CRM電銷系統中，如何進行客戶數據管理與精細化分配？class="size-fullwp-image-5743905aligncenter"src="/wp-files/2023/02/ew8O2sl9PKoighvsp3pU.jpg"alt=""width="900"height="420"/>

CRM客戶關系管理系統，是CustomerRelationshipManagement的縮寫，是管理企業歷史客戶和潛在客戶的業務幫助系統。

傳統CRM往往成單流程較簡單，許多時候需要通過整個團隊的協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、售后服務等一系列成單流程。

電銷CRM相較于傳統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，一般不會有很簡單的成溝通程，成交周期比較短，客單價相對較低。因此，電銷的CRM系統一般會弱化CRM中團隊協同與成溝通程相關功能，而將核心功能聚焦于客戶數據分析與管理、坐席團隊管理與力量提升這兩方面。

每個公司對于電銷場景的CRM系統的需求各有不同，但許多設計思路可供借鑒。我將目前我負責的CRM系統，在客戶數據的管理與精細化安排上的所做的深度思索共享一下，供大家參考。

我把客戶管理與安排拆分為四個重要部分：客戶數據收集、客戶數據分類、坐席分類、客戶數據安排。

一、數據收集

客戶線索數據的產生，一般有兩種類型，一種是實時數據，另一種是存量數據。實時數據基本是來源于外部廣告投放或者用戶的活躍行為，存量數據往往依靠于企業內部數據部門的整理分析。

基于不同業務需求，掃瞄商品、生成訂單、異業合作活動、廣告投放等各種場景，都會產生業務的新線索。假如每個新場景都進行系統對接開發，對CRM自身是高額的成本，所以我們一般會供應一些通用化的方案解決數據收集的問題。目前我采納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數據表。

1.消息隊列

消息隊列主要用于用戶實時數據的收集。由于電銷場景用戶活躍行為和坐席的撥打時效對成單有著特別明顯的影響，通過消息隊列處理實時名單，可以有效提高撥打準時率，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章將客戶信息推送到CRM系統的消息隊列，那系統就可以自動流式接受新線索信息。

2.定時輪旬

定時輪旬同步主要用于結構化的存量數據收集。現在互聯網公司一般都會沉淀整理自己客戶的用戶畫像，基于這些用戶畫像做篩選數據。

比如企業內部沉淀出一部分高價值標簽的靜默用戶或者向外部合作企業批量獵取一部分用戶線索數據，就可以通過這種方式去批量查詢數據后，導入到CRM系統內。

3.臨時數據表

臨時數據表主要用于非結構化存量數據收集。這部分數據往往由數據部門依據業務特定需求整理得出，寫入到CRM系統的臨時數據表，最終導入系統。

業務想整理10天內有過掃瞄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，依靠結構化的數據很難實現，所以一般就會利用臨時數據表這種方式做數據同步。

二、客戶數據分類

獵取到客戶數據后，CRM要將獵取的線索，精細化篩選分類，區分出差異化的用戶群體。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對的用戶群體不同，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拆分，一方面可以做到數據隔離，另一方面可以在業務線下配置一些符合業務需求的特定規章。

客群分類：同一業務線下，基于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拆分。在電銷系統內，最常用的用戶分類方法有兩類：基于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時行為數據、歷史行為數據和個人屬性數據。

實時行為數據主要用于推斷用戶的購買意向，通過商品數據、交互行為、版本渠道這三個關鍵數據，對客戶分類。

商品數據可以通過用戶的詢問意向產品作為拆分用戶客群的依據，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、商品屬性等，依據公司業務各有不同。交互行為數據可以通過用戶的訪問時長、互動深度、互動強度等，用于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、注冊、實名、掃瞄、深度掃瞄、加購、保藏、待支付、支付失敗、支付勝利、購買基礎產品、產品升級等，假如對行為深度細分，還可以細化到“待支付15分鐘未成交”，“頁面掃瞄3分鐘”這種程度。版本與渠道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異。渠道與版本與商品的匹配度假如比較好，成交率必定也會更優。用戶歷史行為數據和用戶個人屬性數據雖然也可以用于去推斷用戶的當前購買意向，但更主要的還是用于去推斷用戶的實際購買力量和消費需求。

歷史行為數據包含了歷史的交互行為，這些歷史的交互行為對于推斷用戶的購買意向有肯定的參考意義，但由于用戶意向本身就許多變。假設一個用戶一個月前有過掃瞄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于我們推斷用戶的購買力，仍舊有很重要的意義。比如用戶的歷史消費行為主要選擇高客單價產品，或者用戶搜尋產品后掃瞄產品的選擇，更多地情愿去選擇高價產品，那么我們可以依此推斷出，用戶的購買力量很強。

