人在里面做服务或者做客户成功,正常的 CSM 就是公司总部远程的支持。
  • 高级 CSM(客户成功管理) 在区域里面,背景和角色不同。高级 CSM 有点像 PM (产品经理),因为大客户会有很多定制,其实是一个定制化的服务。客户想要什么,想做一些客户化定制的东西,这个实验室就帮他去做。
客服与 CSM(客户成功管理) 如何合作:

客服、CSM(客户成功管理)以及交付人员,三者之间如何合作?不同的公司,其职责定位不一样。某些企业里的“客户成功”职位,实际上是“客户服务”。

能够把上线团队的 CSM(客户成功管理) 交付的,交付里面可能带着前面单子跟过来的售前要做的事情,很多不同的部门都有可能做客户成功 。客户成功其实就是一个工作,不一定是客户成功部门才能做客户成功的事情。

第一部分,从蝴蝶结角度来说,公司全盘应该如何做,如何思考客户成功在里面扮演什么样的角色。

第二部分,深入挖掘客户成功所谓的增长引擎。为什么说客户成功是增长引擎?因为传统软件可能每年收入 18% 到 28% 的维保,每年可重复的收入占比比较低。

SaaS 不一样,SaaS 几乎 100% 都有增长,它每年的基数就是去年的尾数。假设 100% 都能续签,续签率比较高,本身增长起来是非常可怕的一个增长的模型,但是事实上很多情况是做不到的。 

优化每一个阶段,在做优化的时候不论是新单漏斗,还是客户成功漏斗,要成长,要把它分成一个一个阶段。

最好的流程是打通的阶段,上一个阶段的分子就是下一个阶段的分母,要不断优化每一个阶段,把结果乘在一起,会发现只需要练内功,不需要在前面投入非常多,只需要专注于提升效率,就会有很大的改善。

有一个比较直观的例子,假设是按照月来收费,第一年增速没有到第二年上半年那么高,第二年的下半年可能增速又变成第二年的上半年的两倍,可以从定价的角度来看客户成功这个事情。

客单价还有一个思路,就是从单个客户收到的钱能够涨上去,客户成功到最后做的事情就是让单位客户收过来的营收增加。客户成功到最后要做一个客单价,要做单个客户的平均营收。

要有完整的客户旅程,正常的客户旅程应该是从目标客户,变成一个对你有兴趣的客户开始,一直到最后客户要增购,每个蝴蝶结当中每个阶段都是客户旅程的一步。

这个客户预期的每个阶段都是不一样的,基于不同的预期要去做主动的管理,在客户成功角度,客户成功不同阶段有不同的定义:

最狭义的客户成功定义就是从上线开始一直到续签,再到增购。

更广义的客户成功是从下订单、赢单开始,把上线交付这个环节放进客户成功。

再广义的客户成功是从销售开始的。很多销售会有售前,销售有时候没有专门的售前,自己也要做一些售前的工作,这是在帮助客户怎么做一个对的选择,帮他去做客户成功。

最大的、最广泛的、最广义的客户成功,是整个公司都是客户成功。

上线成功之后,第一价值交付之后,上线和第一价值不是一件事情。

客户成功的两个核心指标:

第一是如何提升续费率,如何降低流失率,是一个硬币的两面;

第二是增购收入,就是老客户的收入。

比较推崇的是要有“第一价值”的定义。第一价值是交付、上线、结束的时候,客户得到了什么。老客户的收入要从两个方向来看,客户数的续费率和金额续费率。 

为什么第一价值重要?因为它会产生一个初步的黏性,客户觉得你没有骗他,你的产品是好用的。如果进一步放大第一价值,第一价值做完之后,客户会发一个朋友圈,来帮助你宣传。

客户成功有很多事情做,也非常值得梳理。不管那些客户成功的同事是做客服,还是做客户成功,亦或是做交付、客户经理,他们每天工作的时候脑子里会有很多新的想法。

如果来梳理或者辅导,比较细的方法论就是帮他们把所有想做的东西按照优先级排序,最容易做且投入少产出多的事项,优先做。

作者简介

蔡勇(Patrick),硅谷销售研究院创始人,“硅谷蓝图”布道人;战略销售加速机构 Winning By Design 中国区董事总经理;前惠普中国区营销副总裁;腾讯 SaaS 加速器导师;36氪特约作者,人人都是产品经理、PMtalk 产品经理等社区平台的专栏作者。

