CRM系统是帮助企业建立、维护和优化企业与现有以及未来客户关系的一种技术，下面文章是笔者整理分享的关于CRM系统中的线索评级系统该如何设计的相关内容，想要了解这方面知识的同学的接着往下看哦！

系统中的线索评级系统，可以说是最终交易数量高低的决定性因素。所以今天我向大家分享我在这方面的思考。

首先，需要跟大家统一概念：线索和客户。从实际业务上来看，线索是指客户的购买意向、描述的是“事”，而客户描述的是“人”。一个客户可以存在多条线索，所以当一条线索进入系统时，首先应该用OneID策略创建客户，再创建线索。今天分享的评级系统也是是针对线索的。

构建线索评级系统的目标是对线索进行质量评估，将线索分级，以便销售团队可以区分线索价值的高低，按优先级进行处理。接下来我将从5个方面来说明如何设计线索的评级系统：评级维度、评级模型、动态调整、评级排序、评级监控。

一、评级维度

评级维度，可以从客户特征、购车意向、客户价值等维度设定评级指标,如客户年龄、职业、预计购车时间、车型偏好、潜在成交额度等。详细内容如下：

1. 客户特征维度

• 基本信息：年龄段、职业、婚姻状况等
• 财务状况：收入水平、资产范围等
• 消费能力：信用记录、还款能力等
• 地域信息：所在城市、距离门店距离等

2. 购车意向维度

• 购车目的：自用、出租、商业等
• 购车时间：1个月内、1-6个月等时间范围
• 车型偏好：SUV、房车等车型首选项
• 预算水平：10万以下、10-20万等价位区间
• 品牌偏好：本田、丰田等首选车辆品牌

3. 客户价值维度

• 客户类型：VIP、普通等级划分
• 客户潜力：预估未来5年内购车次数
• 客户流失风险：查看社媒是否关注竞争对手
• 成交潜在金额：基于意向计算的可能成交金额

4. 客户行为维度

• 活动参与：线上注册/线下参加活动的次数
• 试驾次数：预约/完成试驾的次数
• 到店次数：实际到店参观或咨询的次数
• 接通电话：能够接通电话跟进的比例
• 回复率：回复销售代理Email或短信的比例
• 信息完整度：完成线索信息录入的程度

这些维度相关的量化指标可以直接反映线索的响应程度和价值高低。

二、评级模型

评级模型，可以根据不同维度设定打分标准，建立评级计算模型。可以采用自下而上的赋分方式，也可以采用自上而下训练评级模型。

1. 自下而上的赋分方式

这种方法是根据每个评级指标设定打分标准，比如地域指标可以设置:

A市：10分 B市：8分 C市：5分

然后对每个线索按照指标打分并求和，得到总分，再根据总分区间确定线索级别,比如:

80-100分：A级线索  60-79分：B级线索

优点是规则简单直观，缺点是不够智能和精确。并且在实际场景中是没有办法得到客户的所有信息的。所以可以采取以下方式公平合理地对不完整信息的线索进行评级，既不失去这部分线索，也不让评级失去公信力：

• 对必填信息设置权重更高的分值，鼓励销售人员至少收集关键信息。
• 对非必填信息设置默认值，在缺失时自动使用默认值计分。
• 利用客户所在区域等信息，采用类似客户的打分进行评估。
• 只计算有值的指标进行打分，并按比重进行等价转换到总分。
• 设定信息缺失机制，按缺失比例减去部分基础分值。
• 利用机器学习模型，进行信息缺失的预测打分。
• 信息补全到一定程度后，才会自动触发评级计算。

另外我们可以在系统自动评级的基础上,再加入管理人员的人工评级模块:

• 管理人员可以查看并编辑系统评级结果，调整线索的级别。
• 管理人员可以从更宏观的角度，根据对市场和重点线索的判断进行评级。
• 管理人员可以将历史转化数据很好的线索标记为优先级。
• 管理人员可以结合非系统化信息和经验进行评级。
• 系统可以记录管理人员评级overrides的情况，进行校验与优化。
• 对于重要级别的线索，可以要求管理和销售双重确认。

引入适当的人工评级,可以使线索评级更加全面和精准。但也需要控制管理人员评级的质量,避免出现非系统性偏差。总体上结合自动评级和人工评级应该可以获得最佳的线索等级结果。

