相較於傳統CRM而言，電銷CRM可能會將覈心功能聚焦於客戶分析管理、坐席團隊管理等方面，那麼，你瞭解CRM系統是如何在這些功能維度上進行設計的嗎？ 在本篇文章裏，作者結合自身經驗發表了他的看法，一起來看一下吧。
CRM客戶關係管理系統，是Customer Relationship Management的縮寫，是管理企業歷史客戶和潛在客戶的業務輔助系統。
傳統CRM往往成單流程較複雜，很多時候需要通過整個團隊的合作來促成訂單的成交。 甚至系統還會包括訂單的跟進流程、簽約流程、付款流程、售後服務等一系列成單流程。
電銷CRM相較於傳統CRM，接觸客人僅通過電話，由業務員專人負責客戶，單個客戶的長期跟進價值不高，所以，一般不會有很複雜的成交流程，成交週期比較短，客單價相對較低。 囙此，電銷的CRM系統一般會弱化CRM中團隊協同與成交流程相關功能，而將覈心功能聚焦於客戶資料分析與管理、坐席團隊管理與能力提升這兩方面。
每個公司對於電銷場景的CRM系統的需求各有不同，但很多設計思路可供借鑒。 我將現時我負責的CRM系統，在客戶數據的管理與精細化分配上的所做的深度思考分享一下，供大家參攷。
我把客戶管理與分配折開為四個重要部分：客戶數據收集、客戶數據分類、坐席分類、客戶數據分配。
一、數據收集
客戶線索數據的產生，一般有兩種類型，一種是即時資料，另一種是存量數據。 即時資料基本是來源於外部廣告投放或者用戶的活躍行為，存量數據往往依賴於企業內部數據部門的整理分析。
基於不同業務需求，瀏覽商品、生成訂單、异業合作活動、廣告投放等各種場景，都會產生業務的新線索。 如果每個新場景都進行系統對接開發，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决數據收集的問題。 現時我採用的數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資料表。
1.消息隊列
消息隊列主要用於用戶即時資料的收集。 由於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时名單，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按規則將客戶資訊推送到CRM系統的消息隊列，那系統就可以自動流式接受新線索資訊。
2.定時輪旬
定時輪旬同步主要用於結構化的存量數據收集。 現在互聯網公司一般都會沉澱整理自己客戶的用戶畫像，基於這些用戶畫像做篩選數據。
比如企業內部沉澱出一部分高價值標籤的靜默用戶或者向外部合作企業批量獲取一部分用戶線索數據，就可以通過這種管道去批量査詢數據後，導入到CRM系統內。
3.臨時資料表
臨時資料表主要用於非結構化存量數據收集。 這部分數據往往由數據部門根據業務特定需求整理得出，寫入到CRM系統的臨時資料表，最終導入系統。
業務想整理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，依賴結構化的數據很難實現，所以一般就會利用臨時資料表這種管道做資料同步。
二、客戶數據分類
獲取到客戶數據後，CRM要將獲取的線索，精細化篩選分類，區分出差异化的用戶群體。 常用的用戶分類會有兩個層級：業務線和客群。
業務線分類：我們假設一個金融企業有企業貸款業務、個人信用貸款業務、車貸業務、融資租賃業務、個人理財業務等業務，每一項業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，我們就需要通過業務線這個維度，對客戶和銷售管理團隊做一個折開，一方面可以做到數據隔離，另一方面可以在業務線下配寘一些符合業務需求的特定規則。
客群分類：同一業務線下，基於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折開。 在電銷系統內，最常用的用戶分類方法有兩類：基於用戶數據分類和利用電銷工具分類。
1.用戶數據分類
用戶數據分為用戶的實时行為數據、歷史行為數據和個人内容數據。
實时行為數據主要用於判斷用戶的購買意向，通過商品數據、互動行為、版本通路這三個關鍵數據，對客戶分類。
商品數據可以通過用戶的諮詢意向產品作為折開用戶客群的依據，進而為坐席匹配專業度高的銷售坐席。 商品維度的數據包括商品ID、商品分類、商品内容等，根據公司業務各有不同。
互動行為數據可以通過用戶的訪問時長、互動深度、互動强度等，用於區分用戶此次行為的購買意向度。 這些行為一般包括：otp驗證、注册、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。
版本與通路可以作為客戶質量的衡量標準，反向支持業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差异。 通路與版本與商品的匹配度如果比較好，成交率必然也會更優。
用戶歷史行為數據和用戶個人内容數據雖然也可以用於去判斷用戶的當前購買意向，但更主要的還是用於去判斷用戶的實際購買能力和消費需求。
歷史行為數據包含了歷史的互動行為，這些歷史的互動行為對於判斷用戶的購買意向有一定的參攷意義，但由於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，用戶的歷史行為數據對於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，或者用戶蒐索產品後瀏覽產品的選擇，更多地願意去選擇高價產品，那麼我們可以依此判斷出，用戶的購買能力很强。
用戶的個人内容是一些相對客觀的數據，不太會因為用戶行為產生變化，這些數據主要也是用來判斷用戶的購買力。 用戶個人内容包括：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）等，不同年齡段、不同性別、地區，用戶的消費需求和購買能力也存在一些顯著差异，所以利用這些差异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：智慧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據分類的方法。 我們最常使用的智慧外呼，可以進行一輪用戶意向的初篩，再由人工坐席進一步跟進，這樣一方面可以節省人力資源，另一方面也可以讓客戶數據更為精准。
