相較于傳統(tǒng)CRM而言，電銷CRM可能會將核心功能聚焦于客戶分析管理、坐席團隊管理等方面，那么，你了解CRM系統(tǒng)是如何在這些功能維度上進行設計的嗎？在本篇文章里，作者結合自身經驗發(fā)表了他的看法，一起來看一下吧。

CRM電銷系統(tǒng)中，如何進行客戶數(shù)據管理與精細化分配？（電銷精準客戶數(shù)據資源）

CRM客戶關系管理系統(tǒng)，是Customer Relationship Management的縮寫，是管理企業(yè)歷史客戶和潛在客戶的業(yè)務輔助系統(tǒng)。

傳統(tǒng)CRM往往成單流程較復雜，很多時候需要通過整個團隊的協(xié)作來促成訂單的成交。甚至系統(tǒng)還會包括訂單的跟進流程、簽約流程、付款流程、售后服務等一系列成單流程。

電銷CRM相較于傳統(tǒng)CRM，接觸客人僅通過電話，由業(yè)務員專人負責客戶，單個客戶的長期跟進價值不高，所以，一般不會有很復雜的成交流程，成交周期比較短，客單價相對較低。因此，電銷的CRM系統(tǒng)一般會弱化CRM中團隊協(xié)同與成交流程相關功能，而將核心功能聚焦于客戶數(shù)據分析與管理、坐席團隊管理與能力提升這兩方面。

每個公司對于電銷場景的CRM系統(tǒng)的需求各有不同，但很多設計思路可供借鑒。我將目前我負責的CRM系統(tǒng)，在客戶數(shù)據的管理與精細化分配上的所做的深度思考分享一下，供大家參考。

我把客戶管理與分配拆分為四個重要部分：客戶數(shù)據收集、客戶數(shù)據分類、坐席分類、客戶數(shù)據分配。

一、數(shù)據收集

客戶線索數(shù)據的產生，一般有兩種類型，一種是實時數(shù)據，另一種是存量數(shù)據。實時數(shù)據基本是來源于外部廣告投放或者用戶的活躍行為，存量數(shù)據往往依賴于企業(yè)內部數(shù)據部門的整理分析。

基于不同業(yè)務需求，瀏覽商品、生成訂單、異業(yè)合作活動、廣告投放等各種場景，都會產生業(yè)務的新線索。如果每個新場景都進行系統(tǒng)對接開發(fā)，對CRM自身是高額的成本，所以我們一般會提供一些通用化的方案解決數(shù)據收集的問題。目前我采用的數(shù)據收集方案主要為以下3種：消息隊列、定時輪旬同步和臨時數(shù)據表。

1. 消息隊列

消息隊列主要用于用戶實時數(shù)據的收集。由于電銷場景用戶活躍行為和坐席的撥打時效對成單有著非常明顯的影響，通過消息隊列處理實時名單，可以有效提高撥打及時率，進而提高成單率。

比如上線一個新的活動或產品，當用戶在頁面上產生活躍行為時，只要活動或產品側開發(fā)按規(guī)則將客戶信息推送到CRM系統(tǒng)的消息隊列，那系統(tǒng)就可以自動流式接受新線索信息。

2. 定時輪旬

定時輪旬同步主要用于結構化的存量數(shù)據收集?，F(xiàn)在互聯(lián)網公司一般都會沉淀整理自己客戶的用戶畫像，基于這些用戶畫像做篩選數(shù)據。

比如企業(yè)內部沉淀出一部分高價值標簽的靜默用戶或者向外部合作企業(yè)批量獲取一部分用戶線索數(shù)據，就可以通過這種方式去批量查詢數(shù)據后，導入到CRM系統(tǒng)內。

3. 臨時數(shù)據表

臨時數(shù)據表主要用于非結構化存量數(shù)據收集。這部分數(shù)據往往由數(shù)據部門根據業(yè)務特定需求整理得出，寫入到CRM系統(tǒng)的臨時數(shù)據表，最終導入系統(tǒng)。