———— / END / ————

腾讯SaaS加速器·产业升级实战派

腾讯SaaS加速器,作为腾讯产业加速器的重要组成部分,旨在搭建腾讯与SaaS相关企业的桥梁,通过资本、技术、资源、商机等生态层面的扶持,从战略到场景落地全方位加速企业成长,从而助力产业转型升级。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-12-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 腾讯SaaS加速器 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
Google Earth Engine ——LANDSAT/LT04/C01/T1_TOA大气层顶反射数据
Landsat 4 TM Collection 1 Tier 1 calibrated top-of-atmosphere (TOA) reflectance. Calibration coefficients are extracted from the image metadata. See Chander et al. (2009) for details on the TOA computation.
此星光明
2024/02/02
1370
Google Earth Engine ——LANDSAT/LT04/C01/T1_TOA大气层顶反射数据
Google Earth Engine ——LANDSAT 7/LM01/C01/T1Landsat 1 MSS Collection 1 Tier 1 DN值,代表经过缩放、校准的传感器辐射度影像数
Landsat 1 MSS Collection 1 Tier 1 DN values, representing scaled, calibrated at-sensor radiance.
此星光明
2024/02/02
1460
Google Earth Engine ——LANDSAT 7/LM01/C01/T1Landsat 1 MSS Collection 1 Tier 1 DN值,代表经过缩放、校准的传感器辐射度影像数
Google Earth Engine ——Landsat 4 TM Collection 1 Tier 1 DN值经过缩放、校准的传感器辐射度——8天/32天/年际合成数据集
Landsat 4 TM Collection 1 Tier 1 DN values, representing scaled, calibrated at-sensor radiance.
此星光明
2024/02/02
1320
Google Earth Engine ——Landsat 4 TM Collection 1 Tier 1 DN值经过缩放、校准的传感器辐射度——8天/32天/年际合成数据集
Google Earth Engine ——Landsat 8 Collection 1 Tier 1数据集
Landsat 8 Collection 1 Tier 1 DN values, representing scaled, calibrated at-sensor radiance.
此星光明
2024/02/02
1940
Google Earth Engine ——Landsat 8 Collection 1 Tier 1数据集
Google Earth Engine ——LANDSAT 7 Collection 1 Tier 1 and Real-Time data DN values数据集
Landsat 7 Collection 1 Tier 1 and Real-Time data DN values, representing scaled, calibrated at-sensor radiance.
此星光明
2024/02/02
1720
Google Earth Engine ——LANDSAT 7 Collection 1 Tier 1 and Real-Time data DN values数据集
Google Earth Engine ——LANDSAT8——Real-Time data 数据集
Landsat 8 Collection 1 Tier 1 and Real-Time data DN values, representing scaled, calibrated at-sensor radiance.
此星光明
2024/02/02
1630
Google Earth Engine ——LANDSAT8——Real-Time data 数据集
Google Earth Engine ——LANDSAT/LT04/C02/T1系列数据介绍!
This dataset contains atmospherically corrected surface reflectance and land surface temperature derived from the data produced by the Landsat TM sensor. These images contain 4 visible and near-infrared (VNIR) bands and 2 short-wave infrared (SWIR) bands processed to orthorectified surface reflectance, and one thermal infrared (TIR) band processed to orthorectified surface temperature. They also contain intermediate bands used in calculation of the ST products, as well as QA bands.
此星光明
2024/02/02
2840
Google Earth Engine ——LANDSAT/LT04/C02/T1系列数据介绍!
GEE 更新和优化:利用GEE在线处理1985-2024年NDVI、EVI、SAVI、NDMI等指数归一化教程!(Landsat C02 数据)
