CRM系統中的線索評級系統該如何設計?

0 評論 3997 瀏覽 44 收藏 13 分鐘

CRM系統是幫助企業建立、維護和優化企業與現有以及未來客戶關系的一種技術,下面文章是筆者整理分享的關于CRM系統中的線索評級系統該如何設計的相關內容,想要了解這方面知識的同學的接著往下看哦!

系統中的線索評級系統,可以說是最終交易數量高低的決定性因素。所以今天我向大家分享我在這方面的思考。

首先,需要跟大家統一概念:線索和客戶。從實際業務上來看,線索是指客戶的購買意向、描述的是“事”,而客戶描述的是“人”。一個客戶可以存在多條線索,所以當一條線索進入系統時,首先應該用OneID策略創建客戶,再創建線索。今天分享的評級系統也是是針對線索的。

構建線索評級系統的目標是對線索進行質量評估,將線索分級,以便銷售團隊可以區分線索價值的高低,按優先級進行處理。接下來我將從5個方面來說明如何設計線索的評級系統:評級維度、評級模型、動態調整、評級排序、評級監控。

一、評級維度

評級維度,可以從客戶特征、購車意向、客戶價值等維度設定評級指標,如客戶年齡、職業、預計購車時間、車型偏好、潛在成交額度等。詳細內容如下:

  1. 客戶特征維度
  • 基本信息:年齡段、職業、婚姻狀況等
  • 財務狀況:收入水平、資產范圍等
  • 消費能力:信用記錄、還款能力等
  • 地域信息:所在城市、距離門店距離等
  1. 購車意向維度
  • 購車目的:自用、出租、商業等
  • 購車時間:1個月內、1-6個月等時間范圍
  • 車型偏好:SUV、房車等車型首選項
  • 預算水平:10萬以下、10-20萬等價位區間
  • 品牌偏好:本田、豐田等首選車輛品牌
  1. 客戶價值維度
  • 客戶類型:VIP、普通等級劃分
  • 客戶潛力:預估未來5年內購車次數
  • 客戶流失風險:查看社媒是否關注競爭對手
  • 成交潛在金額:基于意向計算的可能成交金額

4.?客戶行為維度

  • 活動參與:線上注冊/線下參加活動的次數
  • 試駕次數:預約/完成試駕的次數
  • 到店次數:實際到店參觀或咨詢的次數
  • 接通電話:能夠接通電話跟進的比例
  • 回復率:回復銷售代理Email或短信的比例
  • 信息完整度:完成線索信息錄入的程度

這些維度相關的量化指標可以直接反映線索的響應程度和價值高低。

二、評級模型

評級模型,可以根據不同維度設定打分標準,建立評級計算模型??梢圆捎?strong>自下而上的賦分方式,也可以采用自上而下訓練評級模型。

1. 自下而上的賦分方式

這種方法是根據每個評級指標設定打分標準,比如地域指標可以設置:

A市:10分 B市:8分 C市:5分

然后對每個線索按照指標打分并求和,得到總分,再根據總分區間確定線索級別,比如:

80-100分:A級線索? 60-79分:B級線索

優點是規則簡單直觀,缺點是不夠智能和精確。并且在實際場景中是沒有辦法得到客戶的所有信息的。所以可以采取以下方式公平合理地對不完整信息的線索進行評級,既不失去這部分線索,也不讓評級失去公信力:

  • 對必填信息設置權重更高的分值,鼓勵銷售人員至少收集關鍵信息。
  • 對非必填信息設置默認值,在缺失時自動使用默認值計分。
  • 利用客戶所在區域等信息,采用類似客戶的打分進行評估。
  • 只計算有值的指標進行打分,并按比重進行等價轉換到總分。
  • 設定信息缺失機制,按缺失比例減去部分基礎分值。
  • 利用機器學習模型,進行信息缺失的預測打分。
  • 信息補全到一定程度后,才會自動觸發評級計算。

另外我們可以在系統自動評級的基礎上,再加入管理人員的人工評級模塊:

  • 管理人員可以查看并編輯系統評級結果,調整線索的級別。
  • 管理人員可以從更宏觀的角度,根據對市場和重點線索的判斷進行評級。
  • 管理人員可以將歷史轉化數據很好的線索標記為優先級。
  • 管理人員可以結合非系統化信息和經驗進行評級。
  • 系統可以記錄管理人員評級overrides的情況,進行校驗與優化。
  • 對于重要級別的線索,可以要求管理和銷售雙重確認。

引入適當的人工評級,可以使線索評級更加全面和精準。但也需要控制管理人員評級的質量,避免出現非系統性偏差。總體上結合自動評級和人工評級應該可以獲得最佳的線索等級結果。

