本文目录

1.    销售线索都包含什么？

2.   数据分析如何帮助销售线索管理？

      方法一：线索评分法

       方法二：类RFM综合评估法

       方法三：带有预测能力的销售线索评估法

这是最直观，操作最简单，也是使用最普遍的一种方法。企业首先整理出本业务需要收集的线索属性。然后请销售人员逐一对属性评分。分值可以是从1-10分，或者0-100分，依自己的偏好设定。比如定义为：分值越高，代表线索质量越高，该线索成单的可能性越大。对一条线索的所有线索属性全部打完分后，累加分值。这样就可以从高到低排序线索质量了。

我用一个图例为大家直观展示下，方便理解。

图1 销售线索打分法示例

为了尽可能直观展示线索管理和评分，我特意将所有线索属性堆积在一起（如图1中上半部分）。当线索属性很多时，这样看起来就不方便。其实完全可以将属性分置在不同表格中。大家在自己动手操作时，应采用分置在不同表格中的办法，这样每个分线索表格都不会太长，同事伙伴阅读起来比较容易。上面图1中，分成上下两部分。上半部分列举了一条销售线索可能有哪些属性。除了描述企业和联系人的属性，如客户所属行业、客户企业规模、客户联系人的资料等外，就是描述了本条线索的价值信息，如线索成单概率、预期订单金额等。此外还有客户与销售人员互动过程中的一些行为信息，如客户是否索要公司产品资料，沟通接触中客户对公司的感官评价等。这些都是我们叙述过的，属于销售线索的范畴。

图1的下半部分，则是对销售线索属性的评分。请大家留意，能够评分的，都是可比较、可排序的属性。在统计和数据分析领域，我们习惯性称其为“顺序变量”。对此不了解的读者朋友不必担心，只需要理解到评分直观的作用就是比较大小高低，然后意识到需要看看哪些销售线索属性可以进行这样的评分就足够了。以图1中的例子来说，比如客户企业的名称，就没有必要评分。但是像“是否获取了客户联系人的联系方式”、“客户的企业规模”、“客户对本公司的感官评价”、“是否成功邀约下次联系”等都可以进行评分。此外所有属性的评分范围都是统一的。比如图1中，我采用的是0-100分值范围，那么所有可评分属性的分值范围都在0-100分之间。因此评分中就不要出现负分值或者超过100分的情况了。至于每项属性具体评分多少值，并无要求。只要多条线索之间比较时符合逻辑就行。比如企业决定对“客户企业规模”这一属性进行评分，可以设定“企业注册资本”在500万以内的，评分40分。在500-2000万之间的，评分50分。在2000-5000万的，评分60分。5000万以上的，评分80分。40、50、60、80于是被固定下来，所有线索的“企业注册资本”这一属性均按照这个规定操作。不能某条销售线索的“企业注册资本”为3000万，结果因为疏忽或者遗忘，没有按之前的规定评分为60分，而是随意评分为50分（反而更低了）。这会导致出现评分不一致，使结果受到污染而不准确。线索评分法只需要注意到这一点就足够了。图1中，我们举的例子里，经过汇总评分值，可以发现线索2的评分最高，为540分。接下来依次是线索3和线索1，分别是490和460分。回到销售线索部分（即图1中的上半部分），我们可以看到线索2确实看起来更优质一些，表现在：销售机会最大（预期订单金额和转化概率较高），销售人员与客户互动看起来也不错（与客户接触沟通的次数最多，并且客户也索要了公司资料，同意了下次的沟通邀约）。唯一的问题就是客户还没有给出预算，并且在比较公司产品与竞品的差异（这不一定是坏事）。所以接下来，销售经理和销售人员都可以针对这些信息情报，构思销售计划，采取下一步行动。而线索3和线索1差别不大，线索3评分略高一点。回到销售线索查看，发现线索3实际上销售机会最小。它胜在客户的规模最大，所以有可能是一个值得深入开发的优质潜在客户。线索1规模虽然小，但是对公司产品评价高，互动也良好，可以作为回头客培养。总之，企业通过线索评分，就可以对线索进行一定程度的量化管理。这将有助于企业设计更有针对性的销售计划，提高销售效率和效益。

