在線教育大數據營銷平台實戰(五)：CRM線索培育機制及動態評分模型

一、線索培育的必要性1. 企業角度

企業通過為用户持續的服務達到盈利的目的，企業都希望用户高頻高客單消費，但前提是先把線索轉化為付費用户，這就需要依託潛在用户培育策略。根據Forrester的報告顯示，90%的銷售線索最終都流失了，其中一個主要原因就是缺乏潛在用户培育過程，擁有線索培育機制的公司平均能降低60%的投入成本，經過培育的線索比未經培育的線索銷售額高出47%。

2. 銷售角度

企業從多種渠道獲取的線索可能高達80%是過時或者無效的，銷售人員需要花費大量的時間、人力去甄別線索質量，再加上大部分銷售缺乏線索質量篩選的經驗，造成盲打的情況，會增大無法及時跟進優質線索的機會成本。通過線索培育機制將大量早期潛在用户線索轉化為可跟進狀態，助力銷售縮短成交時間，另外借助智能運營工具實現個性化推送，提升效率。

二、線索培育機制設計

線索培育與用户運營密不可分，這是一個把小魚養大的過程，需要用户運營人員在將線索轉給銷售團隊跟進之前，把線索轉化為滿足銷售跟進的高質量線索，這個過程需要運營團隊和銷售團隊的緊密配合。

以在線教育為例，用户運營人員需要分別給出購買階段和課程服務階段的用户體驗地圖運營方案（這裏我不在展開闡述，各家需要結合自己內部業務和用户運營體系建立方案），並保證地圖各環節的運營策略有效執行。

培育機制的建立尤其各環節的打通需要CRM系統的支持來實現機制標準化、自動化，從而提升整體運營效率，下面給出CRM系統針對線索培育的設計思路。

• 渠道初篩，線索的渠道眾多，不同渠道來源的線索質量也參差不齊，線索初期的質量判斷可以基於渠道特徵信息進行打分。訓練渠道質量評分模型可以基於業務專家經驗建立打分模型，或者基於無監督學習對不同渠道線索的轉化效果進行分層，通過對轉化效果的排序建立評分集。高評分的線索需要及時下發給到銷售團隊跟進，低評分線索先進入預培育池通過運營提升其質量。
• 線索預培育，線索預培育針對的對象即渠道初篩階段的低質量線索，線索質量提升的主要動力即新生用户購買旅程地圖中各階段運營策略的執行，各階段運營策略的實施都會讓用户產品不同的行為反饋，我們通過埋點將這些行為數據抓取到；用户質量能否提升，取決於穿越的運營層級和高意向行為的觸發，直到我們通過用户行為數據判斷用户達到可跟進狀態（匹配到預定規則），就激活流轉給銷售跟進。
• 培育&跟進，此階段的線索是滿足可跟進狀態的線索，用户購買旅程的運營策略要配合銷售的跟進流程，核心目的就是促使客户成單；這個階段的線索質量好壞不是一成不變的，隨着客户心理，對產品和環境的認知程度的變化而變化，其變化通過用户行為反饋出來，我們需要通過動態評分模型將其量化，此階段評分模塊需要考慮用户所出去的購買旅程階段、銷售跟進的購買意向階段（參見上篇的意向階段SOP）、線索行為評分。
• 服務&復購，新用户付費後進入此階段，此時的運營目的是滿足用户服務體驗的基礎上儘可能讓客户復購，動態評分機制需要考慮用户學習旅程階段、復購意願程度。

三、線索激活下發方案1. 人工打標籤

線索預培育和激活跟進在系統功能不具備的情況下可以通過運營人員人工操作的方式先跑起來，具體流程如下圖。運營人員在數據平台基於規則圈選預培育池中具備銷售跟進特徵的用户，導出圈選用户的uid列表，人工上傳CRM系統並打上相應的特徵標籤表示這部分用户，通過CRM的數據流轉機制分配給合適銷售跟進。

人工打標籤的方案雖然能保證流程跑起來，但是存在明顯短板：

• 圈選維度少、準確率低
• 重複性搬磚工作，耗費人力
• 觸達及時性欠佳

2. 系統自動化

（1）方案構建

分析完人工打標籤的方法劣勢後，筆者給出基於系統機制自動化解決的方案。我們是通過將神策系統與CRM系統通過webhook打通的方式構建的解決方案。

• 在神策智能運營上設定圈選規則，規則類型有定時和觸發兩種，多維度綜合圈選可以選擇定時規則；高意向數量少行為建議採用觸發型的，能夠保證及時性。
• Webhook1：跨品類leads裂變通道，進入預培育池後的線索由於一系列運營動作的引導，可能會產生相似品類購買意願以外的其他品類的購買需求，鎖定這部分用户可以起到流量複用的效果，無疑能幫助企業平攤流量成本。
• Webhook2：高質leads激活通道，通過運營策略的執行來不斷影響培育線索，直到線索觸發高意向行為，達到可跟進條件，就通過此通道激活下發讓銷售跟進。
• 與CRM打通的通道需要設定一些自定義參數，尤其是標籤名稱需要用户自定義；數據系統與CRM系統的用户唯一性標記參數要一致。
• 要對CRM系統銷售跟進情況進行埋點，通過對埋點數據的分析診斷跟進情況，為策略的優化提供數據支持。

