导读:上篇(在线教育大数据营销平台实践(四):CRM线索生命周期与画像构建)作者讲解了线索的定义、生命周期与画像构建。本文作者将在上篇中重点介绍线索的筛选和培养，重点介绍筛选阶段线索的训练和量化评估线索质量所需的动态评分模型，并给出相应的解决方案与大家分享。
一、线索培养的必要性
1.企业视角
企业通过为用户提供持续的服务来达到盈利的目的，都希望用户高频高价消费，但前提是先将线索转化为付费用户，这就需要潜在用户的培养策略。根据Forrester的报告，90%的销售线索最终会丢失。其中一个主要原因是缺乏潜在用户培养过程。有铅培育机制的公司平均可以降低60%的投入成本，培育的铅比未培育的铅销售额高47%。
2.销售角度
企业从各种
二、线索培育机制设计
线索培养和用户运营密切相关，是一个养小鱼的过程。它要求用户运营人员将销售线索转化为高质量的销售线索，以满足销售跟进，然后再将其转移到销售团队进行跟进。这个过程需要运营团队和销售团队的密切合作。
以在线教育为例，用户运营需要分别在购买阶段和课程服务阶段给出用户体验地图运营方案(这里不赘述，各公司需要结合自身内部业务和用户运营体系建立方案)，并保证地图各环节运营策略的有效执行。
培育机制的建立，尤其是各个环节的打通，需要CRM系统的支持，实现机制的规范化和自动化，从而提高整体的运行效率。下面是线索培育CRM系统的设计思路。
在最初的渠道筛选中，线索的渠道很多，不同渠道的线索质量也参差不齐。线索初始阶段的质量判断可以基于信道特征信息来评分。训练渠道质量评分模型可以基于业务专家的经验，也可以基于无监督学习，对不同渠道线索的转化效果进行分层，通过对转化效果进行排序，建立评分集。高评级的线索需要发送给销售团队跟进，低评级的线索先进入预培养池，通过运营提升质量。线索预培养，线索预培养的对象是渠道初筛阶段的低质量线索。提升线索质量的主要动力是新用户购买旅程图各阶段运营策略的落实。各阶段运营策略的实施，会让用户的产品有不同的行为反馈，我们会通过埋点来抓取这些行为数据；能否提升用户质量，取决于穿越操作水平和高意图行为的触发。直到我们通过用户行为数据判断用户能够达到跟进状态(符合预定规则)，我们才会激活到销售跟进的循环。培养&跟进，这个阶段的线索就是能满足跟进状态的线索。用户购买之旅的运营策略要配合销售的后续流程，核心目的是促使客户成单；这个阶段的线索质量不是一成不变的，而是随着客户的心理和对产品、环境的认知的变化而变化，而变化又通过用户的行为反馈回来。我们需要通过动态评分模型来量化它们。在这个阶段，评分模块需要考虑用户的购买旅程阶段，销售跟进的购买意向阶段(参考前面的意向阶段SOP)，以及线索的行为评分。服务和再购买，新用户付费后进入这一阶段。这时候运营的目的就是在满足用户服务体验的基础上，尽可能让客户重新购买。动态评分机制需要考虑用户的学习旅程阶段和重购意愿。
三。线索激活和分发方案
1.手动标记
在系统功能不可用的情况下，可以由操作员手动启动线索的预培养和激活及跟踪。具体流程如下。运营人员根据数据平台上的规则在预培养池中圈出具有销售跟进特征的用户，导出圈出用户的uid列表，人工上传CRM系统并标注相应的特征标签来代表这些用户，通过CRM的数据流转机制分发到合适的销售跟进。
尽管手动贴标方案可以确保流程正常运行，但存在明显的缺点:
圈选维度少、准确率低重复性搬砖工作，耗费人力触达及时性欠佳
2.系统自动化
(1)方案建设
在分析了手工标注的弊端后，作者给出了一种基于系统机制的自动化解决方案。我们通过webhook连接厕神系统和CRM系统来构建解决方案。
在厕神的智能操作中设置圆选择规则。有两种类型的规则:定时和触发。多维度综合选圈可以选择计时规则；意向高量小的行为建议触发，可以保证时效性。Webhook1:跨品类引领裂变渠道。线索进入预孵化池后，由于一系列运营动作的引导，可能会产生除同类品类购买意向外的其他品类的购买需求。锁定这部分用户，可以起到流量复用的效果，无疑有助于企业平均分摊流量成本。Webhook2:优质的线索激活渠道，通过运营策略的实施持续影响线索的培养。在销售线索引发高意向行为并满足跟进条件之前，它会被激活并通过此渠道分发，以便销售人员进行跟进。与CRM的沟通渠道需要设置一些自定义参数，尤其是标签名称需要用户自定义；系统和CRM系统的用户唯一性标记参数应一致。需要对CRM系统的销售跟进情况进行掩埋，通过对掩埋数据的跟进情况进行分析诊断，为策略优化提供数据支持。(2)策略配置的例子
