Source: rawpixel.com
潛在客戶是許多企業的命脈。 潛在客戶是接觸客戶的起點。 簡單來說，"潛在客戶"代表有關潛在客戶的記錄，該記錄通常包括一些聯繫信息（例如電子郵件地址和電話號碼），還可能包含有關該客戶的其他屬性（例如，產品偏好和人口統計數據）。 市場營銷和銷售部門花費大量時間，金錢和精力進行潛在客戶管理，這一概念將涵蓋潛在客戶產生，資格認定和貨幣化三個關鍵階段。
在本文中，我們將研究機器學習如何通過為智能化，動態和高度可擴展的線索管理提供基礎，從而為企業創造切實的價值。 我們將使用一個案例研究來使討論變得不那麼抽象，並且更易於遵循。
潛在客戶管理的三個關鍵階段
在深入研究案例研究之前，至少應該對潛在客戶管理的三個關鍵階段有一個高層次的瞭解，我們將考慮：
· 潛在客戶的產生通常是通過部署市場營銷活動，來使潛在客戶瞭解，並讓他們表明對企業銷售的產品的興趣，從而產生大量的潛在客戶。 例如，在在線環境中，網站可能會要求您提供電子郵件地址，以便他們可以為您註冊其郵件列表和新聞通訊，並不時向您發送特殊的產品優惠和折扣。 網站還可以收集行為跟蹤數據（例如，您訪問過哪些內容，頻率和持續時間），並進行定期調查以建立更豐富的潛在客戶資料。
· 潛在客戶資格是根據各種標準評估潛在客戶並確定其優先級。 可能的標準可能包括：獲取或轉換的難易程度（客戶對產品說"是"的可能性），交付的難易程度（企業是否具有必要的資源和能力按要求將產品交付給客戶），獲利潛力 （由於差異化的產品和客戶的高支付意願，企業可以實現的利潤率大小）和戰略契合度（向特定客戶群銷售是否符合公司的戰略） 。
· 潛在客戶貨幣化研究了從合格潛在客戶中提取收入的可能方法。 獲利的機會通常取決於業務範圍（尤其是其在供應鏈中的位置和垂直整合的水平）以及潛在的可擴展性。 垂直整合度高的企業可以通過直接銷售給潛在客戶來從銷售中獲利； 如果產品的利潤率很高，這將特別有利可圖。 供應鏈上游的垂直整合程度較低的業務可以通過將合格的潛在客戶出售給確實有能力交付產品的下游業務來從中獲利。 潛在的可擴展性將受到供應方因素（例如，生產能力和銷售隊伍的規模）和需求方因素（例如，市場規模，增長率，互補和替代產品的可用性）的限制。
案例分析
現在，我們將看一個案例研究，以瞭解如何將機器學習應用於實踐中的線索管理。 我們的案例圍繞一個虛構的招聘機構Valiant Recruiters Ltd.進行，該公司可以幫助客戶公司找到技術空缺的理想人選。
Valiant基本上是在線業務。它維護著一個包含當前職位空缺的綜合在線門戶，並通過多個在線渠道（包括專業網絡站點和其他工作委員會）運行廣告活動來吸引潛在的候選人。潛在的候選人可以通過上傳簡歷，或直接與Valiant招聘者聯繫來在Valiant的門戶網站上註冊；在每種情況下，都會在Valiant的候選數據庫中創建相應的潛在客戶資料。 Valiant擅長於數據科學職位，通常通過成功地將候選人安置在客戶公司中來轉換潛在客戶，從而獲得可觀的佣金。如果候選人由於某種原因而無法轉換（例如，沒有合適的職位空缺，候選人的偏好超出了Valiant的專業領域，招聘人員正在全力工作），Valiant保留選擇將潛在客戶資料出售給選定的合作招聘機構（通才和利基）的選項玩家），以便更好地轉換潛在客戶。