（2）策略配置舉例

• Step1：設定觸發條件，需要設定的參數包括：計劃類型（定時單次、定時重複、觸發型）、觸發時間、起止時間、對照組佔比等。
• Step2：受眾用户圈選規則，從用户基本屬性、用户行為、或者用户行為序列三個維度進行設置，多個行為的組合關係可以是且、或的邏輯關係。
• Step3：觸達配置，選擇對應的webhook觸達通道（裂變、激活），並設定相應的配置參數。
• Step4：激活後目標設定，用來跟進激活後的轉化情況；比如圖示設定了兩個目標，首要目標是銷售是否及時跟進，第二目標是5天內是否成單。

四、動態評分模型簡介1. 規則評分

（1）流程架構

• 線索初期的質量判斷可以基於渠道特徵信息進行打分。訓練渠道質量評分模型可以基於業務專家經驗建立打分模型，或者基於無監督學習對不同渠道線索的轉化效果進行分層，通過對轉化效果的排序建立評分集。最後會換算到10分制，此分數作為線索動態的初始分數；
• 分值計算包括加分機制和減分機制，不同機制有其對應的評分規則；
• 線索分數更新本期採用T+1模式，凌晨計算更新；
• 動態評分滿分100分，要換算到標準分10分，並映射為例子等級

（2）行為因子識別方法

規則評分是對行為因子的分層量化，因此準確識別出與線索質量相關性高的行為因子至關重要。行為因子識別過程中，主要藉助頭腦風暴法和德爾菲兩種方法。頭腦風暴法要求參與者有較好的素質，尤其是主持人的能力要求更高，主持人必須遵守延遲評判的原則，對各種意見、方案的評判必須放到最後階段。

這些因素是否滿足會影響頭腦風暴法實施的效果。為了保證行為因子識別結果的準確性，建議同時採用德爾菲法。

行為因子識別的過程需要反覆進行不能低於3輪，每一輪的流程如下：專家組成員根據以往經驗和專業知識給出影響線索質量的用户行為因子，產品經理對收集到的結果進行彙總歸納，並將彙總結果再次發送給專家成員，讓專家基於彙總後結果重新評判行為因子並反饋給產品經理。下面舉例一個衰減行為因子集的識別結果供大家參考：

2. 算法評分

基於機器學習算法的評分可以借鑑經典的評分卡模型，下面給出一個基於Logistic的評分卡模型的開發流程。

• 數據獲取，選取的數據主要包括線索基本信息、行為數據、標籤數據、交易數據等；對獲得的原始數據進行進一步的探索，觀察樣本的總體分佈情況，正負樣本是否均衡。在原始數據的基礎上，根據業務需求、數據性質、結構及內在邏輯，對數據進行歸類、合併、分組，最終建立數據集，這個過程可以在數倉完成。
• 數據預處理，主要工作包括數據清洗、缺失值處理、異常值處理、數據標準化等，主要是為了將獲取的原始數據轉化為可用作模型開發的格式化數據。
• 模型開發，類別變量根據類別直接進行WOE變換，連續變量要先進行變量分箱再進行WOE變換，在用邏輯迴歸、決策樹等模型方法構建分類模型時，經常需要對自變量進行篩選，基於信息價值（IV）進行，然後基於邏輯迴歸算法訓練模型。
• 模型評估，該步驟主要是評估模型的區分能力、預測能力、穩定性，並形成模型評估報告，得出模型是否可以使用的結論。
• 實施優化，該環節是模型生產後上線工作，包括模型部署、策略制定、模型監控並基於監控指標進行參數調優不斷迭代優化。

五、寫在最後

本章針對CRM線索培育篩選機制及動態評分模型給出了相應的解決方案，下篇文章會針對線索資源量相對較大、數據類型多樣、銷售團隊人員多（上千人）面臨的數據流轉和銷售跟進的問題進行分析，並結合筆者實踐經驗給出相應的數據分配和資源跟進機制解決方案，感興趣的讀者請持續關注！

#相關文章#

《在線教育大數據營銷平台實戰（四）：CRM線索生命週期及用户畫像構建》

《在線教育大數據營銷平台實戰（三）：數據產品實施推廣實戰》

《在線教育大數據營銷平台實戰（二）：快速構建數據化運營平台的MVP方案》

《在線教育大數據營銷平台實戰（一）：大數據平台構建實戰》

本文由 @Tigerhu 原創發佈於人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基於CC0協議。