不管是利用用戶數據分類，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，最大化的提升業務的效率。
三、坐席分類
即便是針對於同一類客戶，坐席的差异，同樣會對成單結果產生影響。 通過對坐席的歷史業績數據的分析整理，可以對坐席進行分類區分，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、坐席違規情况等。
坐席能力值：同樣的名單，分配給優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，一般會優先將優質名單分配給優質坐席，這一方面有利於公司的整體銷售產出，另一方面也可以激勵坐席產出業績，這樣就可以被分配到更優質的客戶。
坐席擅長產品：即便是優秀的坐席，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折開。
坐席承接能力：業務目標往往多樣，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，但承接客戶數達到100個時，成單率反而會斷崖式下降。 通過數據計算總結出每個坐席做合適的承接能力，對客戶數據資源的合理配置，有重要意義。
坐席的工作狀態與坐席違規情况：即便是最優秀的坐席，也可能存在工作狀態的起伏。 通過最近一到兩天的資料統計，也可以區分出最近工作狀態優秀與最近工作狀態不佳的坐席，從而作為短期分配策略調整的依據。 同樣的，坐席的違規情况也是輔助調整分配策略的數據基礎之一。 對於違規較多、屢教不改、嚴重違規的坐席，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、客戶數據分配
電銷場景客戶數據分配關注的覈心名額主要有兩個：客戶分配的精准度和客戶觸達的及時性。
1.客戶分配的精准度
根據客戶數據的分類以及坐席的分類，建立一些匹配的規則。 通過發牌式的自動分發，實現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據的時限，來控制客戶數據的利用效率。 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名額。 現時我所負責的業務場景內，用戶產生互動行為後，同類坐席對同類客人，觸達越實时，則成單率越高。 所以在分配策略，我們需要兼顧考慮精准度和觸達及時性的關係。
需要著重指出的是，客戶數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。 但是每個小時坐席外呼的數量其實是有限的，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。
一個優秀坐席一天可以承接100條名單，由於流量爆倉，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點以後的名單分配給誰？ 第二，這些優秀的坐席在晚上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，怎麼解决這個問題？
為解决以上的問題，在客戶數據分配的功能中，我採用了溢出式分配+流量預測式分配結合的管道，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條優質客戶數據，原本想把這些客戶分配給最優秀的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。 那麼剩餘2000條數據A類坐席無法承接，這時，可以根據業務事先配寘過溢出規則，將剩餘的2000條數據溢出分配給次優坐席B類坐席來承接。
通過溢出式分配，我們可以解决的分配優先次序的問題，但是客戶流量過大，導致客戶數據在坐席側堆積的問題仍然無法處理。 以上述場景舉例，由於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时名單，只能被一些溢出規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。
為了解决這一問題，在溢出式分配基礎上，進一步新增了預測式分配規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則和N個偏移量區間規則。
假設每天的客戶數據自動分派從早上9點開始，計算今天9點時每小時新增客戶數據的加權平均值（加權規則暫不做具體說明）、昨天9點每小時新增客戶數據的加權平均值、昨天截止到分配時間結束的客戶數據入庫總量，可以預測計算出今天截止到分配時間結束的客戶數據入庫總量， 這個數據即我所預測的今天可分配的客戶量。 根據每條規則中，配寘的基礎坐席總數和坐席每人可承接名單數，計算出今日實際坐席可承接客戶數。
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-1）*100%
業務事先可以配寘一些偏移區間規則，當計算出來的偏移百分比命中到指定區間時，可以執行對應的偏移量區間規則。
如果預測名單量比實際可承接名單量多10%以內，可以勉强用原規則承接。 如果偏移量在10%~20%之間，可以配寘規則，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，一部分名單轉由智慧語音機器人外呼。
預測規則不僅僅可以應用於本規則內的數據預測規則，甚至也可以與其他業務規則做關聯綁定。 比如高價值用戶原本會分配給優質坐席，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新增時，把一部分普通坐席拉來做流量承接，同時讓减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、流量增長或减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，用於更新下一個時間週期（1小時）內的分配策略。
總結
客戶數據分配在電銷系統內有著至關重要的作用。 由於篇幅所限，不能完全贅述。 如有意見，歡迎一起探討。

[返回上一級]