电销CRM分配中的算法决策

7 评论 1386 浏览 11 收藏 10 分钟

在电销类CRM中,我们可以用算法对客户线索进行销售座席的分层分类,其中最重要的就是算法决策问题。如何通过算法决策,进行自动化的分层匹配,从而实现全局的线索-坐席的最优匹配?

之前我有在CRM电销系统中,如何进行客户数据管理与精细化分配?一文中,介绍了我们可以利用算法,对客户线索的质量进行判断,同时对销售坐席的分层分类,最终基于分配规则,实现客户线索的分层分配。

虽然在客户线索的分类上,我们用到了算法,但本质上,我们的分配其实仍然是基于规则。客户线索的分类越多,线索质量、销售坐席分层的层级越多,我们就需要配置更多的规则。假设我们有3类线索,每类线索的质量等级有5个级别,分别对应5个层级销售坐席,那么,基于规则的分配,理论上,我们需要配置3*5=15条分配规则,如果要考虑到线索的分配溢出,则可能需要依赖更多的规则。实际的业务运营中,我们线索的类型绝对不会只有3类,这样对于CRM的运营人员来讲,日常的规则配置成本就比较高了。

那么有没有可能,我们能减少对规则配置的依赖,通过算法决策,进行自动化的分层匹配,从而实现全局的线索-坐席的最优匹配?笔者曾经在CRM的算法分配策略中,做过一些探索和实践,分享出来供大家参考。

分层分配最基础的原则就是效率原则:优质线索优先分配给绩优坐席,普通线索分配给普通坐席。

理论上,对成交转化数据最直接的影响就是线索质量与坐席能力,假设:基础成交转化=线索质量系数*坐席出单能力系数。我们可以假设普通普通坐席的出单能力系数为1,绩优坐席系数为1+λ。普通线索的系数为1,优质线索的系数为1+α。我们比较“优配优/普配普”和“优配普/普配优”的方案时,就可以计算出两种方案的成交转化差值=[(1+λ)*(1+α)+1*1]-[(1+λ)*1+1*(1+α)]=λ*α。

当λ、α均为正值时,一定是优质线索优先分配给绩优坐席,普通线索分配给普通坐席效率最优。

同时,分层分配这个机制,本身也会正向鼓励坐席去努力提升变成优秀的坐席。

实际的电销业务的工作场景下,由于客户的线索会占用客服的时间资源,同时,活跃的客户的线索会随着时间的流逝,降低自身价值。如果在分配时,一味向最好的坐席倾斜最好的线索资源,也会导致优质线索在绩优坐席手中积累,无法及时拨打,从而降低了线索的价值。所以,我们在做算法分配时,需要考虑多方面的因素,不能仅仅考虑单个客户线索或单个客服分配的绝对最优,而是去思考如何做到针对于所有分配线索、所有销售坐席的全局最优分配。

一、失败的第一版尝试

基于运营分配规则的分配策略中,由于考虑到分配时效的问题,我们在线索入库的第一时间,就会根据规则实时将线索下发给坐席。

最初的算法分配的方案中,我们仍然想采用这样的流动式分配模式。但是这样的分配模式产生了一个问题:举例,假设我们有甲、乙、丙三个销售坐席,销售能力:甲>乙>丙,同时有A,B,C三条线索,线索质量:A>B>C。以成交率最优的原则,我们期望的最终分配结果是:甲坐席获得A线索,乙坐席获得B线索,丙坐席获得C线索。但是由于A、B、C三条线索并非同时进线,对于独立的A、B、C线索而言,由于甲的销售最强,算法会认为甲都是A、B、C线索的最优选择。

如果按照这样的分配方案,毫无疑问,线索会聚集性的分配到甲坐席手中。为了避免这样的问题,我们除了依赖算法的匹配度分值数据外,增加分配权值数据。一旦销售坐席被分配了一条新的线索时,他的分配权值会降低,这样就避免将线索聚集分配给一个人的情况。

但是这样的方案,又产生了一个新的问题。由于线索进线的顺序,我们是不可控的,如果客户线索按照C->B->A这样的时间顺序进线,当独立的C线索进线时,由于缺乏可供对比的其他线索,我们会认为C线索的最优分配方案是分配给甲,同时降低甲的分配权值,之后B、A依次进线,如果基于“算法分数+分配权值”进线分配,会依次将线索B分给乙,线索A分配丙。这样的分配结果,和我们预期的分配结果颠了个倒,显然是不能满足业务的诉求的。