本次的归一化教程,优化了数据去云,预处理等过程,同事将landsat 5/7/8集合分别进行了数据整合,也就是原始波段的处理,从而我们可以调用1985-至今任何一个时期的影像进行归一化处理。具体的原文介绍 请看原始的博客
此星光明
2024/09/02
6580
GEE 更新和优化:利用GEE在线处理1985-2024年NDVI、EVI、SAVI、NDMI等指数归一化教程!(Landsat C02 数据)
Landsat 8 Landsat8 Collection2表面反射率数据
Landsat8 Collection2表面反射率数据,属Collection2二级数据产品,分辨率为30米,基于陆地表面反射率代码(LaSRC)(版本1.5.0)生成,该算法利用沿海气溶胶波段进行气溶胶反演测试,还利用了MODIS的辅助气候数据和独特的辐射传输模型。 此外,LaSRC算法将观测天顶角硬编码为“0”,太阳天顶角和观测天顶角作为大气校正的一部分参与计算。
此星光明
2024/05/24
2710
Landsat 8 Landsat8 Collection2表面反射率数据
Google Earth Engine ——LANDSAT8_SR数据集
This dataset is the atmospherically corrected surface reflectance from the Landsat 8 OLI/TIRS sensors. These images contain 5 visible and near-infrared (VNIR) bands and 2 short-wave infrared (SWIR) bands processed to orthorectified surface reflectance, and two thermal infrared (TIR) bands processed to orthorectified brightness temperature
此星光明
2024/02/02
3070
Google Earth Engine ——LANDSAT8_SR数据集
中科星图——Landsat8_C2_ST数据集是经大气校正的地表温度数据
Landsat8_C2_ST数据集是经大气校正的地表温度数据,属于Collection2的二级数据产品,以开尔文为单位测量地球表面温度,是全球能量平衡研究和水文模拟中的重要地球物理参数。地表温度数据还有助于监测作物和植被健康状况,以及极端高温事件,如自然灾害(如火山爆发、野火)和城市热岛效应。前言 – 人工智能教程
此星光明
2024/02/20
3180
中科星图——Landsat8_C2_ST数据集是经大气校正的地表温度数据
Landsat7_C2_ST数据集2019年1月-2022年12月
Landsat7_C2_ST数据集是经大气校正后的地表温度数据,属于Collection2的二级数据产品,以开尔文为单位测量地球表面温度,是全球能量平衡研究和水文模拟中的重要地球物理参数。地表温度数据还有助于监测作物和植被健康状况,以及极端高温事件,如自然灾害(如火山爆发、野火)和城市热岛效应。2003年6月以来,因扫描线校正器(SLC)故障导致传输数据存在间隙问题。前言 – 人工智能教程
此星光明
2024/02/02
1390
Landsat7_C2_ST数据集2019年1月-2022年12月
星图地球——Landsat5_C2_SR_T1数据集
Landsat5_C2_SR数据集是经大气校正后的地表反射率数据,属于Collection2的二级数据产品,空间分辨率为30米,基于Landsat生态系统扰动自适应处理系统(LEDAPS)(版本3.4.0)生成。水汽、臭氧、大气高度、气溶胶光学厚度、数字高程与Landsat数据一起输入到太阳光谱(6S)辐射传输模型中对卫星信号进行二次模拟,生成大气顶部(TOA)反射率、表面反射率、TOA亮度温度和云、云影、陆地、水体的掩膜。前言 – 人工智能教程
此星光明
2024/02/02
2200
星图地球——Landsat5_C2_SR_T1数据集
Landsat 8 Landsat8 Collection2大气层顶反射率数据
Landsat8 TOA数据集是将数据每个波段的辐射亮度值转换为大气层顶表观反射率TOA,是飞行在大气层之外的航天传感器量测的反射率,包括了云层、气溶胶和气体的贡献,可通过辐射亮度定标参数、太阳辐照度、太阳高度角和成像时间等几个参数计算得到。为了便于在线分析存储,平台将影像像素值扩大了10000倍。前言 – 人工智能教程 Landsat-8卫星包含OLI(Operational Land Imager 陆地成像仪)和TIRS(Thermal Infrared Sensor 热红外传感器)两种传感器,每16天可以实现一次全球覆盖。 OLI包括9个波段,空间分辨率为30米,其中包括一个15米的全色波段,成像宽幅为185x185km。TIRS用于收集地球两个热区地带的热量流失,能够了解所观测地带水分消耗。
此星光明
2024/05/24
2550
Landsat 8 Landsat8 Collection2大气层顶反射率数据
Landsat9_C2_ST类经过大气校正的地表温度数据
Landsat9_C2_ST数据集是经大气校正的地表温度数据,属于Collection2的二级数据产品,以开尔文为单位测量地球表面温度,是全球能量平衡研究和水文模拟中的重要地球物理参数。地表温度数据还有助于监测作物和植被健康状况,以及极端高温事件,如自然灾害(如火山爆发、野火)和城市热岛效应。前言 – 人工智能教程
此星光明
2024/02/16
3730
Landsat7_C2_SR数据集(大气校正地表发射率数据集)
Landsat7_C2_SR数据集是经大气校正后的地表反射率数据,属于Collection2的二级数据产品,空间分辨率为30米,基于Landsat生态系统扰动自适应处理系统(LEDAPS)(版本3.4.0)生成。水汽、臭氧、大气高度、气溶胶光学厚度、数字高程与Landsat数据一起输入到太阳光谱(6S)辐射传输模型中对卫星信号进行二次模拟,以生成大气顶部(TOA)反射率、表面反射率、TOA亮度温度和云、云影、陆地、水体的掩膜。2003年6月以来,因扫描线校正器(SLC)故障导致传输数据存在间隙问题