线索评分法初步操作起来就是这样简单。不过细心的朋友可能会觉察到，评分的标准设定似乎有一定讲究。不同属性间虽然理论上可以随意设定评分标准，只要单个属性内的评分标准保持一致性就好。但是最终总评分是多个属性的累加。不同属性间的评分如果设定得不够精巧，那么可能出现最终总评分差距不大，但是当人为主观判断的时候，总感觉线索间的差距要比总评分体现出来的差距要大。也就是说，线索评分法得出的总评分，到底“区分度”够不够好，还要考虑不同属性的评分标准的“一致性”。的确是这样。这就要求企业在设定评分标准时，要精心构思。虽然线索评分法是最简单最常用的线索管理方法，但显然“简单”的东西，也往往最容易暴露出其弱点。这就是“鱼与熊掌不可兼得”的生动注脚吧。当然，如果企业容忍可以忽略这一问题，那么线索评分法是“完美”的。易上手，实现快。大家读完文章就可以动手尝试。

RFM是一个我比较喜欢向传统行业企业的朋友们推荐的方法。因为它既直观，容易理解，又颇具威力。有关RFM本身的定义，我这里只一笔带过，扼要说明下它的基本概念。因为网上有关它的资料很多，感兴趣的读者朋友可以自行拓展搜索阅读。本文中我们的重点是类RFM，顾名思义，就是和RFM相似的方法。所谓RFM，是描述了销售达成交易的过程中，被（发明人）认为最重要的三个指标，即R（Recency），F（Frequency），M（Monetary）。Recency表示距离当前时刻最近的上一笔交易的时间。F表示一段时间内交易的次数。M则表示一段时间内交易的金额。RFM方法我归纳了至少3种使用方法。如应用统计的方法、用于分类的方法，以及校正技术。在销售线索的评估中，所谓类RFM综合评估法，就是使用上述三种方法的一种或多种，对销售线索进行评分的方法。它基本不再需要人为对销售线索打分，线索评估结果几乎完全依靠各线索属性自身的数值而定。当遇到一些原本不是数值，但可以比较大小的属性值（就是在方法一中我们提到的“顺序变量”），既可以对这些属性单独评估，然后汇总所有评估结果，也可以先对这些属性值进行人为的评分后，再使用类RFM法进行真正的评估。下面我们详细探讨它。

首先我们看图2，它是应用了我所谓的统计方法的类RFM。由于属性值已经被我们准备妥当，所以下面的操作同样很简单。请注意，在图2中，我将顺序变量的销售线索属性单独列在一个表格中（图2中的最下方），并仍然采用了和图1一样的0-100分的评分标准。而其它原本就是数值类型的，我则直接将其采用标准化方法，映射为0-100之间的分值。如图2的中间部分。这部分中，像“是否向客户预约下次沟通”这类属性值，我也将其转换为数值，即“是”用1表示，“否”用0表示，进而分别转换为100和0分。这种现象变换操作十分简单，读者朋友只需要掌握高中代数就完全可以胜任。因此这部分操作实际上绝大多数读者朋友也是完全可以“读完就上手”的。

然后我们可以将图2中中间部分的平均分值，和最下方部分的平均分值累加起来，得到最终的每条线索的评估分值。当然，你也可以把图2中最下方部分的3个线索属性，先追加到中间部分，然后再计算平均分值。两种方法最终分值略有不同，但本质完全相同。将所有属性合并后再计算的情形如下方图3所示。

上述方法其实和方法一没有本质区别。唯一不同的地方是，它尽可能采用了线索属性的原始值，因此结果通常更加客观一些。在图2和图3中，我们可以看到线索2依然是最优质的。不过线索3在方法一里排为第二优质线索，在这里却变成了第三优质线索。线索1跃升至第二优质线索。在实际应用中，这个结果是否与企业自己的主观判断一致呢？需要自行做一下评估。也许有的企业认为方法一的结果更合理，有的企业更接受类RFM的统计方法得出的结果。这里没有好坏之分，实际上这反映了企业对价值判断，即企业认为什么更重要。因此目前为止，线索评分法和类FRM综合评估的统计方法，企业均可以根据自己的偏好自由选择。只是需要大家意识到，方法一加入了人为的主观判断。当你想要尽量减少这种主观判断时，尽可能多得采用原始属性值就可以了。这只需要做一点代数线性变换即可。

