存量竞争市场中，企业需要通过精细化运营提升客户价值与 ROI。数据智能作为先进生产力，在搜索、广告、推荐业务方面已经足够成熟，那么它是如何助力销售提升效能呢？本文将详细介绍。
一、销售效能提升的三大关键点线索是企业重要的生产资料，围绕线索流转可以将销售划分为线索筛选、线索分配、线索跟进三个环节。
1、线索筛选
好线索和差线索的转化率相差 10 倍以上，因此线索质量是影响销售效能的关键因素。对线索进行质量评分，基于评分进行分层运营，可以有效提升销售效能。
2、线索分配
线索质量和销售能力都会影响销售效能。做好线索分配，避免好销售被差线索浪费、好线索被差销售浪费，同样可以提升销售效能。
基于线索评分和销售分档采取好分好（好销售分好线索）、好分多（好销售分多线索）的方法，能充分发挥好销售、好线索的价值，并激励销售变得更好。
在采取上述方法时要注意销售对线索的偏好。同一档次的销售也会存在对线索偏好的差异。比如，某公司通过观察同一档次销售在不同年级线索上的跟进情况发现，销售 A 不擅长和研究生学历的用户沟通，与初中学历的用户沟通却很顺畅，但销售 B 却非常擅长和研究生学历的用户沟通。
因此，考虑销售对线索的偏好后，可以把线索和销售配对进行评分，将线索销售配对评分和销售每天的线索配额结合再进行线索分配，就会产生多种分配方式，可以是简单的规则匹配，也可以是理想的全局最优分配方法。
3、线索跟进
线索分配给销售后，进入销售个人池。销售个人池有当日的新线索、公海回捞的老线索以及历史积累的线索。企业需要判断线索跟进的顺序及重要程度。举个例子，某公司在应用智能技术对之前一个月的线索跟进情况进行线索评分，对线索进行质量打分并划分为 10 档，发现最高档线索的跟进率很高，但还有一定提升空间；但同时，销售在低质量线索上浪费了不少精力。区分销售个人池线索质量，帮助销售把精力聚焦在好线索上，避免精力浪费，可以大幅提升销售效能。
对于线索评分，过去常常用规则来做，依赖专家经验和人工总结，对各类特征设置加减权重。规则评分的好处是启动简单，但也同时存在着三大缺点：一是能应用的规则有限，评分不精准。二是能利用的信息有限，比如语音、聊天等非结构化的信息无法充分利用，也难以利用销售对线索的偏好信息，这两者都会导致评分不够精准。三是在数据环境发生变化时候，规则迭代优化依赖人工做数据分析和策略，费时费力。
线索评分本质上是转化概率预测，这种概率预测技术应用非常广泛。比如，个性化推荐系统、广告投放系统背后都会使用点击概率预测。同理，企业可以用历史上转化和未转化的数据作为正负样本，应用机器学习分类算法训练预测模型，然后对“待跟进线索”或“线索 & 销售配对”进行预测，计算出每一条线索的转化概率。这个转化概率可以是线索最终购买概率，也可以是电话接通概率，可以是销售漏斗上任意一个环节的概率。
这个过程中，机器学习模型可以应用所有的信息来学习，比如用户行为、CRM 销售跟进记录、线索来源等，可以利用语音识别和自然语言处理技术来理解销售和用户的沟通数据，同时还可以利用隐私计算来利用第三方的数据，数据越丰富，预测越精准。
对于线索分配，企业可以利用规则或者贪心分配，但这都不会取得全局最优效果。什么是贪心分配？即结合销售的线索配额按照线索的先后顺序，每次都选择剩余配对评分最高的销售，如下图所示，转化概率总和是 1.35，离最优结果 1.6 还有一定距离。
要找到最优解，就要全局考虑。从技术上看，这属于运筹优化算法中的任务指派问题，例如打车软件给司机派单。行业中也有一些开源的运筹优化算法和框架，比如 Google 开源的 Ortools 使找到最优解成为可能。
综上，企业应用大数据和机器学习、运筹优化技术进行线索智能评分、智能分配，实现线索优选、优配，能够有效提升销售效能。
我们可以将智能技术应用的优势总结如下：
相比规则评分、规则分配，智能技术能综合全域数据和人工智能技术，评分更精准，能更好地支持销售运营。
根据业务反馈自动训练、更新，自适应环境变化。
数据越完备，预测越精准，数据变成了生产力，企业可以通过数据建设来持续提升预测精准性。
应用运筹优化技术进行线索分配，可以取得全局最优，并自动适应销售人员变化。
而与此同时，我们也需要清晰地认识到，企业应用智能技术面临的挑战有四点：
数据建设系统。智能技术应用以数据为核心，需要有良好的数据基础，因此需要数据采集 & 存储 & 分析系统做支撑。
