机器如何预测成交人工智能在评分中的运用实践

　　与传统评分模式和预测模型相比，引入了人工智能的评分会更加精确和科学，文章就人工智能在CRM评分中的运用展开了全方面分析，这可能是国内在这个方向可以看到的唯一资料了。
　　文章内容源于一些实践，希望读者对CRM业务架构实现有一定了解，例如线索管理、销售漏斗、商机管理、销售预测等；也希望对预测营销领域有稍微了解，例如潜在客户获取和潜在客户评分等。
　　人工智能和企业服务
　　最近在思考，为什么企业服务要与人工智能结合，个人觉得有这两点：
　　不管是因为人力成本增加还是其他红利的流失，企业越来越关注效率，人工智能的使命本身也是破局效率瓶颈。
　　之前企业信息系统主要关注在系统之间信息孤岛这个痛点，未来随着开放平台的发展，我们将更加关注企业业务过程数据与外部数据的结合。
　　我个人从事的领域主要还是在AICRM。2017我们也看到，AI应用在CRM中已趋势是大厂已经全面应用，甚至有的已经是多年，小厂都在及时布局，热闹程度一点都不亚于在线客服。技术应用也很广泛，例如图像识别的应用，国外saleforce识别库存、国内外勤365识别翻拍照片识别；语音识别和NLP的应用，呼叫中心质检和知识挖掘、Chorus。ai分析语音记录；还有智能助手、自动化步骤推荐、业绩预测和联系时间建议等。
　　之前聊过一些预测营销，在预测营销的两个主功能中大家最感兴趣的是潜客推荐，但最近我个人做得比较多的还是另外一个，就是评分。
　　评分对于CRM的意义
　　最近太多人与我讨论评分意义的问题，其实一个产品主要解决场景中的问题。CRM在中国还是一个ToBoss的产品，让销售管理者时时刻刻了解现有商机形势下完成销售目标的风险是评分目前最大的应用点。而此场景中的前提是商机总量要有一定规模，这样确定优先级和规模预测意义才会大。如果是一个大单性质的销售团队，十人以下，每人跟进的项目几个，销售过程基本全部依赖关系，确实评分没有任何意义。
　　评分在CRM中不是什么新鲜事，之前都是类似于调查问卷的形式，针对一些维度由销售人员和Coach来打分确定项目形式，国内的某产品和国外的ORACLE都看得到，主要还是基于线下的，这种模式下各维度权重基本属于人为猜测。而人工智能的技术发展使评分可以变得更加自动化，效率更高，应用面也更广。
　　评分对于CRM，我觉得核心意义主要在两点：
　　提升销售效率，实现收入最大化
　　这里主要还是提高人效。一方面评分使组织能够将处理的优先排序从一种很大程度上的主观过程转变成一种分析性的科学方法，有效降低了人与人之间认知的差别。另一方面机器承担了之前人更多的工作，大幅提升工作效率。
　　让销售业绩预测更加科学和准确，提高了收入预期的置信度，可以提前预知风险
　　销售业绩预测对于管理者是一个极为关注但又无法科学量化的数字。
　　传统CRM销售预测还是基于销售漏斗的商机阶段赢率加权来预测（销售商机金额赢率（）的加权总和），这其中阶段和赢率都是是一个人为确定的，看似科学其实可落地和准确度堪忧。
　　如果引入了基于人工智能的评分，数据方面，内部数据上下游系统数据CRM系统数据使数据维度更加全面，算法上引入机器学习的评分模型可以不断调整，所以用自动化的评分代替赢率才是科学预测业绩的最佳解决方案。
　　销售自动化中的评分实践
　　CRM销售管理的核心观点是销售自动化（SalesForceAutomation），销售自动化是信息技术和销售管理结合的最佳管理实践，其中流程中的三个对象也是被广泛利用，分别是线索、客户和商机。
　　线索评分关注的是契合度（相关度）
　　线索（Leads）：线索是最不确定的潜在客户，有可能完全不是企业的目标客户，也可能仅仅是一些错误的信息片段。线索来源非常广泛，有可能是客户随便在网站提交了询价信息，也有可能是企业通过爬虫从其他平台获取的信息，也有可能是购买的电话名单。
　　因为线索的不确定性，需要对线索做两件事，一是清洗线索甄别可能转化为目标客户，另一个是将筛选出的优质线索分配给最合适的人。所以评分上我们应该关注线索与理想客户画像的契合度：
　　契合度需要静态画像和也需要动态跟踪意向特征。如何甄别一个线索是不是潜在客户，我们需要先建立理想客户的客户画像，内部数据主要是CRM内部数据，而外部数据针对B2B企业可以结合企业数据构建（如工商、企业网站、招聘、财报、新闻等），针对B2C客户可以结合社交数据构建。除了静态画像之外，机器需要持续跟踪线索（如招聘更新、最近新闻、社交媒体更新等），当线索出现有利特征后需要主动提醒更新分数。
　　契合度最好做到千人千面。不同的销售，擅长开发的客户对象可能区别很大，评分模型最好做到针对个人，最优的分配机制可以最大化人效。
　　客户评分关注在健康度和价值
　　关于客户的分析有很多模型，如RFM、忠诚度、生命周期、信誉、贡献等，我觉得可以归纳为健康度和价值。健康度代表客户可以持续为企业带来收益的能力，而价值决定企业需要投入的资源。除了评分有效的引入提醒机制是非常有必要的，一切都为了预期业绩的最大化。
　　商机评分关注的是成单概率和优先级
　　商机：商机是更高质量的线索，是真正的潜在成单机会，也叫单子或是项目。销售对商机要进行有计划地，持续的跟进接触，最终转化为赢单。因为销售资源有限，销售人员应该多些精力关注在成单概率最高和最紧急的商机上。
　　所以评分上应该关注是成单概率和优先级，准确的预测成单概率可以让销售业绩预测置信度大幅提高。
　　上文在线索评分中我们了解过契合度，基于商机评分我们要引入新的维度叫参与度（粘度），其实在线索评分中也可以加入此维度（如网站访问次数、关键页面浏览等）。参与度是动态的，表示客户对于商机的参与情况或者说项目跟进的形势。
　　当然参与度和契合度理解起来还是太技术，在系统中我们可以将这两个维度拆解为以下更加直观的雷达图。在分析过程中除了数据的处理，NLP、机器学习和语音识别（录音数据）也是必不可少的。
　　总结
　　对比传统的评分模式，引入了机器学习的预测模型更加智能和自动化，因子的影响度更加准确。因此，预测性评分会根据客户的特点告诉你理想的客户应该是什么样子，现在的形势下我们可能获得多少业绩，而不是靠猜测。
　　但在数据方面，数据要够全面、完整和及时，需要获取从营销到客户着陆再到交易的全过程数据。针对数据建模，业务的个性化也是是实践中不得不面对的难题，因为解决问题的边界清晰是人工智能成功的必要前提。