因此，潛在客戶管理是Valiant商業模式的核心。 作為數據科學業務的專家，Valiant的首席執行官敏銳地意識到了使用機器學習來改善和擴展公司領導管理方法，並最終提高利潤的潛力。 在過去的六個月中，首席執行官領導了一項計劃，該計劃將在線索管理的所有三個階段（生成，資格和貨幣化）中識別並實施對機器學習具有高影響力的用例。
產生更好的潛在客戶
在圍繞數據科學的炒作空前高漲之時，Valiant發起了潛在客戶管理計劃。 數據科學家的工作仍然是一個相當新的現象，但是行業專家已經將其譽為" 21世紀最勤奮的工作"（例如，參見HBR的這篇文章）。 公司爭先恐後地聘請數據科學家，對Valiant的招聘服務的需求量很大。 同時，許多數據科學角色的定義鬆散但利潤豐厚，因此對於Valiant而言，僅產生潛在客戶就不是問題了-產生良好的潛在顧客就可以了。 Valiant開展的任何市場營銷活動似乎都會吸引具有廣泛技能和經驗的應聘者。 但是，Valiant收集的統計數據表明，各個廣告系列中潛在客戶的轉化率往往很低。 看來，大量的營銷預算和招聘資源被浪費在了不好的線索上。
在這種背景下，Valiant的首席執行官已將營銷活動的優化確定為機器學習的高影響力用例。 尤其是，該公司的一名常駐數據科學家已受命建立一個智能優化器，以改善營銷活動的績效。 圖1顯示了優化程序在潛在客戶生成中的作用的簡化概念圖。
Fig. 1: Logic for Optimizing Marketing Campaigns (Source: Own Illustration)
為了理解圖1背後的邏輯，假設Valiant開展了一項營銷活動，該活動產生了許多潛在客戶。 廣告活動優化人員將根據這些潛在客戶的預期投資回報率（ROI）是否高於特定閾值對其進行實時評估； 實際上，也可以使用除ROI外的績效指標。 現在，如果新生成的潛在客戶的預期投資回報率高於要求的閾值，則優化器將向營銷活動管理工具提供正面反饋，否則向負面反饋。 積極的反饋告訴該工具加強當前的營銷策略，而消極的反饋則與糾正營銷策略有關，以便將來獲得的潛在客戶能夠根據需要清除預期的ROI閾值。
簡單來說，這裡的投資回報率可以是成功安置候選人所賺取的佣金除以這樣做的成本（包括招聘顧問所花費的時間，起草合同的法律費用和其他管理費用）。 但是，由於我們不知道銷售線索是否最終會轉化，因此我們無法在生成銷售線索時計算銷售線索的實際ROI。 因此，預期的ROI通過潛在客戶實際轉換的可能性使ROI折價-這是機器學習可以產生重大影響的地方。 通過使用封閉線索的歷史數據及其結果，Valiant的數據科學家可以建立模型來預測新線索的轉化概率。 期望的ROI需要清除的閾值可能與Valiant首席執行官定期為公司設定的戰略目標和關鍵成果（OKR）相關。
此外，機器學習對於確定反饋活動的反饋方式至關重要，它決定了如何（以及在多大程度上）糾正或加強營銷活動； 這要求將學習邏輯嵌入到廣告系列管理工具中，以便它可以對優化器的反饋做出有意義的反應，並隨著時間的推移改善營銷活動（例如，通過更好地跨渠道分配廣告支出並優化廣告消息傳遞，以便 對目標受眾更具說服力）。
準確地篩選潛在客戶
當新生成的潛在客戶進入Valiant的候選人數據庫後，他們需要儘快獲得資格，以便招聘顧問知道如何進行。 以下是Valiant的潛在客戶資格認證流程可以針對每個潛在客戶考慮的一些基本問題類型：
· 輕鬆轉換：這種潛在客戶轉換的可能性有多大，也就是說，我們能否將這位候選人放置在我們的客戶中，或者以其他方式將潛在客戶出售給合作的招聘機構？ 潛在客戶轉換的速度有多快？ 應聘者是立即還是在六個月內尋找新職位？
