@TigerHu
在线教育公司，
大数据营销产品线负责人，
“一个数据人的自留地”创作者联盟成员。
上篇文章（《在线教育大数据营销平台实战（四）：CRM线索生命周期及用户画像构建》）作者阐述了线索的定义、生命周期和画像构建，本篇作者将围绕上篇文章线索生命周期的筛选培育环节，重点是线索培育、以及筛选阶段定量评估线索质量需要的动态评分模型进行阐述，给出相应的解决方案，与大家分享。
企业通过为用户持续的服务达到盈利的目的，企业都希望用户高频高客单消费，但前提是先把线索转化为付费用户，这就需要依托潜在用户培育策略。根据Forrester的报告显示，90%的销售线索最终都流失了，其中一个主要原因就是缺乏潜在用户培育过程，拥有线索培育机制的公司平均能降低60%的投入成本，经过培育的线索比未经培育的线索销售额高出47%。
企业从多种渠道获取的线索可能高达80%是过时或者无效的，销售人员需要花费大量的时间、人力去甄别线索质量，再加上大部分销售缺乏线索质量筛选的经验，造成盲打的情况，会增大无法及时跟进优质线索的机会成本。通过线索培育机制将大量早期潜在用户线索转化为可跟进状态，助力销售缩短成交时间，另外借助智能运营工具实现个性化推送，提升效率。
线索培育与用户运营密不可分，这是一个把小鱼养大的过程，需要用户运营人员在将线索转给销售团队跟进之前，把线索转化为满足销售跟进的高质量线索，这个过程需要运营团队和销售团队的紧密配合。
以在线教育为例，用户运营人员需要分别给出购买阶段和课程服务阶段的用户体验地图运营方案（这里我不在展开阐述，各家需要结合自己内部业务和用户运营体系建立方案），并保证地图各环节的运营策略有效执行。
培育机制的建立尤其各环节的打通需要CRM系统的支持来实现机制标准化、自动化，从而提升整体运营效率，下面给出CRM系统针对线索培育的设计思路。
渠道初筛，线索的渠道众多，不同渠道来源的线索质量也参差不齐，线索初期的质量判断可以基于渠道特征信息进行打分。训练渠道质量评分模型可以基于业务专家经验建立打分模型，或者基于无监督学习对不同渠道线索的转化效果进行分层，通过对转化效果的排序建立评分集。高评分的线索需要及时下发给到销售团队跟进，低评分线索先进入预培育池通过运营提升其质量。
线索预培育，线索预培育针对的对象即渠道初筛阶段的低质量线索，线索质量提升的主要动力即新生用户购买旅程地图中各阶段运营策略的执行，各阶段运营策略的实施都会让用户产品不同的行为反馈，我们通过埋点将这些行为数据抓取到用户质量能否提升，取决于穿越的运营层级和高意向行为的触发，直到我们通过用户行为数据判断用户达到可跟进状态（匹配到预定规则），就激活流转给销售跟进。
培育&跟进，此阶段的线索是满足可跟进状态的线索，用户购买旅程的运营策略要配合销售的跟进流程，核心目的就是促使客户成单这个阶段的线索质量好坏不是一成不变的，随着客户心理，对产品和环境的认知程度的变化而变化，其变化通过用户行为反馈出来，我们需要通过动态评分模型将其量化，此阶段评分模块需要考虑用户所出去的购买旅程阶段、销售跟进的购买意向阶段（参见上篇的意向阶段SOP）、线索行为评分。
服务&复购，新用户付费后进入此阶段，此时的运营目的是满足用户服务体验的基础上尽可能让客户复购，动态评分机制需要考虑用户学习旅程阶段、复购意愿程度。线索预培育和激活跟进在系统功能不具备的情况下可以通过运营人员人工操作的方式先跑起来，具体流程如下图。运营人员在数据平台基于规则圈选预培育池中具备销售跟进特征的用户，导出圈选用户的uid列表，人工上传CRM系统并打上相应的特征标签表示这部分用户，通过CRM的数据流转机制分配给合适销售跟进。
人工打标签的方案虽然能保证流程跑起来，但是存在明显短板：
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（1）方案构建
分析完人工打标签的方法劣势后，笔者给出基于系统机制自动化解决的方案。我们是通过将神策系统与CRM系统通过webhook打通的方式构建的解决方案。
在神策智能运营上设定圈选规则，规则类型有定时和触发两种，多维度综合圈选可以选择定时规则高意向数量少行为建议采用触发型的，能够保证及时性。
