评级|从实验室到落地，汽车销售线索评级AI实战工作|模型|业务|

_原题为 从实验室到落地，汽车销售线索评级AI实战

文章图片

为什么需要线索评级
汽车行业的销量自2018年以来持续的“跌跌不休” ，不仅经销商的日子很不好过，也直接导致了一线销售人员系统性的流失，销售流程和经验无法固化沉淀，线索跟进力度不足甚至中断，销售转化效率低下、人力成本攀升。
销售线索评级本质上是消费者精细化运营解决方案中的一环，基于消费者的关键行为数据搭建算法模型，按照业务价值高低输出人群得分，并给到一线销售人员使用。那么，在确定跟进的优先级和跟进的力度方面，就可以不再完全依赖销售人员的个人经验或集体经验，而是转变为在基于大数据和机器学习的AI能力加持下，实现用数据+科技的力量帮助经销商更精准、更快人一步地争取销售线索，降低有效线索流失，促进销售转换。
汽车销售线索评级项目实战
近期， TalkingData助力某合资汽车品牌打造销售线索评级项目，让AI走出实验室，工程化落地应用于经销商的每一条网络线索邀约场景实践中。
本文将分享该项目的实战干货，帮助大家深入理解和梳理AI项目及其背后一系列科学、细致的工作支撑，相信这样也能更好地体现AI带给商业社会的价值所在。
接下来，笔者将基于以下项目实战流程，详细介绍每个环节中的一些关键问题点及解决方案。

文章图片

01
业务定义
1.1 定义项目目标
作为厂商或经销商，都希望车卖得越多越好。那么，项目目标是否就理所当然地设置为提升“线索订单转化”呢？
对业务深入理解后就会发现，汽车行业的消费者决策旅程长，客户心智投入高，且宏观市场、政策乃至微观个体经销商的销售策略，都可以影响最终销售转化；另外，经过数据分析发现，订单转化周期相对更长、更不可控。作为订单转化的前提——到店， 90%的到店消费者从首次邀约到进店的周期是一个月以内。
因此，直接将“线索订单转化”作为项目目标并不切实际。从效果可衡量、更有效、更客观的角度，最终将“邀约到店转化”作为项目考核指标。
事实上， “邀约到店转化”也可以继续分解。是“所有”经销商的到店转化，还是“个体”经销商的到店转化呢？这个问题不仅仅影响建模因变量的数学定义，更本质的是对业务目标价值的定义。我们可以从不同的价值主体来思考：作为厂商，是希望所有经销商还是个体经销商的客户到店越多越好？作为个体经销商，又如何看待这个问题呢？欢迎大家思考，并留言讨论。
1.2 理解需求场景
理解需求场景对项目的意义同样深远。主要从两方面来考虑。

AI模型对于经销商的业务价值到底是什么？

会是下图所示情况吗？从所有线索里挑选出模型得分高的线索进行跟进，得分低的线索就不跟进。

文章图片

AI模型如何自然嵌入到经销商的销售工作中呢？

以上问题不能单纯通过“思考”来解决。在项目启动后，项目团队在该汽车品牌的配合下，用一周的时间实地走访了多家经销商。通过面对面访谈的形式，了解经销商网销工作现状、架构、流程、线索进店转化影响因素等内容，收集了大量丰富的一手信息。事实证明，这些信息对后续AI建模工作的开展帮助极大，决定了一个数据科学项目如何真正落地并指导业务实践。
针对“AI模型对于经销商的业务价值”这个问题，通过调研发现，不同经销商的网销现状差异很大，有的经销商线索量大，而人力资源不足，每天都存在不少线索无法落实跟进；而有的经销商线索量小，当日下发的线索都可以及时处理完。那对后者而言， AI模型就没有用武之地了吗？
线索评级模型基于消费者的行为数据建模，对每一个线索的进店概率打分。如果将所有线索按照模型打分的顺序排序，再对比线索按照时间自然下发的顺序排序，会发现实际进店的线索，其按照模型打分的排序更高。这意味着，销售顾问可以更快的接触到高价值的客户。一个高价值的客户会受到多方经销商的抢夺，当我们可以快人一步地接触并跟进，就抢得了先机，邀约到店率自然会提升。所以线索评级模型并不是判断跟进谁或不跟进谁，而是优化了优质客户投放的时间和效率。
针对“AI模型如何自然嵌入到经销商的销售工作”的问题，亦是通过实地调研得到如下原则：在不改变销售顾问工作流程、习惯的前提下，为他们带来价值。该原则直接指导了后续的销售管理平台改造、模型自动化部署等工作。
02
数据准备
数据准备是一个权重取舍的过程。在大数据时代，数据并不稀缺。但数据建模并不意味着数据越多越好。在进入特征工程之前，需要业务分析师、数据科学家和数据工程师的共同把关，在成本可控的前提下考虑选择哪些数据，会带来最大的模型效果收益。