· 易於交付：Valiant轉換此銷售線索將有多困難（或費力）？ 公司是否有合適的顧問來指導候選人？ 候選人會不會太挑剔？
· 潛在的利潤：這種潛在優勢將對Valiant產生多大的收益？ 安排潛在客戶後，公司通常會從客戶公司收取相當於候選人起薪的20％的佣金。 因此，ceteris paribus，候選人可以在市場上獲得的起薪越高越好。 或者，將線索出售給合作伙伴公司有多有利可圖？
· 戰略上的契合：這種潛在客戶資料適合擔任數據科學職位嗎？ 還是更適合其他角色（例如，軟件工程，業務分析，產品管理）？
儘管手動驗證每個潛在客戶都有其優勢（當潛在客戶數量較低時可能更便宜，更有效），但對於像Valiant一樣快速發展的大批量業務也有一些主要限制（無法手動檢查每個潛在客戶 潛在客戶分佈不正確，並且依賴於人類的參與使其難以快速有效地擴展）。 而且，上述圍繞獲取，交付等便利性的問題通常一開始就不能高度肯定地回答。 給定鉛資格鑑定問題固有的不確定性因素，理想情況下，針對該問題的自動化解決方案也應解決該不確定性問題。 Valiant的首席執行官強烈預感，基於機器學習的解決方案可能正好符合要求。
CEO所考慮的解決方案方法實質上就是預測領導資格。機器學習模型的合適目標變量可能是轉換的概率和轉換的時間（為簡化轉換的代理），候選人與招聘顧問之間互動的次數和持續時間以及所討論問題的複雜性（代理，以方便交付），通過過去招聘候選人獲得的利潤（代表潛在利潤），以及從客戶端招聘經理那裡收到的關於過去候選人對廣告職位的適合性的反饋的性質（代表戰略適合）。這些結果的可能預測因素可能來自潛在客戶資料數據以及Valiant可以訪問的任何其他行為跟蹤數據。顯然，某些結果變量和預測變量可能比其他變量更容易獲得，因此數據收集和準備將是成功實施機器學習模型的關鍵。
現在，假設Valiant的數據科學家建立了一個模型來預測潛在客戶的轉化結果（即公司是否能夠成功放置候選人）。 圖2給出了這種模型可能實現的預測性能的簡化可視表示。 從圖中的快照中，我們可以看到該模型已對25條潛在客戶進行了分類（顯示為點）。 虛線右側的潛在客戶已歸類為潛在匹配，而虛線左側的潛在客戶已歸類為潛在匹配； 本質上，該模型已預測了每個銷售線索轉換的可能性，並且轉換概率大於50％的銷售線索已歸類為匹配。 此外，到目前為止，所有25條線索均已關閉，而實際已轉換的線索（真正的匹配）被標記為綠色，而未轉換的線索（真正的未命中）標記為灰色。
Fig. 2: Predictive Performance of a Lead Qualification Model (Source: Own Illustration)
為了更好地理解圖2所示模型的預測性能，Valiant的數據科學家可以計算一些常用指標：
· 準確性：這反映了正確歸類為命中或未命中的銷售線索的數量，即（6 + 14）/ 25 = 20/25 = 80％。
· 精確度：這顯示了多少預測的匹配結果後來也變成了實際匹配，即6 /（6 + 2）= 6/8 = 75％
· 召回率：這可衡量模型正確預測為實際點擊的實際點擊次數，即6 /（6 + 3）= 6/9 = 67％
