起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識電銷CRM分配中的算法決策
在電銷類CRM中，我們可以用算法對客戶線索進行銷售座席的分層分類，其中最重要的就是算法決策問題。如何通過算法決策，進行自動化的分層匹配，從而實現全局的線索-坐席的最優匹配？
之前我有在CRM電銷系統中，如何進行客戶數據管理與精細化分配？一文中，介紹了我們可以利用算法，對客戶線索的質量進行判斷，同時對銷售坐席的分層分類，最終基于分配規則，實現客戶線索的分層分配。
雖然在客戶線索的分類上，我們用到了算法，但本質上，我們的分配其實仍然是基于規則。客戶線索的分類越多，線索質量、銷售坐席分層的層級越多，我們就需要配置更多的規則。假設我們有3類線索，每類線索的質量等級有5個級別，分別對應5個層級銷售坐席，那么，基于規則的分配，理論上，我們需要配置3*5=15條分配規則，如果要考慮到線索的分配溢出，則可能需要依賴更多的規則。實際的業務運營中，我們線索的類型絕對不會只有3類，這樣對于CRM的運營人員來講，日常的規則配置成本就比較高了。
那么有沒有可能，我們能減少對規則配置的依賴，通過算法決策，進行自動化的分層匹配，從而實現全局的線索-坐席的最優匹配？筆者曾經在CRM的算法分配策略中，做過一些探索和實踐，分享出來供大家參考。
分層分配最基礎的原則就是效率原則：優質線索優先分配給績優坐席，普通線索分配給普通坐席。
理論上，對成交轉化數據最直接的影響就是線索質量與坐席能力，假設：基礎成交轉化=線索質量系數*坐席出單能力系數。我們可以假設普通普通坐席的出單能力系數為1，績優坐席系數為1+λ。普通線索的系數為1，優質線索的系數為1+α。我們比較“優配優/普配普”和“優配普/普配優”的方案時，就可以計算出兩種方案的成交轉化差值=[（1+λ）*（1+α）+1*1]-[（1+λ）*1+1*（1+α）]=λ*α。
當λ、α均為正值時，一定是優質線索優先分配給績優坐席，普通線索分配給普通坐席效率最優。
同時，分層分配這個機制，本身也會正向鼓勵坐席去努力提升變成優秀的坐席。
實際的電銷業務的工作場景下，由于客戶的線索會占用客服的時間資源，同時，活躍的客戶的線索會隨著時間的流逝，降低自身價值。如果在分配時，一味向最好的坐席傾斜最好的線索資源，也會導致優質線索在績優坐席手中積累，無法及時撥打，從而降低了線索的價值。所以，我們在做算法分配時，需要考慮多方面的因素，不能僅僅考慮單個客戶線索或單個客服分配的絕對最優，而是去思考如何做到針對于所有分配線索、所有銷售坐席的全局最優分配。
一、失敗的第一版嘗試
基于運營分配規則的分配策略中，由于考慮到分配時效的問題，我們在線索入庫的第一時間，就會根據規則實時將線索下發給坐席。
最初的算法分配的方案中，我們仍然想采用這樣的流動式分配模式。但是這樣的分配模式產生了一個問題：舉例，假設我們有甲、乙、丙三個銷售坐席，銷售能力：甲>乙>丙，同時有A,B,C三條線索，線索質量：A>B>C。以成交率最優的原則，我們期望的最終分配結果是：甲坐席獲得A線索，乙坐席獲得B線索，丙坐席獲得C線索。但是由于A、B、C三條線索并非同時進線，對于獨立的A、B、C線索而言，由于甲的銷售最強，算法會認為甲都是A、B、C線索的最優選擇。
如果按照這樣的分配方案，毫無疑問，線索會聚集性的分配到甲坐席手中。為了避免這樣的問題，我們除了依賴算法的匹配度分值數據外，增加分配權值數據。一旦銷售坐席被分配了一條新的線索時，他的分配權值會降低，這樣就避免將線索聚集分配給一個人的情況。
但是這樣的方案，又產生了一個新的問題。由于線索進線的順序，我們是不可控的，如果客戶線索按照C->B->A這樣的時間順序進線，當獨立的C線索進線時，由于缺乏可供對比的其他線索，我們會認為C線索的最優分配方案是分配給甲，同時降低甲的分配權值，之后B、A依次進線，如果基于“算法分數+分配權值”進線分配，會依次將線索B分給乙，線索A分配丙。這樣的分配結果，和我們預期的分配結果顛了個倒，顯然是不能滿足業務的訴求的。