業(yè)務想整理10天內有過瀏覽行為但未成交的用戶和30天內有過待支付訂單但未成交的用戶，依賴結構化的數(shù)據很難實現(xiàn)，所以一般就會利用臨時數(shù)據表這種方式做數(shù)據同步。

二、客戶數(shù)據分類

獲取到客戶數(shù)據后，CRM要將獲取的線索，精細化篩選分類，區(qū)分出差異化的用戶群體。常用的用戶分類會有兩個層級：業(yè)務線和客群。

業(yè)務線分類：我們假設一個金融企業(yè)有企業(yè)貸款業(yè)務、個人信用貸款業(yè)務、車貸業(yè)務、融資租賃業(yè)務、個人理財業(yè)務等業(yè)務，每一項業(yè)務他們所面向的用戶群體不同，負責的銷售管理團隊也各有不同。這時候，我們就需要通過業(yè)務線這個維度，對客戶和銷售管理團隊做一個拆分，一方面可以做到數(shù)據隔離，另一方面可以在業(yè)務線下配置一些符合業(yè)務需求的特定規(guī)則。

客群分類：同一業(yè)務線下，基于銷售管理團隊的管理策略，還可以對客戶進行更深度的精細化拆分。在電銷系統(tǒng)內，最常用的用戶分類方法有兩類：基于用戶數(shù)據分類和利用電銷工具分類。

1. 用戶數(shù)據分類

用戶數(shù)據分為用戶的實時行為數(shù)據、歷史行為數(shù)據和個人屬性數(shù)據。

實時行為數(shù)據主要用于判斷用戶的購買意向，通過商品數(shù)據、交互行為、版本渠道這三個關鍵數(shù)據，對客戶分類。

商品數(shù)據可以通過用戶的咨詢意向產品作為拆分用戶客群的依據，進而為坐席匹配專業(yè)度高的銷售坐席。商品維度的數(shù)據包括商品ID、商品分類、商品屬性等，根據公司業(yè)務各有不同。
交互行為數(shù)據可以通過用戶的訪問時長、互動深度、互動強度等，用于區(qū)分用戶此次行為的購買意向度。這些行為一般包括：otp驗證、注冊、實名、瀏覽、深度瀏覽、加購、收藏、待支付、支付失敗、支付成功、購買基礎產品、產品升級等，如果對行為深度細分，還可以細化到“待支付15分鐘未成交”，“頁面瀏覽3分鐘”這種程度。
版本與渠道可以作為客戶質量的衡量標準，反向支持業(yè)務運營人員對客群進行細分。不同的用戶來源，在成交結果上一般也會呈現(xiàn)差異。渠道與版本與商品的匹配度如果比較好，成交率必然也會更優(yōu)。

用戶歷史行為數(shù)據和用戶個人屬性數(shù)據雖然也可以用于去判斷用戶的當前購買意向，但更主要的還是用于去判斷用戶的實際購買能力和消費需求。

歷史行為數(shù)據包含了歷史的交互行為，這些歷史的交互行為對于判斷用戶的購買意向有一定的參考意義，但由于用戶意向本身就很多變。假設一個用戶一個月前有過瀏覽A產品的行為，但是他已經購買A產品的同類替代產品或在其他平臺購買了A產品，那實際上這個用戶當前其實是不需要購買A產品的。

即便如此，用戶的歷史行為數(shù)據對于我們判斷用戶的購買力，仍然有很重要的意義。比如用戶的歷史消費行為主要選擇高客單價產品，或者用戶搜索產品后瀏覽產品的選擇，更多地愿意去選擇高價產品，那么我們可以依此判斷出，用戶的購買能力很強。

用戶的個人屬性是一些相對客觀的數(shù)據，不太會因為用戶行為產生變化，這些數(shù)據主要也是用來判斷用戶的購買力。用戶個人屬性包括：年齡、性別、身份證號碼歸屬地（出生地）、手機號碼歸屬地（大概率為當前所在地區(qū)）等，不同年齡段、不同性別、地區(qū)，用戶的消費需求和購買能力也存在一些顯著差異，所以利用這些差異我們也可以做一些用戶的精細分類。