Webhook1：跨品类leads裂变通道，进入预培育池后的线索由于一系列运营动作的引导，可能会产生相似品类购买意愿以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，无疑能帮助企业平摊流量成本。
Webhook2：高质leads激活通道，通过运营策略的执行来不断影响培育线索，直到线索触发高意向行为，达到可跟进条件，就通过此通道激活下发让销售跟进。
与CRM打通的通道需要设定一些自定义参数，尤其是标签名称需要用户自定义数据系统与CRM系统的用户唯一性标记参数要一致。
要对CRM系统销售跟进情况进行埋点，通过对埋点数据的分析诊断跟进情况，为策略的优化提供数据支持。
Step1：设定触发条件，需要设定的参数包括：计划类型（定时单次、定时重复、触发型）、触发时间、起止时间、对照组占比等。
Step2：受众用户圈选规则，从用户基本属性、用户行为、或者用户行为序列三个维度进行设置，多个行为的组合关系可以是且、或的逻辑关系。
Step3：触达配置，选择对应的webhook触达通道（裂变、激活），并设定相应的配置参数。
Step4：激活后目标设定，用来跟进激活后的转化情况比如图示设定了两个目标，首要目标是销售是否及时跟进，第二目标是5天内是否成单。线索初期的质量判断可以基于渠道特征信息进行打分。训练渠道质量评分模型可以基于业务专家经验建立打分模型，或者基于无监督学习对不同渠道线索的转化效果进行分层，通过对转化效果的排序建立评分集。最后会换算到10分制，此分数作为线索动态的初始分数
分值计算包括加分机制和减分机制，不同机制有其对应的评分规则
线索分数更新本期采用T+1模式，凌晨计算更新
动态评分满分100分，要换算到标准分10分，并映射为例子等级规则评分是对行为因子的分层量化，因此准确识别出与线索质量相关性高的行为因子至关重要。行为因子识别过程中，主要借助头脑风暴法和德尔菲两种方法。头脑风暴法要求参与者有较好的素质，尤其是主持人的能力要求更高，主持人必须遵守延迟评判的原则，对各种意见、方案的评判必须放到最后阶段。
这些因素是否满足会影响头脑风暴法实施的效果。为了保证行为因子识别结果的准确性，建议同时采用德尔菲法。
行为因子识别的过程需要反复进行不能低于3轮，每一轮的流程如下：专家组成员根据以往经验和专业知识给出影响线索质量的用户行为因子，产品经理对收集到的结果进行汇总归纳，并将汇总结果再次发送给专家成员，让专家基于汇总后结果重新评判行为因子并反馈给产品经理。下面举例一个衰减行为因子集的识别结果供大家参考：
基于机器学习算法的评分可以借鉴经典的评分卡模型，下面给出一个基于Logistic的评分卡模型的开发流程。
数据获取，选取的数据主要包括线索基本信息、行为数据、标签数据、交易数据等对获得的原始数据进行进一步的探索，观察样本的总体分布情况，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、结构及内在逻辑，对数据进行归类、合并、分组，最终建立数据集，这个过程可以在数仓完成。
数据预处理，主要工作包括数据清洗、缺失值处理、异常值处理、数据标准化等，主要是为了将获取的原始数据转化为可用作模型开发的格式化数据。
模型开发，类别变量根据类别直接进行WOE变换，连续变量要先进行变量分箱再进行WOE变换，在用逻辑回归、决策树等模型方法构建分类模型时，经常需要对自变量进行筛选，基于信息价值（IV）进行，然后基于逻辑回归算法训练模型。
模型评估，该步骤主要是评估模型的区分能力、预测能力、稳定性，并形成模型评估报告，得出模型是否可以使用的结论。
实施优化，该环节是模型生产后上线工作，包括模型部署、策略制定、模型监控并基于监控指标进行参数调优不断迭代优化。本章针对CRM线索培育筛选机制及动态评分模型给出了相应的解决方案，下篇文章会针对线索资源量相对较大、数据类型多样、销售团队人员多（上千人）面临的数据流转和销售跟进的问题进行分析，并结合笔者实践经验给出相应的数据分配和资源跟进机制解决方案，感兴趣的读者请持续关注！
-END-