二、重构后的算法分配方案

对第一版的失败做了分析总结,第一版方案中最大的问题是,实时进线的数据,由于是流动式的进线并进行分配,线索与线索之间没法做横向的比较,即便我们人工去定义一个90分的线索为优质线索,但如果接下来的100条线索都是90+的分数,那么这个90分的线索反而成为了最差的那条线索。

所以,新的算法分配方案,不再采用流动式的分配策略,而是通过“线索进线=》锁定线索=》批量提交算法=》程序执行分配”的流程进行分配。我们将分配的节奏切分为一个个小的时间切片,每个时间切片,根据进线线索的数量、需要分配的坐席数量、分配的时间间隔来决定。

假设有100个坐席等待分配,那么,当第1~第99条线索进线时,我们会临时将这99条线索锁定,等第100条线索进线,我们会同时将100个坐席和100条线索批量提交给算法,由算法计算出100*100=10000个匹配的分值。从这个10000个匹配分值中,自上而下挑选,分值最高的,则必然是这10000个匹配关系中的最优匹配。坐席和线索命中匹配后,将10000个分值中和该坐席、该线索的分值全部剔除,再将剩余的分值自上而下排序,挑选最高分值,并依次类推,最终得到100个坐席和线索的匹配关系。理论上讲,这就是算法得出的最优匹配规则。

算法在计算匹配分值时,除了基于线索的自身的原始价值、销售坐席的原始能力外,还会额外考虑线索在CRM库中等待的时间、销售坐席持有的未进行首次拨打的线索的数量等因素。举例来讲,如果线索在昨晚24点进线,第二天9点分配时,与该线索在库内停留时间过长,与该线索相关的匹配分值都会进行相应降低。如果坐席的待首拨线索过多,意味着他需要花很多的时间处理跟进这些线索,那么与该坐席相关的匹配分值也会相应降低。

三、结语

重构后的算法分配方案,在逻辑上,被认可为一个可靠的方案,但是在实际的测试过程中,仍然遇到了很多现实的问题。首先,算法模型的质量,依赖于算法工程师的能力。其次,模型的训练也需要大量的基础数据。

所以,算法分配,只适合在线索的规模体量大、技术能力比较强的公司,在中小型公司可能并不是十分地适用。

本文由@爱吐槽的徐教授 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. 优质线索优先分配给绩优坐席,普通线索分配给普通坐席。

    这个原则是不是也有问题,从全局最优的角度考虑,优质线索给绩效中等的坐席,次优线索给绩优坐席是不是更好。

    来自上海 回复
    1. 你这个原则是通过逻辑推导出来的,还是数据验证出来的?不太理解为啥这个策略会更好

      “优质线索优先分配给绩优坐席,普通线索分配给普通坐席”的逻辑推导本文已经写过了,实际上我们在生产是做过很多AB测试,验证过这个策略是有效的。

      来自上海 回复
    2. 逻辑推导和数据实验都做了。

      逻辑推导的理论是,当一个优质线索足够优质时,不管是绩优坐席还是普通坐席去转化,转化率可能都很高,就没必要去浪费绩优坐席的时间了,绩优坐席应该分配给那些需要努努力才能转化的线索。

      当然我说的场景是重决策的场景,类似买房、买车,如果只是轻决策场景,可能不适用。

      轻决策场景可能要问的是,为啥要由坐席转化,不能自转化。

      来自上海 回复
    3. 可能业务场景不一样,策略也会有差异。
      转化率不等于转化产能,但是我们的优质线索,是基于apl来计算的,而非转化率。
      高转化率线索,如果其客单价太低,他也不能说是高价值线索。高价值线索转化率可能仅比低价值线索高2倍,但是apl可能达到5~10倍。高价值线索,复购拖单能力也很强,绩优坐席一单的销售金额可能是普通线索的5~10倍,所以也不存在浪费绩优坐席时间的问题。

      如果不考虑销售拖单这个场景,你这样说倒也没啥问题

      来自上海 回复
  2. 这种只适合线索量很大的公司,没啥线索的公司和只做大客户的公司,等攒够一波再分下去黄花菜都凉了。

    来自广东 回复
    1. 的确是只适合线索量大的公司,但是本质原因是模型训练的需要。
      至于说是攒够一波线索这个问题,其实在人员配比上,线索量少的时候,相对应配比的人员也需要相应减少(这就涉及到了基于线索量进行人员测算的系统),人员配比少了,那积累一轮分配需要的线索量也就减少了。

      来自上海 回复
  3. 策略很具体,学习了

    来自四川 回复