機器如何預測成交：人工智慧在 CRM 評分中的運用實踐

02-01

文章內容源於一些實踐，希望讀者對 CRM 業務架構實現有一定了解，例如線索管理、銷售漏斗、商機管理、銷售預測等；也希望對預測營銷領域有稍微了解，例如潛在客戶獲取和潛在客戶評分等。
如果感興趣，我個人建議先閱讀以下四篇：
其中總結CRM是戰略執行平台、激勵平台、高頻操作平台、數據分析平台的理念我很贊同。

1、《漫談CRM體系建設》共五篇： http://www.woshipm.com/pd/583496.html
2、《從線索到現金白皮書》：http://www.xiaoshouyi.com/mininryx/miniltc/ltcpc/PDF/bps-0923.pdf
3、《CRM系統新思維》：https://tech.meituan.com/new_concept_crm.html
4、《誰是你的下一個客戶？國內 B2B Predictive Marketing 公司淺探（上）》分上下：誰是你的下一個客戶？國內 B2B Predictive Marketing 公司淺探（上）

人工智慧和企業服務

最近在思考，為什麼企業服務要與人工智慧結合，個人覺得有這兩點：

不管是因為人力成本增加還是其他紅利的流失，企業越來越關注效率，人工智慧的使命本身也是破局效率瓶頸。
之前企業信息系統主要關注在系統之間信息孤島這個痛點，未來隨著開放平台的發展，我們將更加關注企業業務過程數據與外部數據的結合。

我個人從事的領域主要還是在 AI+CRM 。2017我們也看到，AI應用在CRM中已趨勢是大廠已經全面應用，甚至有的已經是多年，小廠都在及時布局，熱鬧程度一點都不亞於在線客服。技術應用也很廣泛，例如圖像識別的應用，國外 Saleforce 識別庫存、國內外勤365 識別翻拍照片識別；語音識別和 NLP 的應用，呼叫中心質檢和知識挖掘、Chorus.ai 分析語音記錄；還有智能助手、自動化步驟推薦、業績預測和聯繫時間建議等。

之前聊過一些預測營銷，在預測營銷的兩個主功能中大家最感興趣的是「潛客推薦」，但最近我個人做得比較多的還是另外一個，就是「評分」。

評分對於CRM的意義

最近太多人與我討論評分意義的問題，其實一個產品主要解決「場景」中的問題。CRM 在中國還是一個To Boss 的產品，讓銷售管理者時時刻刻了解現有商機形勢下完成銷售目標的風險是評分目前最大的應用點。而此場景中的前提是商機總量要有一定規模，這樣確定優先順序和規模預測意義才會大。如果是一個大單性質的銷售團隊，十人以下，每人跟進的項目幾個，銷售過程基本全部依賴「關係」，確實評分沒有任何意義。

評分在 CRM 中不是什麼新鮮事，之前都是類似於調查問卷的形式，針對一些維度由銷售人員和 Coach 來打分確定項目形式，國內的某產品和國外的 ORACLE 都看得到，主要還是基於線下的，這種模式下各維度權重基本屬於人為猜測。而人工智慧的技術發展使評分可以變得更加自動化，效率更高，應用面也更廣。

評分對於 CRM，我覺得核心意義主要在兩點：

提升銷售效率，實現收入最大化

這裡主要還是提高「人效」。一方面評分使組織能夠將處理的優先排序從一種很大程度上的主觀過程轉變成一種分析性的科學方法，有效降低了人與人之間認知的差別。另一方面機器承擔了之前人更多的工作，大幅提升工作效率。

讓銷售業績預測更加科學和準確，提高了收入預期的置信度，可以提前預知風險

銷售業績預測對於管理者是一個極為關注但又無法科學量化的數字。

傳統CRM銷售預測還是基於銷售漏斗的商機階段贏率加權來預測（∑銷售商機金額*贏率（%）的加權總和），這其中階段和贏率都是是一個人為確定的，看似科學其實可落地和準確度堪憂。