用戶的個人屬性是一些相對客觀的數據，不太會由于用戶行為產生變化，這些數據主要也是用來推斷用戶的購買力。用戶個人屬性包括：年齡、性別、身份證號碼歸屬地（誕生地）、手機號碼歸屬地（也許率為當前所在地區）等，不同年齡段、不同性別、地區，用戶的消費需求和購買力量也存在一些顯著差異，所以利用這些差異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：智能外呼機器人和猜測外呼。電銷工具既可以作為名單安排的對象，同時也可以作為用戶數據分類的方法。我們最常使用的智能外呼，可以進行一輪用戶意向的初篩，再由人工坐席進一步跟進，這樣一方面可以節約人力資源，另一方面也可以讓客戶數據更為精準。

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，安排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

即便是針對于同一類客戶，坐席的差異，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，進而為名單安排供應依據。最常用的坐席分類標準包括：坐席力量值、坐席擅長產品、坐席承接力量、坐席最近工作狀態、坐席違規狀況等。

坐席力量值：同樣的名單，安排給優秀的坐席成單率可能達到20%，而一般的坐席成單率可能僅有10%。安排策略上，一般會優先將優質名單安排給優質坐席，這一方面有利于公司的整體銷售產出，另一方面也可以激勵坐席產出業績，這樣就可以被安排到更優質的客戶。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拆分。坐席承接力量：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力量，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狀況：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數據統計，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，從而作為短期安排策略調整的依據。同樣的，坐席的違規狀況也是幫助調整安排策略的數據基礎之一。對于違規較多、屢教不改、嚴峻違規的坐席，我們可以在安排時排解這部分坐席，提高客戶整體的服務體驗。坐席分類的標準多種多樣，主要還是要依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、客戶數據安排

電銷場景客戶數據安排關注的核心指標主要有兩個：客戶安排的精準度和客戶觸達的準時性。

1.客戶安排的精準度

依據客戶數據的分類以及坐席的分類，建立一些匹配的規章。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，同時通過掌握不同坐席被安排的客戶的上限，每個坐席在各種場景可持有客戶數據的時限，來掌握客戶數據的利用效率。名單匹配安排的應用，在上文“坐席分類”這一part我已有過舉例，此處就不再具體綻開敘述。

2.客戶觸達的準時性

客戶觸達的準時性也是電銷坐席成單率的很關鍵的指標。目前我所負責的業務場景內，用戶產生互動行為后，同類坐席對同類客人，觸達越實時，則成單率越高。所以在安排策略，我們需要兼顧考慮精準度和觸達準時性的關系。

需要著重指出的是，客戶數據安排的準時性與觸達準時性，是兩個概念。安排準時，我們通過簡潔流式安排就能實現。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，會導致許多名單已經安排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，由于流量爆倉，到中午13點時，安排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點以后的名單安排給誰？其次，這些優秀的坐席在晚上19:00的時候，撥打的仍舊是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，怎么解決這個問題？

為解決以上的問題，在客戶數據安排的功能中，我采納了溢出式安排+流量猜測式安排結合的方式，來提升安排的合理性。

溢出式安排，舉個例子大家很簡單就能理解。假如入庫了10000條優質客戶數據，原本想把這些客戶安排給最優秀的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。那么剩余2000條數據A類坐席無法承接，這時，可以依據業務事先配置過溢出規章，將剩余的2000條數據溢出安排給次優坐席B類坐席來承接。

通過溢出式安排，我們可以解決的安排優先次序的問題，但是客戶流量過大，導致客戶數據在坐席側積累的問題仍舊無法處理。以上述場景舉例，由于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時名單，只能被一些溢出規章中的一般坐席承接，最好的A類坐席撥打的反而時間較久的“陳年”客戶。

為了解決這一問題，在溢出式安排基礎上，進一步增加了猜測式安排規章來保證流量在成天時間內的勻稱溢出。每個猜測式安排下都會有一個基礎規章和N個偏移量區間規章。

假設每天的客戶數據自動分派從早上9點開頭，計算今日9點時每小時新增客戶數據的加權平均值（加權規章暫不做詳細說明）、昨天9點每小時新增客戶數據的加權平均值、昨天截止到安排時間結束的客戶數據入庫總量，可以猜測計算出今日截止到安排時間結束的客戶數據入庫總量，這個數據即我所猜測的今日可安排的客戶量。依據每條規章中，配置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=(猜測的今日可安排的客戶量/今日實際坐席可承接客戶數-1)*100%

業務事先可以配置一些偏移區間規章，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章。

假如猜測名單量比實際可承接名單量多10%以內，可以牽強用原規章承接。假如偏移量在10%~20%之間，可以配置規章，新增一部分溢出坐席來承接。假如偏移量達到50%以上，可以把一部分名單轉人工，一部分名單轉由智能語音機器人外呼。

猜測規章不僅僅可以應用于本規章內的數據猜測規章，甚至也可以與其他業務規章做關聯綁定。比如高價值用戶原本會安