2. 電銷工具分類

常用的電銷工具一般有：智能外呼機器人和預測外呼。電銷工具既可以作為名單分配的對象，同時也可以作為用戶數(shù)據分類的方法。我們最常使用的智能外呼，可以進行一輪用戶意向的初篩，再由人工坐席進一步跟進，這樣一方面可以節(jié)省人力資源，另一方面也可以讓客戶數(shù)據更為精準。

不管是利用用戶數(shù)據分類，還是通過電銷工具工具分類，最終的目的都是對客戶進行篩選，以便將最有價值跟進客戶抓取出來，分配給銷售坐席進行跟進。在實際的業(yè)務應用場景中，我們一般是會將多種方式結合起來使用，最大化的提升業(yè)務的效率。

三、坐席分類

即便是針對于同一類客戶，坐席的差異，同樣會對成單結果產生影響。通過對坐席的歷史業(yè)績數(shù)據的分析整理，可以對坐席進行分類區(qū)分，進而為名單分配提供依據。最常用的坐席分類標準包括：坐席能力值、坐席擅長產品、坐席承接能力、坐席最近工作狀態(tài)、坐席違規(guī)情況等。

坐席能力值：同樣的名單，分配給優(yōu)秀的坐席成單率可能達到20%，而普通的坐席成單率可能僅有10%。分配策略上，一般會優(yōu)先將優(yōu)質名單分配給優(yōu)質坐席，這一方面有利于公司的整體銷售產出，另一方面也可以激勵坐席產出業(yè)績，這樣就可以被分配到更優(yōu)質的客戶。
坐席擅長產品：即便是優(yōu)秀的坐席，也可能存在擅長領域的短板。所以在坐席分類時，也可以結合擅長產品的來進一步對坐席進行拆分。
坐席承接能力：業(yè)務目標往往多樣，例如提高整體銷售額、提高整體利潤率、提高客戶數(shù)據成單率等。部分坐席每日承接50個客戶時他的成單率很高，但承接客戶數(shù)達到100個時，成單率反而會斷崖式下降。通過數(shù)據計算總結出每個坐席做合適的承接能力，對客戶數(shù)據資源的合理配置，有重要意義。
坐席的工作狀態(tài)與坐席違規(guī)情況：即便是最優(yōu)秀的坐席，也可能存在工作狀態(tài)的起伏。通過最近一到兩天的數(shù)據統(tǒng)計，也可以區(qū)分出最近工作狀態(tài)優(yōu)秀與最近工作狀態(tài)不佳的坐席，從而作為短期分配策略調整的依據。同樣的，坐席的違規(guī)情況也是輔助調整分配策略的數(shù)據基礎之一。對于違規(guī)較多、屢教不改、嚴重違規(guī)的坐席，我們可以在分配時排除這部分坐席，提高客戶整體的服務體驗。

坐席分類的標準多種多樣，主要還是要根據自己的業(yè)務場景深度挖掘，我所舉例的場景只是冰山一角，僅供參考。

四、客戶數(shù)據分配

電銷場景客戶數(shù)據分配關注的核心指標主要有兩個：客戶分配的精準度和客戶觸達的及時性。

1. 客戶分配的精準度

根據客戶數(shù)據的分類以及坐席的分類，建立一些匹配的規(guī)則。通過發(fā)牌式的自動分發(fā)，實現(xiàn)把合適的客戶分給合適的坐席的功能，同時通過控制不同坐席被分配的客戶的上限，每個坐席在各種場景可持有客戶數(shù)據的時限，來控制客戶數(shù)據的利用效率。名單匹配分配的應用，在上文“坐席分類”這一part我已有過舉例，此處就不再詳細展開敘述。

2. 客戶觸達的及時性

客戶觸達的及時性也是電銷坐席成單率的很關鍵的指標。目前我所負責的業(yè)務場景內，用戶產生互動行為后，同類坐席對同類客人，觸達越實時，則成單率越高。所以在分配策略，我們需要兼顧考慮精準度和觸達及時性的關系。