2. 自上而下训练模型

我请教了相关的技术人员，给出了以下概述性的方法，仅供参考，实际需要产品同学和技术同学进行深入的研究和讨论。

• 收集历史线索数据作为训练集,包括线索特征、客户行为和最后转化标签。
• 对训练集数据进行预处理和清洗，处理缺失值、异常值、进行特征工程等。
• 确定模型算法，可以考虑逻辑回归、决策树、随机森林等。也可以试验不同算法的效果。
• 划分训练集和验证集，训练模型并在验证集上测试效果。调参优化直至达到可接受的准确率。
• 得到初步模型后，可以采用k折交叉验证等方法进一步提升模型稳定性。
• 如果数据集较小，可以考虑采用迁移学习等方法进行预训练。或者增广数据提高量级。
• 监控新数据的预测效果，如果准确率明显下降则需要重新训练模型。
• 可以建立模型评估体系，定期重新训练和测试,选择最佳模型推入生产。
• 预测结果中可以给出每个级别的置信概率，方便管理人员校验。
• 可以将模型部署到线上 servers，对新线索实时预测及评级。

这样培训和应用机器学习模型，可以使线索评级自动化和智能化。

三、动态调整

动态调整，随着时间推移，线索情况会变化，需要建立定期或不定期重新评估线索级别的机制，保证评级的动态更新以及线索重要程度的正确性。通常会采取以下措施：

1. 可以设置定期重评时间间隔，如每月或每季度重评一次。
2. 也可以基于线索联系情况，设置动态重评规则。例如1个月无联系则重评。
3. 重评采用的模型可以与初始评级不同，使用更新优化的模型。
4. 重评结果与初始评级进行比较，分析升降级情况。
5. 要控制重评结果变化幅度，避免评级剧烈晃动。可设置升降级阈值。
6. 重评结果进入待审核状态，由管理人员复核后生效。
7. 重评报告需汇总重评分析，包括升降级分布、SWOT等。
8. 如果出现大面积误升降级，需要评估模型及标准是否合理。
9. 重评结果同步到销售和管理端，沟通说明等级变化。
10. 观察重评后线索处理效率、销售满意度等变化。

四、评级排序

评级排序，对线索级别进行排序，A级、B级等，让销售可以清楚知道线索的相对价值高低。评级结果直接影响线索分配和处理优先级。方法如下：

1. 评级结果应分为不同级别，每个级别对应一个分值范围。例如：

S级：80-100分 A级： 60-79分 B级： 40-59分 C级：20-39分 D级：0-19分

2. 在同一级别内部，也可以设置更细致的小级别，每级跨度5分或10分等。例如A级可以细分为A1、A2等。
3. 历史实际转化率高的级别可以向上调整，赋予更高排序。
4. 可以设置权重，强调客户特征、购车意向等关键维度对排序的影响。
5. 支持管理人员自定义排序规则，如地域权重、特定车型加分等。
6. 针对销售团队，可以只展示线索相对等级，不透露实际分值。
7. 在线索列表展示时，按照级别降序排列。级别内部则按照分值排列。
8. 支持按不同维度排序，例如最近联系时间排列。
9. 移动端也要展示排序结果，并支持客户经理调整顺序。

综合考虑多个因素对线索排序，可以让销售迅速定位重点线索。

五、评级监控

评级监控，对评级结果进行持续监控验证，如跟踪不同级别线索的最终转化情况，以优化评级模型。方法如下：

1. 将线索的评级结果与最终是否转化成订单进行匹配分析。
2. 统计不同级别线索的实际转化率，是否与预期匹配。
3. 如果某些级别线索的转化率出现明显的偏差，则需要检查评级模型。
4. 将评级结果与销售团队的反馈进行对比，看评级是否合理。
5. 评级结果实时输出到管理端，管理可以样本抽查评级效果。
6. 重点关注评级变化较大的线索，确认变化原因。
7. 定期重评线索并对比新旧级别，观察一致性。
8. 挖掘导致评级差异的评分指标，进行模型调整。
9. 统计不同销售对同一线索的评价差异，提供调整参考。
10. 建立评级质量考核机制，追踪责任并进行优化。

通过闭环式的监控和反馈，可以持续改进线索评级机制，使之与实际情况保持同步。

六、总结

评级系统是一项复杂且需要耗费大量时间的项目，但一旦完成将大大提升效率，并促进交易的产生。希望今天的分享对你有帮助。