数据智能作为先进生产力，如何助力销售效能提升？

在股票竞争性市场中，企业需要通过精细化运营来提高客户价值和投资回报率。数据智能作为一种先进的生产力，在搜索、广告、推荐业务等方面已经足够成熟，那么它将如何帮助销售、提高效率呢？我们将在文中详细介绍一下。1.提高销售效率的三大关键点是很重要的，围绕流程可以分为挑选、分配、跟踪三个部分。1、筛选好与坏转化率相差10倍以上，是销售效率的重要因素。对引导进行质量评分，根据评分进行分层运用，可以有效地提高销售效率。2、铅分配无论是铅的质量还是销售能力都会影响销售效率。做好引导分配，避免好的销售浪费了坏引导，好的引导浪费了坏引导，同样可以提高销售效率。在销售分数和销售分数的基础上，采用好分多好分好分多好分多好分好多好多好几个好好分好几个好

当你采取上述方法时，要注意你的销售偏好相对于线索。同样档次的销售在铅偏好上也存在差异。例如，一家公司观察了同一等级的销售在不同年级的线索下的跟进情况，发现销售A不善于与研究生学历的用户沟通，与中学学历的用户沟通顺畅，而销售B则非常擅长与研究生学历的用户沟通。因此，在考虑了对引导的销售偏好之后，可以对引导和销售对进行评分，将引导销售对得分和销售日的引导配额组合起来进行引导分配，也可以是简单的规则匹配。产生了可以是理想的全球最佳分配方法的多个分配方法。3、追踪被分配到销售后，进入销售池。卖家池中有一天的新线索，一个公海回收的旧线索，一个历史上积累的线索。企业必须确定领导的顺序和重要性。举个例子，一家公司应用智能技术对前一个月的线索跟踪情况进行了线索评分，将线索质量评分分为10个等级，发现排名最高的线索跟踪率高，但仍有改进的空间;但与此同时，销售在低质量的线索上浪费了大量精力。出售（出售）

2.智能应用对手工评分，很好地进行，依赖于专家经验和人工总结，具有特点。规则评分的优点是启动简单，但同时存在三个缺点之一是适用的规则有限，评分不正确。第二，能够利用的信息有限，例如声音、聊天等非结构化信息不能充分利用，另外，利用销售者给予线索的选择信息是困难的，这两者都缺乏评分的正确性。第三，当数据环境发生变化时，规则迭代优化依赖于手工进行数据分析和策略，这是一项艰巨的任务。铅分数本质上是一种变换概率预测，这种概率预测技术应用非常广泛。例如，系统，广告分配系统，使用点击概率预测。类似地，企业可以使用历史转换和未转换的数据作为正负样本，应用机器学习分类算法来训练预测模型，然后预测“跟随线索”或“潜在销售线索”，计算每个线索的转换概率。该变换概率可以是引导最终购买概率，也可以是电话接通概率，也可以是销售漏斗的任意链接的概率。在此过程中，机器学习模型可以应用所有信息进行学习，例如使用用户行为、CRM销售跟踪记录、线索源等，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通信数据，同时还可以利用隐私计算来利用第三方数据。数据越丰富，预测就越准确。在引导分配方面，企业可以利用规则和贪婪分配，但这两种方法都无法实现全球最优效应。什么是贪婪分配，即结合销售的线索配额按照线索的先后顺序，每次选择剩余的对分数最高的销售，如下图所示，转化概率总和为1.35，与最佳结果1.6还有一定的距离。

为了找到最优的解决方案，我们必须从整体上考虑。技术上，这相当于调度软件向司机分配等操作最优化算法中的任务分配问题。业界也有一些开源的操作优化算法和框架，比如谷歌的开源Ortools，它可以让你找到最佳的解决方案。综上所述，企业可以应用大数据、机器学习、操作优化技术进行线索的智能评分、智能分配，实现线索的优化、优化，有效提高销售效率。我们将智能技术应用的优势总结如下的规则评分、规则分配相比，智能技术可以综合全局数据和人工智能技术，评分更准确，更好地支持销售运营。根据工作反馈自动培训、更新和适应环境变化。数据越完整，预测就越准确，数据就越有生产力，企业就可以通过数据建设不断提高预测的准确性。通过将操作优化技术应用于销售人员分配，可以实现全局优化，并自动适应销售人员的变化。

