CRM系统中的线索评级系统该如何设计?

0 评论 3364 浏览 39 收藏 13 分钟

CRM系统是帮助企业建立、维护和优化企业与现有以及未来客户关系的一种技术,下面文章是笔者整理分享的关于CRM系统中的线索评级系统该如何设计的相关内容,想要了解这方面知识的同学的接着往下看哦!

系统中的线索评级系统,可以说是最终交易数量高低的决定性因素。所以今天我向大家分享我在这方面的思考。

首先,需要跟大家统一概念:线索和客户。从实际业务上来看,线索是指客户的购买意向、描述的是“事”,而客户描述的是“人”。一个客户可以存在多条线索,所以当一条线索进入系统时,首先应该用OneID策略创建客户,再创建线索。今天分享的评级系统也是是针对线索的。

构建线索评级系统的目标是对线索进行质量评估,将线索分级,以便销售团队可以区分线索价值的高低,按优先级进行处理。接下来我将从5个方面来说明如何设计线索的评级系统:评级维度、评级模型、动态调整、评级排序、评级监控。

一、评级维度

评级维度,可以从客户特征、购车意向、客户价值等维度设定评级指标,如客户年龄、职业、预计购车时间、车型偏好、潜在成交额度等。详细内容如下:

  1. 客户特征维度
  • 基本信息:年龄段、职业、婚姻状况等
  • 财务状况:收入水平、资产范围等
  • 消费能力:信用记录、还款能力等
  • 地域信息:所在城市、距离门店距离等
  1. 购车意向维度
  • 购车目的:自用、出租、商业等
  • 购车时间:1个月内、1-6个月等时间范围
  • 车型偏好:SUV、房车等车型首选项
  • 预算水平:10万以下、10-20万等价位区间
  • 品牌偏好:本田、丰田等首选车辆品牌
  1. 客户价值维度
  • 客户类型:VIP、普通等级划分
  • 客户潜力:预估未来5年内购车次数
  • 客户流失风险:查看社媒是否关注竞争对手
  • 成交潜在金额:基于意向计算的可能成交金额

4. 客户行为维度

  • 活动参与:线上注册/线下参加活动的次数
  • 试驾次数:预约/完成试驾的次数
  • 到店次数:实际到店参观或咨询的次数
  • 接通电话:能够接通电话跟进的比例
  • 回复率:回复销售代理Email或短信的比例
  • 信息完整度:完成线索信息录入的程度

这些维度相关的量化指标可以直接反映线索的响应程度和价值高低。

二、评级模型

评级模型,可以根据不同维度设定打分标准,建立评级计算模型。可以采用自下而上的赋分方式,也可以采用自上而下训练评级模型

1. 自下而上的赋分方式

这种方法是根据每个评级指标设定打分标准,比如地域指标可以设置:

A市:10分 B市:8分 C市:5分

然后对每个线索按照指标打分并求和,得到总分,再根据总分区间确定线索级别,比如:

80-100分:A级线索  60-79分:B级线索

优点是规则简单直观,缺点是不够智能和精确。并且在实际场景中是没有办法得到客户的所有信息的。所以可以采取以下方式公平合理地对不完整信息的线索进行评级,既不失去这部分线索,也不让评级失去公信力:

  • 对必填信息设置权重更高的分值,鼓励销售人员至少收集关键信息。
  • 对非必填信息设置默认值,在缺失时自动使用默认值计分。
  • 利用客户所在区域等信息,采用类似客户的打分进行评估。
  • 只计算有值的指标进行打分,并按比重进行等价转换到总分。
  • 设定信息缺失机制,按缺失比例减去部分基础分值。
  • 利用机器学习模型,进行信息缺失的预测打分。
  • 信息补全到一定程度后,才会自动触发评级计算。

另外我们可以在系统自动评级的基础上,再加入管理人员的人工评级模块:

  • 管理人员可以查看并编辑系统评级结果,调整线索的级别。
  • 管理人员可以从更宏观的角度,根据对市场和重点线索的判断进行评级。
  • 管理人员可以将历史转化数据很好的线索标记为优先级。
  • 管理人员可以结合非系统化信息和经验进行评级。
  • 系统可以记录管理人员评级overrides的情况,进行校验与优化。
  • 对于重要级别的线索,可以要求管理和销售双重确认。

引入适当的人工评级,可以使线索评级更加全面和精准。但也需要控制管理人员评级的质量,避免出现非系统性偏差。总体上结合自动评级和人工评级应该可以获得最佳的线索等级结果。