如果引入了基於人工智慧的評分，數據方面，內部數據+上下游系統數據+ CRM 系統數據使數據維度更加全面，演算法上引入機器學習的評分模型可以不斷調整，所以用自動化的評分代替贏率才是科學預測業績的最佳解決方案。

銷售自動化中的評分實踐

CRM銷售管理的核心觀點是銷售自動化（Sales Force Automation），銷售自動化是信息技術和銷售管理結合的最佳管理實踐，其中流程中的三個對象也是被廣泛利用，分別是線索、客戶和商機。

（銷售漏斗，在CRM 理論中廣泛應用）

線索評分關注的是契合度（相關度）

線索（Leads）：線索是最不確定的潛在客戶，有可能完全不是企業的目標客戶，也可能僅僅是一些錯誤的信息片段。線索來源非常廣泛，有可能是客戶隨便在網站提交了詢價信息，也有可能是企業通過爬蟲從其他平台獲取的信息，也有可能是購買的電話名單。

因為線索的不確定性，需要對線索做兩件事，一是清洗線索甄別可能轉化為目標客戶，另一個是將篩選出的優質線索分配給最合適的人。所以評分上我們應該關注線索與理想客戶畫像的契合度：

契合度需要靜態畫像和也需要動態跟蹤意向特徵。如何甄別一個線索是不是潛在客戶，我們需要先建立理想客戶的客戶畫像，內部數據主要是 CRM 內部數據，而外部數據針對B2B 企業可以結合企業數據構建（如工商、企業網站、招聘、財報、新聞等），針對B2C 客戶可以結合社交數據構建。除了靜態畫像之外，機器需要持續跟蹤線索（如招聘更新、最近新聞、社交媒體更新等），當線索出現有利特徵後需要主動提醒更新分數。

契合度最好做到「千人千面」。不同的銷售，擅長開發的客戶對象可能區別很大，評分模型最好做到針對個人，最優的分配機制可以最大化「人效」。

（Einstein 查看哪些潛在客戶欄位值會對轉換率產生最大影響）

客戶評分關注在健康度和價值

關於客戶的分析有很多模型，如 RFM 、忠誠度、生命周期、信譽、貢獻等，我覺得可以歸納為健康度和價值。健康度代表客戶可以持續為企業帶來收益的能力，而價值決定企業需要投入的資源。除了評分有效的引入提醒機制是非常有必要的，一切都為了預期業績的最大化。

商機評分關注的是成單概率和優先順序

商機：商機是更高質量的線索，是真正的潛在成單機會，也叫單子或是項目。銷售對商機要進行有計劃地，持續的跟進接觸，最終轉化為贏單。因為銷售資源有限，銷售人員應該多些精力關注在成單概率最高和最緊急的商機上。

所以評分上應該關注是成單概率和優先順序，準確的預測成單概率可以讓銷售業績預測置信度大幅提高。

上文在線索評分中我們了解過契合度，基於商機評分我們要引入新的維度叫參與度（粘度），其實在線索評分中也可以加入此維度（如網站訪問次數、關鍵頁面瀏覽等）。參與度是動態的，表示客戶對於商機的參與情況或者說項目跟進的形勢。

當然參與度和契合度理解起來還是太技術，在系統中我們可以將這兩個維度拆解為以下更加直觀的雷達圖。

（將契合度和參與度結合業務後的維度雷達）

總結

對比傳統的評分模式，引入了機器學習的預測模型更加智能和自動化，因子的影響度更加準確。因此，預測性評分會根據客戶的特點告訴你理想的客戶應該是什麼樣子，現在的形勢下我們可能獲得多少業績，而不是靠猜測。

但在數據方面，數據要夠全面、完整和及時，需要獲取從營銷到客戶著陸再到交易的全過程數據。針對數據建模，業務的個性化也是是實踐中不得不面對的難題，因為解決問題的邊界清晰是人工智慧成功的必要前提。

作者：楊嘉琦（微信： yangjiaqi29 ），奇魚時代 AI 產品經理，寫過2年代碼，這三年主要做To B 產品規劃設計,目前主要專註在人工智慧與To B 產品結合。