此星光明
2024/02/02
1760
Landsat7_C2_SR数据集(大气校正地表发射率数据集)
Landsat8_C2_SR(地表反射率)数据集
Landsat8_C2_SR数据集是经大气校正后的地表反射率数据,属于Collection2的二级数据产品,空间分辨率为30米,基于Landsat生态系统扰动自适应处理系统(LEDAPS)(版本3.4.0)生成。水汽、臭氧、大气高度、气溶胶光学厚度、数字高程与Landsat数据一起输入到太阳光谱(6S)辐射传输模型中对卫星信号进行二次模拟,以生成大气顶部(TOA)反射率、表面反射率、TOA亮度温度和云、云影、陆地、水体的掩膜。前言 – 人工智能教程
此星光明
2024/02/12
4600
【GEE】5、遥感影像预处理【GEE栅格预处理】
什么是预处理? 您将在 Google 地球引擎 (GEE) 中找到的大部分数据都经过了一定程度的预处理。这涉及几种不同的质量控制方法,以确保栅格集合内的最高准确性和一致性。根据收集的不同,可能有各种可用的预处理级别,了解差异以将遥感数据成功整合到生态研究中非常重要。在 GEE 中提供数据之前,出版商一致解决了图像产品的三个常见错误来源:大气(即空气化学)、地形(即高程)和几何(即像素一致性)。
Twcat_tree
2023/11/07
8650
【GEE】5、遥感影像预处理【GEE栅格预处理】
Google Earth Engine ——数据全解析专辑(ASTER L1T Radiance)
The Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) is a multispectral imager that was launched on board NASA's Terra spacecraft in December, 1999. ASTER can collect data in 14 spectral bands from the visible to the thermal infrared. Each scene covers an area of 60 x 60 km. These scenes, produced by the USGS, contain calibrated at-sensor radiance, ortho-rectified and terrain corrected.
此星光明
2024/02/02
2320
Google Earth Engine ——数据全解析专辑(ASTER L1T Radiance)
LANDSAT_9/02/T1/SR的Landsat9_C2_SR类数据集
Landsat9_C2_SR数据集是经大气校正后的地表反射率数据,属于Collection2的二级数据产品,空间分辨率为30米,基于Landsat生态系统扰动自适应处理系统(LEDAPS)(版本3.4.0)生成。水汽、臭氧、大气高度、气溶胶光学厚度、数字高程与Landsat数据一起输入到太阳光谱(6S)辐射传输模型中对卫星信号进行二次模拟,以生成大气顶部(TOA)反射率、表面反射率、TOA亮度温度和云、云影、陆地、水体的掩膜。前言 – 人工智能教程
此星光明
2024/02/15
3810
推荐阅读
Google Earth Engine ——LANDSAT/LT04/C01/T1_TOA大气层顶反射数据
1370
Google Earth Engine ——LANDSAT 7/LM01/C01/T1Landsat 1 MSS Collection 1 Tier 1 DN值,代表经过缩放、校准的传感器辐射度影像数
1460
Google Earth Engine ——Landsat 4 TM Collection 1 Tier 1 DN值经过缩放、校准的传感器辐射度——8天/32天/年际合成数据集
1320
Google Earth Engine ——Landsat 8 Collection 1 Tier 1数据集
1940
Google Earth Engine ——LANDSAT 7 Collection 1 Tier 1 and Real-Time data DN values数据集
1720
Google Earth Engine ——LANDSAT8——Real-Time data 数据集
1630
Google Earth Engine ——LANDSAT/LT04/C02/T1系列数据介绍!
2840
GEE 更新和优化:利用GEE在线处理1985-2024年NDVI、EVI、SAVI、NDMI等指数归一化教程!(Landsat C02 数据)
6580
Landsat 8 Landsat8 Collection2表面反射率数据
2710
Google Earth Engine ——LANDSAT8_SR数据集
3070
中科星图——Landsat8_C2_ST数据集是经大气校正的地表温度数据
3180
Landsat7_C2_ST数据集2019年1月-2022年12月
1390
星图地球——Landsat5_C2_SR_T1数据集
2200
Landsat 8 Landsat8 Collection2大气层顶反射率数据
2550
Landsat9_C2_ST类经过大气校正的地表温度数据
3730
Landsat7_C2_SR数据集(大气校正地表发射率数据集)
1760
Landsat8_C2_SR(地表反射率)数据集
4600
【GEE】5、遥感影像预处理【GEE栅格预处理】
8650
Google Earth Engine ——数据全解析专辑(ASTER L1T Radiance)
2320
LANDSAT_9/02/T1/SR的Landsat9_C2_SR类数据集
3810
相关推荐
Google Earth Engine ——LANDSAT/LT04/C01/T1_TOA大气层顶反射数据
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验