需要著重指出的是，客戶數(shù)據分配的及時性與觸達及時性，是兩個概念。分配及時，我們通過簡單流式分配就能實現(xiàn)。但是每個小時坐席外呼的數(shù)量其實是有限的，當流量過大時，會導致很多名單已經分配到坐席但坐席來不及撥打。

一個優(yōu)秀坐席一天可以承接100條名單，由于流量爆倉，到中午13點時，分配給他的名單已經達到上限100條，這時我們會面臨兩個問題：第一，13點以后的名單分配給誰？第二，這些優(yōu)秀的坐席在晚上19:00的時候，撥打的仍然是13:00點前產出的名單，這時距離用戶的活躍行為已經過去了6個小時，客戶成單率會大幅下降，怎么解決這個問題？

為解決以上的問題，在客戶數(shù)據分配的功能中，我采用了溢出式分配流量預測式分配結合的方式，來提升分配的合理性。

溢出式分配，舉個例子大家很容易就能理解。如果入庫了10000條優(yōu)質客戶數(shù)據，原本想把這些客戶分配給最優(yōu)秀的A類坐席，而我的A類坐席僅有80人，且每人可承接100條，A類坐席可承接客戶總和8000條。那么剩余2000條數(shù)據A類坐席無法承接，這時，可以根據業(yè)務事先配置過溢出規(guī)則，將剩余的2000條數(shù)據溢出分配給次優(yōu)坐席B類坐席來承接。

通過溢出式分配，我們可以解決的分配優(yōu)先次序的問題，但是客戶流量過大，導致客戶數(shù)據在坐席側堆積的問題仍然無法處理。以上述場景舉例，由于A類坐席早已達到每人可承接名單的上限，導致接下來的產生的實時名單，只能被一些溢出規(guī)則中的普通坐席承接，最好的A類坐席撥打的反而時間較久的“陳年”客戶。

為了解決這一問題，在溢出式分配基礎上，進一步增加了預測式分配規(guī)則來保證流量在整天時間內的均勻溢出。每個預測式分配下都會有一個基礎規(guī)則和N個偏移量區(qū)間規(guī)則。

假設每天的客戶數(shù)據自動分派從早上9點開始，計算今天9點時每小時新增客戶數(shù)據的加權平均值（加權規(guī)則暫不做具體說明）、昨天9點每小時新增客戶數(shù)據的加權平均值、昨天截止到分配時間結束的客戶數(shù)據入庫總量，可以預測計算出今天截止到分配時間結束的客戶數(shù)據入庫總量，這個數(shù)據即我所預測的今天可分配的客戶量。根據每條規(guī)則中，配置的基礎坐席總數(shù)和坐席每人可承接名單數(shù)，計算出今日實際坐席可承接客戶數(shù)。

可承接偏移百分比=(預測的今天可分配的客戶量/今日實際坐席可承接客戶數(shù)-1)*100%

業(yè)務事先可以配置一些偏移區(qū)間規(guī)則，當計算出來的偏移百分比命中到指定區(qū)間時，可以執(zhí)行對應的偏移量區(qū)間規(guī)則。

如果預測名單量比實際可承接名單量多10%以內，可以勉強用原規(guī)則承接。如果偏移量在10%~20%之間，可以配置規(guī)則，新增一部分溢出坐席來承接。如果偏移量達到50%以上，可以把一部分名單轉人工，一部分名單轉由智能語音機器人外呼。

預測規(guī)則不僅僅可以應用于本規(guī)則內的數(shù)據預測規(guī)則，甚至也可以與其他業(yè)務規(guī)則做關聯(lián)綁定。比如高價值用戶原本會分配給優(yōu)質坐席，低價值客群會分配給普通坐席。當高價值用戶客群與低價值用戶客群同時爆量，我們希望高價值用戶客群在流量增加時，把一部分普通坐席拉來做流量承接，同時讓減少低價值客群分配給普通坐席的比例，轉而有AI外呼承接。

一次性流量預測可能會存在偏差，而且流量投放、流量增長或減少的開始時間也不能確定。所以，預測式分配的流量預測一般會每隔一小時進行一次加權的重新計算，用于更新下一個時間周期（1小時）內的分配策略。