RFM还有一种使用方法，是基于分类判断。这也是RFM常用的手法。我们再次回来看图2。为方便计，我把它挪到下方的图4中。

在这里，我为各个属性增加了一些标注。如“客户企业规模”和“客户企业员工数”这两个属性，我在其上方增加了褐色的标注：企业规模因素。其它属性，我分别冠以“销售机会”、“销售交互因素”、“销售阶段”、“成交的外部影响因素”。然后对各因素下的属性值计算平均值，得到各因素的评分。如下方图5所示。

图5 归并线索属性分类后的线索评分

现在原始的10项属性被新的5个“因素”代替。其实它们还是销售线索的属性，只是被我们人为的抽象归并总结了而已（在上例中用的是平均值的办法）。

图5中依然显示了平均分值，作为最终的评估分值。不过类RFM的分类判断方法中，这不是必要的。因为我们真正要采用的，是分类判断方法。如何分类呢？我们接着从简化线索属性后的图5入手。当看到一条销售线索时，我们可能会首先关注其预期的销售机会和销售阶段。比如我们认为销售阶段越靠后（就是越接近成单阶段），那么这条线索的价值相对越大，企业越愿意投入更多精力和资源来推动它。然后对处于同一阶段的销售线索，且如果它们的销售机会也差不多一样大，那么我们会比较自然地关注这些销售线索中，对应的客户与我们保持的互动关系质量。比如我们企业的销售人员与客户关系保持良好，互动比较热情频繁，那么企业对这些线索成交的信心就比较大。当然我们还要考虑到是否与客户企业的决策人达成共识，联系人的权限会影响销售推进到哪一步等等，这就是“成交的外部影响因素”中考虑的问题。如果这一切都没问题，企业会看企业规模的大小，以决定该客户的重要程度。上述过程模拟了一个销售过程的大致情形。我们分类的依据就是它们。经过上述的描述，我们可能做了如下一个分类判断，如图6所示。

图6需要从左往右看。首先判断销售机会和销售阶段，销售机会可以简单分为“大中小”三类。接着看客户在哪个阶段。如果客户处于初步接触阶段，我们将其就分类到“初步客户”。如果客户处于潜在线索阶段，我们将其分类到“潜在客户”，其它阶段的分类比如是“机会客户”和“意向客户”。不同阶段的客户，我们将采取不同的下一步行动。如初步客户，可以为客户提供一个接触的机会，如邀约宣讲会议，或者向客户提供一些潜在的兴趣资料，以促其留下联系方式。线索客户，则可能是发起第一次接触联系，比如电话拜访。机会客户，则可能是通过沟通，向客户提供更多有针对性的产品资料，或者详细沟通客户的需求问题等等。也就是说，每一步的分类，意味着企业也要思考下一步的对应行动方案。比如一名潜在客户，企业销售人员已经与其接触沟通过几次，于是企业可能根据接触的次数多少，将其分类为高转化概率的潜在客户，努力推进其进入到机会客户的阶段。这实际上是一个分类树的结构。从销售机会到客户规模虽然只有5个因素，但是足以使分类变得庞大复杂。为方便读者阅读，我只保留了某一支分类路径上的示例，展示在下方图7中。

图7我们从上往下看。从顶端的“销售机会”节点开始，我们对因素做分类判断，比如销售机会被分类为“大”。然后进入下一个节点“销售阶段”，对该节点做分类判断。依次类推往下，直到到达末尾的叶子节点，我们得到了两个结果标签，一个是重要高价值客户，它代表“销售机会大——>处于潜在客户阶段——>与客户互动良好——>客户整体对公司评价正面——>企业规模大”的客户。对这样的客户，企业将采取什么样的行动？根据已掌握的线索情报，可以设计出一套销售计划方案。其它叶子节点的客户也是类似。于是，企业针对销售过程中不同类型的分类客户，都将建立对应的一套销售计划方案。这样的方案，可以细化到各个节点上对应的话术、销售动作分解。于是销售过程被很好地管理起来。企业并有机会沉淀这样的数据，找到成功案例提炼出最佳实践方案，用于培训销售团队成员，提升销售绩效。

