如何进行商机线索管理，做好一系列的运营、跟进动作？或许我们可以搭建相应的商机管理系统。这篇文章里，作者就结合实际案例，介绍了To B业务的商机线索管理系统搭建，一起来看看，或许会对你有所帮助。
对于很多ToB业务的网站/产品，尤其是不支持在线电商化购买，需要进行销售跟进人工报价及后续服务的，核心的业务流程通常是：流量获取、流量中的商机线索捕获、商机培养、商机分配、商机转化。
从流量获取来说，第三方平台广告投放、SEO、SEM、私域流量运营、转介绍等都是常用的途径和方法，关于SEO策略在我其他文章中有详细描述，此处不赘述。本文主要结合实际的应用案例来介绍如何进行商机线索管理。
我司业务主要是ToB端素材版权代理销售业务，包含图片、视频、字体、音乐。作为国内版权素材行业的头部公司，我们的客户整体分为两大部分，我们内部定义为KA（Key Account）关键客户、中长尾客户（客单价较低，客户数量较大，主要为中小微企业）两大部分。其中又根据行业会区分广告代理公司（Advertising Agency）、企业、媒体等。
针对于KA的客户主要通过合作频率、购买量、合作关系稳定程度、对其他潜在客户或客户群体的购买决策影响等多维度进行评估后，从中长尾客户中发掘、成长和维护。KA客户的数量相对稳定。
而中长尾客户（中小微企业为主）则主要通过各渠道流量进站后，经过商机线索管理系统进行一系列发掘、运营、跟进操作后转化得来。
商机线索管理系统上游是流量获取，下游是客户维护（主要在商务运营系统、CRM系统等），本文将对商机线索管理系统范围内的内容进行介绍和分享，主要包括：
商机线索（Sales Leads），简单来说，就是业务中还没有成为客户，但是有可能成为付费客户的一部分用户。他们是开拓新客户的关键，是销售额、客户数增长的主力军。
如何能够从海海流量中发现商机并且有效的分配销售资源去跟进、转化，是商业转化（尤其ToB业务，ToC业务面向用户群相对较分散且数量庞大，并且购买行为主要依靠产品本身以及用户的需求性、自发性，往往不需要销售主动参与到转化过程中。）关键的命题。
线索分为两大类，初步线索（简称线索）、成熟线索（简称商机）。
线索特指刚接触产品，还没有表现出强烈购买意愿的用户。可以细分为以下三类：
对产品/服务非常感兴趣，已经进行过询问或者初步沟通，有明确购买意愿，并且提供了部分留资（提供了联系方式或其他相关信息，例如企业名称、购买用途、职业、职位等）的高购买潜力用户，整体可以分为以下三类：
为了有效的从海量用户（千万）中识别出哪些有购买潜力，并且识别出哪些购买潜力较高，值得分配稀缺的销售资源去重点跟进，我们需要有效的商机识别机制和功能。
主要用于商机识别的产品设计有以下三个：
主要的矛盾在于用户数量规模与客服、销售数量规模不对等的矛盾。如果每天数万人咨询，那么目前的客服、销售数量是没有办法服务到每一个人的。因此我们在网站中开发很多关键节点上的留资弹窗，用以收集用户的留资信息。
为什么要收集留资信息，其实从上文中我们对MQL、SQL、SAL的判定可以看出，我们认为提供手机号、企业名称、购买素材的用途这三项信息，如果都准确的情况下，很大程度可以表达用户的购买意愿。达到上述三个标准的，至少都可以称之为MQL 销售合格线索，已经值得销售去一对一的跟进服务了。因此我们通过这个高门槛，直接筛选出了SQL让销售进行一对一沟通，判定是否可以升级为SAL甚至直接成单。
收集留资信息的弹窗主要在一下关键行为节点上弹出：
素材详情页点击购买按钮：素材详情页，意味着用户很大概率已经通过搜索找到了自己心怡的内容，这个时候我们可以在留资时直接将详情页图片ID带到客服系统。
如果用户填写了手机、企业、购买用途，那加上详情页图片ID，我们就获得了4项关键信息，此时会直接跳转到人工客服进行对话。如果用户没有填写上述信息，或填写错误（手机号会进行号段、长度验证，企业名称会调取天眼查/企查查API接口进行校验），则跳转到机器人客服，如果用户有需求，再点击“人工客服”按钮到达人工客服。通过这个判定逻辑减少客服、售前资源的占用。
无下载权限时用户点击下载按钮时弹出：整体逻辑与上“素材详情页点击购买按钮”一致，只是对于素材网站，下载是一个用户表达认可、需求的重要行为节点。
客服或售前销售在与咨询对象沟通时，如何快速的的识别对方购买意向强烈程度，决策要花在与这个用户沟通的资源数量、报价策略等，需要用户画像系统进行支持，用户画像会给到这个用户多个维度的行为数据、属性数据帮助销售客服进行判断。
用户画像主要涉及以下维度的数据：