同时，我们也要清楚地认识到，企业应用智能技术面临的四个挑战是数据构建系统。智能技术应用必须以数据为核心，具有良好的数据基础，因此需要数据采集与存储与分析系统的支持.智能技术平台。虽然业界有很多开源技术框架，但开放数据流与应用程序耦合、特征与样本管理等方面仍是一个大项目。智能工程师。高素质和高效的智能技术人才既稀缺又昂贵。实际的经验。与个性化推荐相比，销售业务链接较长，流程难以数据化和量化，涉及销售人员的管理和激励，复杂。由于智能技术业务相关性高，数据源复杂，涉及销售团队的合作，对技术团队和业务团队的交叉经验提出了很高的要求。3.详细说明神策数据智能解决方案面对数据智能提高销售效率的挑战，神策提供面向价值提供的四位一体定制化服务神策两云一平台神策分析云、神策营销云、结合神策数据库平台，为客户提供数据治理、分析、业务应用一体的综合解决方案。提供智能技术平台，解决数据流开通、应用结合、特征&样本管理等问题;提供行业模型保障建模效率和效果。提供定制建模服务，保证模型效果。提供落地伴走服务，实现业务落地和业务价值。在着陆实践的基础上，我们整理了神策智能技术平台的三个特点，第一，神策智能技术平台与神策两云一平台有机结合;第二，集成作战优化框架，构建智能分配模型，解决类似线索分配的作战优化问题;第三，构建行业化模型框架、沉淀行业模型，固化行业共性，如特征加工方式、特征集合、样件构建方式、模型效果分析方式等。具体而言，在特征加工方面，例如判断邮件地址是个人邮件还是企业邮件，判断用户填写公司名称的真实性;在模型分析方面，例如在线教育根据科目、年级、学区、活动情况进行模型效果分析。固化行业通用，同时沉淀系统可以有效地保障建模的效率和效果。同时，在实际服务客户的过程中，笔者总结了以下实践认识1、数据采集必须完整、时间必须有序、避免时序混乱1、数据完整。这些数据包括用户行为数据、CRM数据、用户来源和属性数据、销售跟踪数据等。（2）有良好的跟踪记录，有充足的时间。App合规性收集的用户行为数据一般是无误的，但由于线索分配、跟踪等记录涉及到销售管理和CRM系统，容易出现遗漏和时间混乱，影响模型效应，企业必须从一开始就做好数据洞察，尽早解决数据错误。（3）避免特征。CRM中的一些字段是在销售跟踪甚至交易后填写的，如果缺少属性更改时间和相应的时间戳，则容易导致特征交叉，导致模型效果好但实际应用差的情况。（4）在进行数据治理之前，建议您先与销售人员沟通，了解所需的数据，以判断线索质量，然后进行有针对性的数据治理。2、模型培训课程，最重要的是决定如何判断应用场景和目标线索，通常其判断标准如下：1、如果场景和目标线索预测对销售有帮助，销售跟踪线索成本很低，做线索质量得分就没有多大价值了。国王太低了。（2）可行性有多大，例如半年不活跃的线索很难从质量上区分出来。（3）如何选择什么样的数据例如半年内没有活跃的线索，大概率利用第三方数据辅助判断，样本构建和模型训练、模型分析必须对应。3、选择合适的指标与AUC、准确率 &召回率等指标相比，LIFT的提升度更适合业务计量。LIFT的提升度是评分由高到低排序后各阶段的累计转化率与标准转化率的比率，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、必须进行A/B测试，对转换周期长的实施需求进行验证，做好A/B测试有助于企业定量说明应用价值。利用A/B测试进行线索筛选，是指将线索分为A/B组，而不是销售，采用不同的线索筛选方式;对于私海标识，不对线索分组，销售按无私海标识分组;对于线索的优配，线索、销售都分组，比较A/B测试的效果。在模型应用阶段，过程数据的收集和分析是非常重要的，一方面有利于效果的归属和改进，另一方面有助于企业更早地发现问题。通过实践和行业调研，神策总结了智能技术应用带来的效益：线索筛选带来了历史线索回收场景的转化率的提高。特定助推的次数和持续时间与历史线索的大小和沉积速度有关。结合线索质量、销售能力和销售线索偏好进行线索分配，从而实现整体优化，大大提高线索整体转化率。私有海铅质量的区别提高了私有海铅的转化率。5、线索的最佳配置是技术问题，同时也是业务问题和管理问题1企业要逐步开展工作，以免影响业务和团队管理。一步一步地，你应该从明确的结果和对团队管理和业务的影响相对较小的地方进行协调。重新找回历史线索。历史线索回滚是一个很好的切入点，因为它不会影响销售团队的管理，也不依赖外部。其次是高质量的线索标记和低质量的线索去除。在把这两点做好之后，我们基本上证明了模型的有效性，与业务方面的配合也很好。其次是以销售为基础，其解释性强，控制性好，因此销售团队管理很简单，例如评价方式。在获得效果后，用算法分配线索，覆盖效果。（2）符合销售工作和团队管理规则。销售团队的管理受到许多限制，包括销售线索分配的公平性，以及无法将所有高质量的销售线索分配给优秀的销售人员。即使使用算法来分配潜在客户，也必须满足销售运营和团队管理的规则约束。（3）要发挥智能技术的杠杆效应，需要有相当规模的销售团队和领导规模。销售团队太小、线索太小或线索太小ROI太低，不足以实施线索优化和优化。从现实来看，数据智能着陆的过程很难达到100%的成功率，一方面是由于数据不完整;另一方面受到特征横切、建模后目标线索调整等因素的影响，导致项目过程的曲折。因此，企业在应用智能技术之前，必须仔细思考，避免风险。