类RFM法的分类判断方式，从图6和图7我们可以看出，分类的节点稍微一多，分类分支的数量就呈指数级增长。这也是为什么该方法在初始阶段，我们首先要将10个原销售线索属性，压缩到5个因素的原因。通常，这样的节点压缩到3-5个，最终产生的分类结果数量总体在可接受范围内。

另外一个细节是，为方便读者朋友理解，图7被我尽量简化了。在实际操作过程中，我们需要对每个节点的分值做一个分类。比如图7中“与客户互动”这个节点，它对应原始的“拜访客户次数”、“电话联系次数”、“是否向客户预约下次沟通”、“客户是否索要公司资料”这4项线索属性（详见图4的“销售交互因素”），然后我们计算出了“与客户互动”这个因素节点的平均分值（详见图5的“销售交互因素”）。接下来，我们需要做出规定，多少分值以上算“良好”，多少分值以下算“欠缺”？并一致性地据此做出分类判断，由此才得到图7中的“与客户的互动”这一节点的分类结果。

在上例中，销售线索属性的压缩，实际上是通过人脑完成的。即借助业务专家的经验，我们人为将线索属性总结归纳为少量的几个因素。在较有把握的情况下，这么做是完全可以的。不过有时候我们收集的线索属性比较多，可能依靠人来做总结归纳，有点力不从心。这个时候，我们可以借助因子分析法进行归并。这个方法由于涉及到较多的统计知识和线性代数技巧，在此也不做详细介绍了，读者朋友们只要了解到我们有一种“因子分析法”可以将多个属性“压缩”成少数几个因素的方法就足够了。

以上就是我们通过手工方法，利用类RFM综合评估法的分类判断方式，建立销售线索评估体系的详细过程。

方法三：带有预测能力的销售线索评估法

在方法二里，我们看到建立这样一套销售线索评估体系，评价的因素节点不宜多，只能限制在最多5个内。这是因为每个节点都有若干分类，整个分类树的节点就会呈指数级增长。节点过多，人力难以整理消化。但是在某些情形下，我们可能更倾向于想要划分较多的节点，甚至在方法二的基础上，可能进一步希望能够预先根据这些节点的分值进行某项预测，比如看各销售线索是否属于高价值潜在客户。这就是在方法二的基础上，不但我们可以按图索骥，找到对应线索的销售计划方案，还能够预测该潜在客户，将来是不是真的就是高价值客户。这个时候，就需要机器学习的帮忙了。企业首先需要积累足够数量的历史经验数据，并由业务专家判断，哪些历史线索后来事实上成为高价值客户。有了这样的“历史资料”，就有可能通过机器学习的方式，构建一套模型，预测哪些线索对应的客户有成为高价值的潜力。在销售推进过程中，企业就可以主动出击，实施一些针对性的计划方案。不过建立机器学习模型，需要企业持续跟踪监测模型性能，因为没有模型能够始终保持有效。当发现模型预测性能不佳时，我们需要调整模型，甚至重建模型。这个方案涉及到的技术细节更多，实现过程更为复杂，本文就不再赘述了。

我们通过三种方法，介绍了企业中销售线索的管理方案，以及这些方案各自的实现方法和优缺点。回到问题的初始，无论用哪种方法，我们构建销售线索的评估系统，目的就是为了提高销售效率和效益。无论是To C还是To B业务，销售线索是大多数企业越来越熟悉的概念，并逐步加深应用。尤其是To B业务，由于销售过程更为复杂，客户决策周期更长，使得销售团队不得不把全部精力都花在开发新客户上。我之前经常建议传统企业的朋友也加强对老客户的维护，因为投入产出比效益更高。但是我也完全理解，有时候企业确实是心有余而力不足。开发新客户就已经几乎把所有的时间人力精力都消耗了，哪里还有空余来关注老客户？由此来讲，我们对销售线索进行评估和优化，也是有现实意义的。

 

往期阅读推荐

News Watch

DTC私域中的量化

一个商业分析示例——数据探索

通过帕累托法则看运营优化

从精细化运营到以客户为中心（一）