致趣百川：怎樣判斷誰能產出「千萬商機」？

當線索以數據呈現出來後，第一步，要明確「好」線索，即明確哪些是營銷合格線索MQLs（Marketing Qualified Leads，簡稱MQL），哪些是 SQLs銷售合格」的線索（Sales Qualified Leads，簡稱SQL）。

分析線索，一般會有兩種形式，定性分析和定量分析。

線索定性分析：打標籤，一般會有事實性標籤、分析型標籤、預測性標籤三種形式。

線索定量分析：線索打分，一般經過線索匹配（顯性線索打分）、線索興趣（匿名線索打分）、線索行為打分、購買階段/時間段打分四步完成。

關於線索打分，可以查看文章： 《2017高客單價企業線索孵化白皮書》（一）｜線索打分：如何自動輸出高價值商機？

線索定義，可以重點從定性分析即打標籤著手，明確線索性質。

標籤，是從信息中抽取出來用於說明其特徵的數據，是結構化數據每一個標籤，通常是人為規定的特徵標識，用高度精鍊的特徵進行描述，是線索的定性分析。

第一，標籤可以使原本無法描述、搜索和定位的數據也可以被描述、搜索和定位；

第二，不同的標籤有不同的權重，可以助於後續的線索打分，滿足個性化需求；

第三，通過標籤可以將信息之間建立某種聯繫，最終將海量信息建立起相互關聯的信息網。

下文，會針對標籤的不同類型：事實性標籤、分析型標籤、預測性標籤，分別展開論述。其中事實性標籤、分析性標籤是客觀存在的，屬於統計性畫像，而預測性畫像，更強調預測的準確度。

一、事實型標籤

事實性標籤，即根據用戶的事實性行為打標籤，可以通過4W著手，即WHO（誰）；WHEN（什麼時候）；WHERE（在哪裡）；WHAT（做了什麼）。具體分析如下：

1.WHO（誰）

WHO（誰）, 即用戶識別，其目的是為了區分用戶。互聯網主要的用戶識別的方式包括Cookie，註冊ID，微信微博，手機號等，獲取方式由易到難，不同企業的客戶信息數據化程度有所不同，用戶識別的方式也可按需選取。對於高客單價企業，進入到線索階段，一般已經具有了基本人口統計、公司信息、BANT信息，用戶識別相對簡單。

2.WHEN（時間）

WHEN（時間）,這裡的時間包含了時間跨度和時間長度兩個方面。「時間跨度」一般以天為單位計算的時長，指某行為發生到現在間隔了多長時間；「時間長度」則為了標識用戶在某一頁面的停留時間長短。在用戶行為中，普遍認為近期發生的行為將更反映用戶當下的特徵，因此過往行為將表現為在標籤權重上的衰減，即所謂的「時間衰減因子」。

3.WHERE（在哪裡）

WHERE（在哪裡）,就是指用戶發生行為的接觸點，裡面包含有內容+網址。內容是指用戶作用於的對象標籤；網址則指出用戶行為發生的具體地點。內容決定標籤，網址決定權重。

4.WHAT（做了什麼）

WHAT（做了什麼）,就是指的用戶發生了怎樣的行為，用戶的行為類型，例如線上搜索、微信閱讀、觀看直播、參加線下活動、下載白皮書、產品試用等， 根據行為的深入程度添加權重。

從4W著手，我們可以簡單勾畫出一個用戶行為的標籤權重公式：

標籤權重=時間衰減（何時）×網址權重（何地）×行為權重（做什麼）

舉個直觀的例子，「B用戶今天在產品頁面試用了產品」反映出的用戶標籤可能是「獲客」；而「A用戶一周前在微信收藏了內容營銷類文章」反映出的標籤可能只是「內容營銷0.448」，這些不同用戶的標籤及相應的權重將在後續的營銷決策中發揮指導作用。

二、分析型標籤

分析型標籤，是對於線索數據的進一步加工。最典型的方式是RFM模型，從最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)這三個維度分析某一個潛在客戶的價值。

1.最近一次消費R(Recency)

客戶最近一次的購買時間。最近一次消費時間越近的顧客是最有可能對提供的商品或服務最有反應的群體。

如果顯示上一次購買很近的客戶，人數如增加，則表示該公司是個穩健成長的公司；反之則要預警。

2.消費頻率F (Frequency)

客戶在限定的期間內所購買的次數。最常購買的顧客，也是滿意度最高的顧客。

如果相信品牌及商店忠誠度的話，最常購買的消費者，忠誠度也就最高。增加顧客購買的次數意味著從競爭對手處偷取市場佔有率。

3.消費金額M (Monetary)

客戶的購買金額，可分為累積購買及平均每次購買

消費金額是所有資料庫報告的支柱，也可以驗證「帕雷托法則」(Pareto』s Law)——公司80%的收入來自20%的顧客。

三個變數，可以用三維坐標系進行展示，X軸表示Recency，Y 軸表示Frequency，Z軸表示Monetary，坐標系的8個象限分別表示8類用戶，根據上表中的分類，可以用如下圖形進行描述：

三、預測型的標籤

預測型的標籤，需要基於事實性標籤和分析型標籤，做出預測。

預測性標籤的生產流程：特徵抽取→監督學習、樣本數據→評估→標籤產出，是經典的機器學習流程。

在，設計標籤是，要注意以下幾點：

盡量窄化範圍，減少某個標籤可能的意義範圍。

標籤要有統一性：風格一致，活潑的還是嚴肅的；版面樣式一致，字體、字型大小、顏色、空白、分組方式的一致，視覺上強化標籤群組的系統性本質；語法一致：名詞"會銷"，動詞「參會」等同一層級不要混用。

理解性：標籤所指示的系統範圍應該能夠讓人充分理解，有助於用戶快速掃描，推論出應用所提供的內容。

在線索定性化，打標籤的過程中，可以用簡單的方法快速走通整個流程，然後再進行分別環節的優化。

同時，在進行線索定性過程中，要及時頭腦風暴進行優化：

相關利益者（市場部和銷售部）閉門會議，展開頭腦風暴。

深入以下問題：目標市場是什麼樣的？銷售人員覺得獲得的銷售線索數量是多了還是少了？資料庫已經有誰？前景好的線索有什麼特徵？下什麼樣的線索不受歡迎？

確定「好」是多好：設置基準級別。

確定「好」線索的標準，並定期審查，不斷迭代培育機制。

作者：致趣科技 @ Linn

轉載請註明來自：致趣科技（ID:BesChannels）

本文是致趣百川《2017高客單企業客戶培育及商機挖掘白皮書》的一部分，現白皮書已經開放下載，可以關注微信號致趣科技（ID:BesChannels）下載。