随着多年业务的开展，逐渐会累积下来很多经验、用户数据。如何将用户数据总结成一套评定商机线索购买潜力的工具，是一个很重要的话题。如果能够在用户咨询前通过他的属性、行为预估他的购买可能和购买潜力，可以有效的优化客服、售前资源配置，并且可以有效识别重点客户，也可以帮助降低前期线索转化对客服、销售历史经验的依赖，方便团队的扩展和提效。
通过历史数据的分析，往往可以得知哪些用户更有购买潜力或者意愿。例如对于版权素材业务来说，广告代理公司购买意愿和可能肯定是强于其他行业的公司的。而广告公司从地域上来说集中在北上广一线城市，因此如果访问用户如果通过IP识别到是北上广深的用户，那么天然可以认为他的购买潜力是高于二线、三线城市用户的。
如果用户主动留资，告诉我们他是广告公司的，那么我们会认为他更有购买可能和潜力，但是如果他没有告诉我们他是广告公司的，怎么办呢？
我们首先可以比对他的IP地址，和我们客户库中广告公司的IP地址比对，如果匹配上，那么大概率他们可以建立关联关系。如果IP匹配不上，我们可以根据客户库中广告公司用户的日常行为数据、搜索词数据、常访问内容数据进行总结，从而和新用户进行比对，推断新用户是否属于广告行业。
综上，通过用户的行为数据、用户的属性、客服聊天的对话记录（例如部分关键词），结合历史成交的客户数据，我们可以很大程度上在对方没有提供有效信息时即识别到这个商机线索可能成单的几率甚至是商业转化潜力。
以往我们的实现逻辑，是总结出对用户购买影响最大的几个维度数据，根据各个维度进行历史数据分析，看哪些维度在购买客户的特征中占有较大影响权重，则赋予这个维度的数据一个权重，最后多个维度加权求和，得到一个商机线索的评分。从而用这个评分来告诉客服、销售，哪些用户应该重点跟进，哪些用户不能强求。
例如对于我们业务上来说，最重要的是用户行业，其次是城市，再其次是对方咨询前某几个固定周期内下载、收藏、搜索的次数，已经对方在沟通过程中是否响应积极，是否对于价格表现出敏感等特征。结合以上内容可以给出一个较为客观的商机潜力评分。
但是我们现在也有一个新的思路和落地方案，相较之前的评分逻辑更加高效，更加减少了对人的依赖，能够监控到的数据颗粒度更加细致。毕竟在之前的方案里，所谓权重给得相对主管，很多的评分逻辑有较多人的主观性在其中，所以最后评分的高低和成单转化率高低也只是大概相关，误差还是会比较大。
新的方案流程图如下：
新的方案是通过算法建模，训练模型，通过模型来进行商机评分，每个维度对评分的影响，完全交由算法来进行总结和学习。
首先是收集数据，将用户行为数据、客户属性、推断的用户数据、客服数据作为特征，将是否成单作为标签，以每个用户（user_id）为一行数据，提取各维度数据特征后（例如近1月、6月、1年的搜索、下载、收藏次数，用户的行业、城市，客服对话记录的分词结果等）构建为数据集。
通过pandas对数据集进行加载、检查、处理缺失值、格式化，从而获得完整的数据集。从完整数据集中抽取10%作为测试集保留（用以评估模型准确率、性能），其余90%作为训练集，用来训练模型。
数据通过开源的Scikit-learn库中RandomForestClassifier方法构建决策树，训练随机森林模型，从而作为回归问题来根据一个新用户的行为数据、基本属性等维度数据预测他的商机线索评分。
模型训练完毕，通过调参（下文附RandomForestClassifier参数及释义）、测试，确保模型性能达到预期后通过joblib保存模型，实现模型持久化，在使用的时候通过joblib加载训练好的模型，从而完成商机线索评分的预测。
在上线一段时间之后，再用新的数据重新加入训练，如果上线之后的时间里发现预测准确性不高，还需要继续对参数进行调优。
RandomForestClassifier常用的参数如下图：
直到了商机有哪些类别，也知道了商机如何识别甚至如何给到评分，现在就可以开始进行全流程的线索管理了。线索管理主要包含以下几部分：
线索捕获分为两个部分，一是主动，而是被动。先说被动，等着用户在网站中使用各种功能、服务之后，对网站产品有所了解了，自发的产生了购买意愿，然后去点击在线客服或通过400电话、企业微信联系到我们的客服、销售，从而成为一个商机线索。
而主动呢，则是对方并没有发起咨询，而是我们通过用户在网站中的行为数据，识别到这个用户可能有购买意愿了。那么我们可以通过各种手段去触达他，从而有效沟通产生销售。触达的方式可以主动的call out，可以是在网站中提供定制化的内容推荐吸引对方产生购买意愿，也可以是在关键路径上（例如下载）通过特殊权益（例如赠送图片试用张数等营销手段）吸引对方主动的发起咨询。