2. 自上而下训练模型

我请教了相关的技术人员,给出了以下概述性的方法,仅供参考,实际需要产品同学和技术同学进行深入的研究和讨论。

  • 收集历史线索数据作为训练集,包括线索特征、客户行为和最后转化标签。
  • 对训练集数据进行预处理和清洗,处理缺失值、异常值、进行特征工程等。
  • 确定模型算法,可以考虑逻辑回归、决策树、随机森林等。也可以试验不同算法的效果。
  • 划分训练集和验证集,训练模型并在验证集上测试效果。调参优化直至达到可接受的准确率。
  • 得到初步模型后,可以采用k折交叉验证等方法进一步提升模型稳定性。
  • 如果数据集较小,可以考虑采用迁移学习等方法进行预训练。或者增广数据提高量级。
  • 监控新数据的预测效果,如果准确率明显下降则需要重新训练模型。
  • 可以建立模型评估体系,定期重新训练和测试,选择最佳模型推入生产。
  • 预测结果中可以给出每个级别的置信概率,方便管理人员校验。
  • 可以将模型部署到线上 servers,对新线索实时预测及评级。

这样培训和应用机器学习模型,可以使线索评级自动化和智能化。

三、动态调整

动态调整,随着时间推移,线索情况会变化,需要建立定期或不定期重新评估线索级别的机制,保证评级的动态更新以及线索重要程度的正确性。通常会采取以下措施:

  1. 可以设置定期重评时间间隔,如每月或每季度重评一次。
  2. 也可以基于线索联系情况,设置动态重评规则。例如1个月无联系则重评。
  3. 重评采用的模型可以与初始评级不同,使用更新优化的模型。
  4. 重评结果与初始评级进行比较,分析升降级情况。
  5. 要控制重评结果变化幅度,避免评级剧烈晃动。可设置升降级阈值。
  6. 重评结果进入待审核状态,由管理人员复核后生效。
  7. 重评报告需汇总重评分析,包括升降级分布、SWOT等。
  8. 如果出现大面积误升降级,需要评估模型及标准是否合理。
  9. 重评结果同步到销售和管理端,沟通说明等级变化。
  10. 观察重评后线索处理效率、销售满意度等变化。

四、评级排序

评级排序,对线索级别进行排序,A级、B级等,让销售可以清楚知道线索的相对价值高低。评级结果直接影响线索分配和处理优先级。方法如下:

  1. 评级结果应分为不同级别,每个级别对应一个分值范围。例如:

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

  1. 在同一级别内部,也可以设置更细致的小级别,每级跨度5分或10分等。例如A级可以细分为A1、A2等。
  2. 历史实际转化率高的级别可以向上调整,赋予更高排序。
  3. 可以设置权重,强调客户特征、购车意向等关键维度对排序的影响。
  4. 支持管理人员自定义排序规则,如地域权重、特定车型加分等。
  5. 针对销售团队,可以只展示线索相对等级,不透露实际分值。
  6. 在线索列表展示时,按照级别降序排列。级别内部则按照分值排列。
  7. 支持按不同维度排序,例如最近联系时间排列。
  8. 移动端也要展示排序结果,并支持客户经理调整顺序。

综合考虑多个因素对线索排序,可以让销售迅速定位重点线索。

五、评级监控

评级监控,对评级结果进行持续监控验证,如跟踪不同级别线索的最终转化情况,以优化评级模型。方法如下:

  1. 将线索的评级结果与最终是否转化成订单进行匹配分析。
  2. 统计不同级别线索的实际转化率,是否与预期匹配。
  3. 如果某些级别线索的转化率出现明显的偏差,则需要检查评级模型。
  4. 将评级结果与销售团队的反馈进行对比,看评级是否合理。
  5. 评级结果实时输出到管理端,管理可以样本抽查评级效果。
  6. 重点关注评级变化较大的线索,确认变化原因。
  7. 定期重评线索并对比新旧级别,观察一致性。
  8. 挖掘导致评级差异的评分指标,进行模型调整。
  9. 统计不同销售对同一线索的评价差异,提供调整参考。
  10. 建立评级质量考核机制,追踪责任并进行优化。

通过闭环式的监控和反馈,可以持续改进线索评级机制,使之与实际情况保持同步。

六、总结

评级系统是一项复杂且需要耗费大量时间的项目,但一旦完成将大大提升效率,并促进交易的产生。希望今天的分享对你有帮助。

本文由 @天眼 原创发布于人人都是产品经理。未经许可,禁止转载。

题图来自Unsplash,基于CC0协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!