二、重構后的算法分配方案
對第一版的失敗做了分析總結，第一版方案中最大的問題是，實時進線的數據，由于是流動式的進線并進行分配，線索與線索之間沒法做橫向的比較，即便我們人工去定義一個90分的線索為優質線索，但如果接下來的100條線索都是90+的分數，那么這個90分的線索反而成為了最差的那條線索。
所以，新的算法分配方案，不再采用流動式的分配策略，而是通過“線索進線=》鎖定線索=》批量提交算法=》程序執行分配”的流程進行分配。我們將分配的節奏切分為一個個小的時間切片，每個時間切片，根據進線線索的數量、需要分配的坐席數量、分配的時間間隔來決定。
假設有100個坐席等待分配，那么，當第1~第99條線索進線時，我們會臨時將這99條線索鎖定，等第100條線索進線，我們會同時將100個坐席和100條線索批量提交給算法，由算法計算出100*100=10000個匹配的分值。從這個10000個匹配分值中，自上而下挑選，分值最高的，則必然是這10000個匹配關系中的最優匹配。坐席和線索命中匹配后，將10000個分值中和該坐席、該線索的分值全部剔除，再將剩余的分值自上而下排序，挑選最高分值，并依次類推，最終得到100個坐席和線索的匹配關系。理論上講，這就是算法得出的最優匹配規則。
算法在計算匹配分值時，除了基于線索的自身的原始價值、銷售坐席的原始能力外，還會額外考慮線索在CRM庫中等待的時間、銷售坐席持有的未進行首次撥打的線索的數量等因素。舉例來講，如果線索在昨晚24點進線，第二天9點分配時，與該線索在庫內停留時間過長，與該線索相關的匹配分值都會進行相應降低。如果坐席的待首撥線索過多，意味著他需要花很多的時間處理跟進這些線索，那么與該坐席相關的匹配分值也會相應降低。
三、結語
重構后的算法分配方案，在邏輯上，被認可為一個可靠的方案，但是在實際的測試過程中，仍然遇到了很多現實的問題。首先，算法模型的質量，依賴于算法工程師的能力。其次，模型的訓練也需要大量的基礎數據。
所以，算法分配，只適合在線索的規模體量大、技術能力比較強的公司，在中小型公司可能并不是十分地適用。
本文由@愛吐槽的徐教授 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。
優質線索優先分配給績優坐席，普通線索分配給普通坐席。
這個原則是不是也有問題，從全局最優的角度考慮，優質線索給績效中等的坐席，次優線索給績優坐席是不是更好。
你這個原則是通過邏輯推導出來的，還是數據驗證出來的？不太理解為啥這個策略會更好
“優質線索優先分配給績優坐席，普通線索分配給普通坐席”的邏輯推導本文已經寫過了，實際上我們在生產是做過很多AB測試，驗證過這個策略是有效的。
邏輯推導和數據實驗都做了。
邏輯推導的理論是，當一個優質線索足夠優質時，不管是績優坐席還是普通坐席去轉化，轉化率可能都很高，就沒必要去浪費績優坐席的時間了，績優坐席應該分配給那些需要努努力才能轉化的線索。
當然我說的場景是重決策的場景，類似買房、買車，如果只是輕決策場景，可能不適用。
輕決策場景可能要問的是，為啥要由坐席轉化，不能自轉化。
可能業務場景不一樣，策略也會有差異。
轉化率不等于轉化產能，但是我們的優質線索，是基于apl來計算的，而非轉化率。
高轉化率線索，如果其客單價太低，他也不能說是高價值線索。高價值線索轉化率可能僅比低價值線索高2倍，但是apl可能達到5~10倍。高價值線索，復購拖單能力也很強，績優坐席一單的銷售金額可能是普通線索的5~10倍，所以也不存在浪費績優坐席時間的問題。
如果不考慮銷售拖單這個場景，你這樣說倒也沒啥問題
這種只適合線索量很大的公司，沒啥線索的公司和只做大客戶的公司，等攢夠一波再分下去黃花菜都涼了。
的確是只適合線索量大的公司，但是本質原因是模型訓練的需要。
至于說是攢夠一波線索這個問題，其實在人員配比上，線索量少的時候，相對應配比的人員也需要相應減少（這就涉及到了基于線索量進行人員測算的系統），人員配比少了，那積累一輪分配需要的線索量也就減少了。
策略很具體，學習了