第一步:设置触发条件。需要设置的参数包括:计划类型(单次定时、重复定时、触发类型)、触发时间、起止时间、控制组比例等。第二步:从用户基本属性、用户行为或用户行为序列三个维度设置受众用户圈选择规则。多个行为的组合关系可以是与、或的逻辑关系。第三步:触摸配置，选择对应的webhook触摸通道(裂变、激活)，设置对应的配置参数。第四步:激活后的目标设定，用来跟进激活后的转化；比如插图设定了两个目标，第一个目标是销售是否会及时跟进，第二个目标是销售是否会在5天内完成。
四。动态评分模型介绍
1.规则评分
(1)流程架构
线索的初始质量判断可以基于信道特征信息来评分。训练渠道质量评分模型可以基于业务专家的经验，也可以基于无监督学习，对不同渠道线索的转化效果进行分层，通过对转化效果进行排序，建立评分集。最后会换算成10分制，作为线索动态的初始分值；评分计算包括加分机制和减分机制，不同的机制有其对应的评分规则；分数更新本期采用T+1模式，凌晨计算更新；动态分值为100分，应折算成标准分值10分，映射到实例级(2)行为因素识别方法。
规则是对行为因素的分层量化，因此准确识别与线索质量高度相关的行为因素非常重要。在行为识别过程中，主要采用两种方法:头脑风暴法和德尔菲法。头脑风暴要求参与者具备较好的素质，尤其是主持人的能力。主持人必须遵守延时评估原则，各种意见和方案的评估必须放在最后阶段。
这些因素满足与否会影响头脑风暴的效果。为了保证行为因素识别的准确性，建议同时采用德尔菲法。
行为识别的过程需要重复进行不少于三轮，每轮的流程如下:专家组成员根据以往的经验和专业知识给出影响线索质量的用户行为因素，产品经理对收集到的结果进行汇总，并将汇总结果再次发送给专家成员，让专家根据汇总结果重新评估行为因素，并反馈给产品经理。以下是一组衰减行为因子的识别结果示例，供您参考:
2.算法评分
基于机器学习算法的评分可以借鉴经典的记分卡模型。这是一个基于Logistic的记分卡模型的开发过程。
数据采集，选取的数据主要包括线索基本信息、行为数据、标签数据、交易数据等。进一步挖掘获得的原始数据，观察样本的总体分布，正负样本是否均衡。在原始数据的基础上，根据业务需求、数据性质、结构和内部逻辑对数据进行分类、合并和分组，最终建立数据集。这个过程可以在数据仓库中完成。数据预处理，主要包括数据清洗、缺失值处理、异常值处理、数据标准化等。，主要是将获取的原始数据转换成可以用于模型开发的格式化数据。在模型开发中，类别变量直接按类别用WOE变换，连续变量先分盒再用WOE变换。用logistic回归、决策树等模型方法建立分类模型时，往往需要根据信息值(IV)筛选自变量，然后基于logistic回归算法训练模型。模型评估，这一步主要是对模型的判别能力、预测能力、稳定性进行评估，形成模型评估报告，得出模型是否可以使用的结论。实施，即模型制作后的在线工作，包括模型部署、策略制定、模型监控、基于监控指标的参数调优和持续迭代优化。
第五，写在最后。
在这一章中，针对CRM线索的培育和筛选机制以及动态评分模型给出了相应的解决方案。下一篇文章将分析一个相对较大的铅资源量、各种数据类型、一个庞大的销售团队(数千人)所面临的数据流转和销售跟进问题，并结合作者的实践经验给出相应的数据分发和资源跟进机制的解决方案。感兴趣的读者请持续关注！
#相关文章#
在线教育大数据营销平台实战(四):CRM线索生命周期与用户画像构建
在线教育大数据营销平台实战(三):数据产品实施推广实战
在线教育大数据营销平台实战(二):快速搭建数据运营平台的MVP方案
在线教育大数据营销平台实战(一):大数据平台建设实战
本文由@Tigerhu原创发布。大家都是产品经理，未经作者允许，禁止转载。
题目来自Unsplash，基于CC0协议。