2. 自上而下訓練模型

我請教了相關的技術人員,給出了以下概述性的方法,僅供參考,實際需要產品同學和技術同學進行深入的研究和討論。

  • 收集歷史線索數據作為訓練集,包括線索特征、客戶行為和最后轉化標簽。
  • 對訓練集數據進行預處理和清洗,處理缺失值、異常值、進行特征工程等。
  • 確定模型算法,可以考慮邏輯回歸、決策樹、隨機森林等。也可以試驗不同算法的效果。
  • 劃分訓練集和驗證集,訓練模型并在驗證集上測試效果。調參優化直至達到可接受的準確率。
  • 得到初步模型后,可以采用k折交叉驗證等方法進一步提升模型穩定性。
  • 如果數據集較小,可以考慮采用遷移學習等方法進行預訓練。或者增廣數據提高量級。
  • 監控新數據的預測效果,如果準確率明顯下降則需要重新訓練模型。
  • 可以建立模型評估體系,定期重新訓練和測試,選擇最佳模型推入生產。
  • 預測結果中可以給出每個級別的置信概率,方便管理人員校驗。
  • 可以將模型部署到線上 servers,對新線索實時預測及評級。

這樣培訓和應用機器學習模型,可以使線索評級自動化和智能化。

三、動態調整

動態調整,隨著時間推移,線索情況會變化,需要建立定期或不定期重新評估線索級別的機制,保證評級的動態更新以及線索重要程度的正確性。通常會采取以下措施:

  1. 可以設置定期重評時間間隔,如每月或每季度重評一次。
  2. 也可以基于線索聯系情況,設置動態重評規則。例如1個月無聯系則重評。
  3. 重評采用的模型可以與初始評級不同,使用更新優化的模型。
  4. 重評結果與初始評級進行比較,分析升降級情況。
  5. 要控制重評結果變化幅度,避免評級劇烈晃動。可設置升降級閾值。
  6. 重評結果進入待審核狀態,由管理人員復核后生效。
  7. 重評報告需匯總重評分析,包括升降級分布、SWOT等。
  8. 如果出現大面積誤升降級,需要評估模型及標準是否合理。
  9. 重評結果同步到銷售和管理端,溝通說明等級變化。
  10. 觀察重評后線索處理效率、銷售滿意度等變化。

四、評級排序

評級排序,對線索級別進行排序,A級、B級等,讓銷售可以清楚知道線索的相對價值高低。評級結果直接影響線索分配和處理優先級。方法如下:

  1. 評級結果應分為不同級別,每個級別對應一個分值范圍。例如:

S級:80-100分 A級: 60-79分 B級: 40-59分 C級:20-39分 D級:0-19分

  1. 在同一級別內部,也可以設置更細致的小級別,每級跨度5分或10分等。例如A級可以細分為A1、A2等。
  2. 歷史實際轉化率高的級別可以向上調整,賦予更高排序。
  3. 可以設置權重,強調客戶特征、購車意向等關鍵維度對排序的影響。
  4. 支持管理人員自定義排序規則,如地域權重、特定車型加分等。
  5. 針對銷售團隊,可以只展示線索相對等級,不透露實際分值。
  6. 在線索列表展示時,按照級別降序排列。級別內部則按照分值排列。
  7. 支持按不同維度排序,例如最近聯系時間排列。
  8. 移動端也要展示排序結果,并支持客戶經理調整順序。

綜合考慮多個因素對線索排序,可以讓銷售迅速定位重點線索。

五、評級監控

評級監控,對評級結果進行持續監控驗證,如跟蹤不同級別線索的最終轉化情況,以優化評級模型。方法如下:

  1. 將線索的評級結果與最終是否轉化成訂單進行匹配分析。
  2. 統計不同級別線索的實際轉化率,是否與預期匹配。
  3. 如果某些級別線索的轉化率出現明顯的偏差,則需要檢查評級模型。
  4. 將評級結果與銷售團隊的反饋進行對比,看評級是否合理。
  5. 評級結果實時輸出到管理端,管理可以樣本抽查評級效果。
  6. 重點關注評級變化較大的線索,確認變化原因。
  7. 定期重評線索并對比新舊級別,觀察一致性。
  8. 挖掘導致評級差異的評分指標,進行模型調整。
  9. 統計不同銷售對同一線索的評價差異,提供調整參考。
  10. 建立評級質量考核機制,追蹤責任并進行優化。

通過閉環式的監控和反饋,可以持續改進線索評級機制,使之與實際情況保持同步。

六、總結

評級系統是一項復雜且需要耗費大量時間的項目,但一旦完成將大大提升效率,并促進交易的產生。希望今天的分享對你有幫助。

本文由 @天眼 原創發布于人人都是產品經理。未經許可,禁止轉載。

題圖來自Unsplash,基于CC0協議。

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!