对于主动出击，由于用户量巨大，我们会每天跑数据，跑出每个用户的商机评分，然后给用户打上高中低潜力值等营销标签，根据不同的标签在网站进行定制化的引导和转化。
如果和线索有效开始了沟通，我们需要根据对方是新客户还是老客户、应该属于哪个业务线、属于哪个区域进行划分，划分后转到对应负责的销售手中。比如我们发现他是某个老客户的子部门，那么会把这个线索给到负责那个老客户的销售手中跟进。如果发现对方是大企业，则给到KA销售团队，如果是中小微企业，则给到中长尾的销售团队。如果对方是北京的，则归属于北京区域的销售团队。
其中新老客户通过IP匹配、人工校验等措施识别分配。
业务线则根据天眼查校对对方企业的注册资金、是否有中小微企业标签等进行分配。
区域则最简单，我们会根据咨询用户的IP地址、手机号号段进行自动分流到不同的客服、销售组别。
上文中，对于不同分类的线索，其实不是固定不变的。不同分类的线索对应线索的不同成长阶段，线索是会根据不同的条件，在不同的分类中持续流转的。
例如对方是个初步线索，甚至是冷线索，对方甚至完全不了解产品和服务，完全没有购买意愿。那么网站产品会通过搜索体验、定制内容推荐等措施，帮助对方了解产品、服务，成为温线索。进一步通过营销推广措施，吸引对方的购买意愿，从而成为热线索。
当成为热线索之后，再通过页面中的特殊权益，吸引用户留资，成为MQL（营销合格线索），在吸引对方完善留资信息，表达购买意愿，使其成为SQL（销售合格线索）。最后销售和他沟通，通过话术、报价策略，使其成为SAL（销售接受的线索）。
反之，一个线索已经是SAL了，但是长时间未成单，可能2天、3天，甚至后面不再持续联系，那么会被降级成SQL，再通过自动、人工的营销措施，定期的触达，尝试再次转成SAL的可能性。在成为SAL之前，很大部分工作是由数字营销团队来完成，包括流量运营、活动运营和用户运营。
对于初步线索，由于用户量巨大，很大程度依赖于营销自动化工具。例如神策的智能运营、智能弹窗、基于用户画像的内容推送、定制活动等。
线索跟进是销售的主要工作，这部分从系统上来说，核心要提供的功能是线索跟踪与提醒。对承接了线索的销售，我们会根据线索的活跃度、转化进度等对销售进行实时的提醒。例如一个SAL在沟通之后，已经2天没有登录网站了，这个时候系统会自动提醒销售，由销售根据对方的商机潜力判断是否需要人工进行Call out或则企业微信沟通，尝试下一步转化。
对于跟进中的线索，我们会记录他的整个线索培养周期，在什么时间点对方留资了，什么时间点对方咨询了，什么时间点对方表达了明显的购买意愿了。这部分数据一方面会成为后面模型训练的数据集，另一方面会用来评估各渠道的商机质量、评估不同销售的工作效率。
数据统计整体四个要点：
线索资料库：销售可以在里面进行线索的领取、分配、转让。并查看线索当前的跟进进度、基本信息、近期活跃程度和用户行为。
ROI分析：对于SEM、第三方广告投放等，需要通过投入的金额、产生的商机、商机完成的产出来评估不同广告渠道的投入产出情况，以便优化之后的广告投放策略。
销售漏斗分析：以销售为维度，分析不同销售对于商机线索的转化效率，从而找到优秀的人成为榜样，对于不足的人找到问题，从而整体提高资源使用效率。
渠道线索质量评估：除开付费渠道以外，还有SEO、友链交换等免费的流量渠道，我们也需要整体对不同渠道的线索质量进行统计和评估，以便作为下一步流量运营工作中流量拓展的重要决策依据。
线索在转化之后，需要提供对外的API接口，与上下游系统进行数据交互。
线索管理系统需要对接客服系统，因为是否在客服处有过咨询，是线索成长程度的重要评判标准。
一旦销售与对方沟通到最后节点，决定成单，那么需要将用户数据自动同步到商务运营系统中，帮助其在系统中快速建单、生成合同、支付链接。
如果对方完成了第一次有效的付费购买，那么还需要将其数据自动同步到CRM系统中，自此作为一个客户来进行管理。
对于TOB业务来说，如何有效的识别线索、管理线索、培养线索、转化线索、数据复盘优化策略，是业务的重中之重。随着市场竞争的愈发激烈，谁能更好的识别到商机，谁能更好的把资源堆到高潜力商机，谁能有更好的商机转化率，谁就能在刺刀见红的市场里站住脚跟。
对于不同公司的业务，他们的商机线索管理也有所不同，需要结合具体的业务场景，根据自己的用户群、客户群做到细致入微，才能做到真正的“开源节流”。开线索发现的源，节提高转化率、精准运营、自动化营销的流。
本文由 @Damon 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。