智能技术平台。虽然行业中有很多开源技术框架，但打通数据流和应用结合、特征 & 样本管理等仍然是一个大工程。
智能技术人才。优秀的、能做出成效的智能技术人才依旧稀缺且昂贵。
实践经验。相比个性化推荐，销售业务链路更长、过程更难数据化和量化，且涉及到销售人员管理和激励，非常复杂。智能技术业务关联度更高、数据来源也更复杂，且涉及到和销售团队的配合，因此对技术团队和业务团队的跨界经验要求很高。
针对数据智能助力销售效能提升面临的挑战，在实际服务客户的过程中，我们总结了如下实践认知：
1、数据采集要完整，时间要对齐，避免时序混乱
（1）数据完备。包括用户行为数据、CRM 数据、用户来源和属性数据、销售跟进数据等。
（2）跟进记录完备，时间对齐。App 合规采集的用户行为数据一般不会出错，但线索分配、跟进等记录因为涉及到销售管理和 CRM 系统，容易出现缺失或时序混乱，从而影响模型效果，企业务必最初就做好数据洞察，并尽早解决数据错误。
（3）要避免特征穿越。CRM 中一些字段是销售跟进甚至成交后才填写的，如果缺少属性变更时间及对应的时间戳，很容易出现特征穿越，造成模型效果好但实际应用差的情况。
（4）在数据治理之前，建议先和销售人员沟通，了解其判断线索质量所需要的数据，做针对性的数据治理。
2、模型训练环节，最重要的是确定应用场景和目标线索
如何判断应用场景和目标线索？通常情况下，其判断标准如下：
（1）场景和目标线索的预测是否对销售有帮助？如果销售跟进线索的成本非常低，那么做线索质量评分的价值就不大，因为 ROI 太低。
（2）可行性如何？比如对半年内没有活跃的线索进行质量区分难度很大。
（3）如何做？选用什么样的数据？比如半年内没有活跃的线索，大概率要用到第三方数据辅助判断，样本构建和模型训练、模型分析要相对应。
3、选定合适的指标
相比 AUC、准确率 & 召回率等指标，LIFT 提升度更适配业务度量.
LIFT 提升度是对评分从高到低排序后各个分档的累计转化率相对基准转化率的比值，体现了模型 Top N 的数据对目标转化的召回率，以及相对平均采样的优势。
4、务必做 A/B 测试验证
对于转化周期长的实施需求，做好 A/B 测试能够帮助企业量化说明应用价值。
利用 A/B 测试进行线索筛选，是指不针对销售而是线索做 A/B 分组，并采用不同的线索筛选方式；对于私海标注，则线索不分组，销售根据有无私海标注分组；对于线索优配，则线索、销售都分组，做 A/B 测试效果对比。
在模型应用阶段，过程数据采集和分析非常重要，一方面便于效果归因和改进，另一方面能帮助企业尽早发现问题。
通过实践和行业调研，我们总结了智能技术应用带来的收益：
线索筛选在历史线索回捞场景下会带来转化率提升。具体提升数字以及持续时间跟历史线索规模和沉淀历史线索的速度有关。
结合线索质量、销售能力，以及销售对线索的偏好进行线索分配，从而实现整体最优，线索整体转化率大幅提升。
私海线索质量区分能全面提升私海优质线索转化率。
5、线索优选 & 优配是技术问题，同时也是业务问题和管理问题
（1）企业要循序渐进开展工作，避免影响业务和团队管理。循序渐进要求从效果明确、对团队管理和业务影响比较小的开始调整。比如历史线索回捞。历史线索回捞不会对销售团队管理产生影响且产生效果不依赖外部，因此是最佳的切入点。然后是私海高质量线索标注以及低质线索排除。做好这两点后，基本能够证明模型有效，并且已经和业务方磨合好。接下来就可以开展基于销售分档和线索分档的线索优配，其解释性强、可控性好，在这个基础上销售团队管理的调整比较容易，比如绩效考核方式的调整。取得了效果以后，再用算法做线索分配，实现效果覆盖。
（2）满足销售业务和团队管理的规则约束。销售团队管理有诸多约束，比如线索分配要公平，不能把高质量线索全都分配给好销售。即使用算法做线索分配，也需要满足销售业务和团队管理的规则约束。
（3）要有相当规模的销售团队和线索规模，才能发挥智能技术的杠杆效应。销售团队规模太小，或线索量太小时 ROI 太低，不值得实施线索优选和优配。
实事求是地看，数据智能落地的过程很难达到 100% 成功率，一方面因为数据不够完整；另一方面受特征穿越、建模后目标线索调整等的影响，会导致项目过程曲折。因此企业应用智能技术前要慎重考虑，规避风险。