因此，我們看到該模型總體上具有較高的預測準確性，儘管其預測有些保守（準確性比召回率高）。在模型的精度和召回率之間通常需要權衡取捨，更嚴格的模型往往會實現更高的精度，但召回率卻較低，而更寬鬆的模型則相反。就Valiant的領導資格而言，準確性和召回率都非常重要。潛在客戶資格模型一旦推出，就告訴招聘顧問首先研究被預測為潛在客戶的潛在客戶（甚至可能按潛在轉換概率的降序排列），然後再進行其餘工作。因此，較高的模型精度可確保顧問通過優先考慮最終導致轉換的機會更多，從而最有效地利用他們的時間。但是，高召回率也很重要，因為忽略模型錯誤地將其歸類為未命中的潛在客戶可能會導致錯失機會。當業務進展緩慢且招聘顧問工作的合格線索很少時，這可能會對Valiant在一年中的部分期間的財務業績造成不利影響。
最後，值得注意的是，沿著任何上述資格標準（轉換的可能性，交付的便利性等），鉛型材的吸引力都可能隨時間變化。希望通過每次電話和會議，招聘顧問都能更好地瞭解候選人的偏好，技能和工作前景。在動態業務環境中，客戶端的要求也可能會更改。甚至Valiant自己的戰略重點也可能從僅放置數據科學家和數據工程師，到放置商業智能工程師和其他相鄰角色而演變。潛在客戶資格認證過程今天給定的潛在客戶評分可能會不同，可能一個月後可能會有所不同。這樣做的一個關鍵含義是，應經常對所有活動的潛在客戶進行評分，以反映潛在客戶概況及其評估環境中的變化。計分可以簡單地在預定的，定期的基礎上（例如，每週一次）進行，也可以由特定事件的發生而觸發（例如，與候選人打個電話，獲得新客戶，更改Valiant的OKR） 。
有效地貨幣化線索
確認潛在客戶的資格後，Valiant可以通過轉換潛在客戶（成功地放置候選人）或將潛在客戶出售給合作伙伴機構來通過潛在客戶獲利。 機器學習至少可以通過五種主要方式推動貨幣化：計劃行動，定價線索，包裝線索，向客戶推銷線索以及將線索傳遞給合作伙伴代理商-我們可以將其稱為"線索貨幣化的5個點"。 讓我們依次查看這些。
規劃動作：
為合格的潛在客戶構建的預測模型對於計劃如何對給定的潛在客戶採取行動可能很有用。 例如，如果線索在所有資格標準中都排名很高，那麼將其置於較高優先級可能是有意義的。 這可能意味著要先處理其他潛在客戶，再將其分配給Valiant經驗更豐富的招聘顧問之一，以增加成功關閉潛在客戶的機會。 相比之下，如果應聘者不適合擔任數據科學職位和/或在不久的將來不尋找新工作，則領導者的資格標準可能會較低，例如轉換的便利性，交付的便利性和 戰略契合 在這種情況下，如果可能的話，Valiant最好將潛在客戶出售給合作伙伴代理商。
定價線索：
如果Valiant希望出售潛在客戶，則能夠為潛在客戶分配貨幣值就變得尤為重要。 從理論上講，Valiant可以嘗試從給定線索中提取的最高銷售價格是出價最高者願意支付的價格。 如果銷售價格高於銷售線索的成本，則Valiant可以賺錢。 但是，從一開始，Valiant可能需要報價合適的價格，而不必知道潛在潛在買家的支付意願-這就是潛在客戶資格階段的預測模型可以再次派上用場的地方。 特別是，可以通過資格標準中的預測概率（或分數）對線索價格進行加權，以平均產生一定水平的利潤。
為了瞭解這是如何工作的，為簡單起見，假設我們只關心潛在客戶轉換的難易程度。如果潛在客戶很容易轉換（轉化率超過某個閾值），則將其稱為"高質量"，否則稱為"低質量"。實際上，我們可以預期高質量潛在客戶的潛在客戶生成成本和銷售價格會比劣質潛在客戶的更高。在數學上，令C（High）和C（Low）分別是高質量和低質量潛在客戶的潛在客戶生成成本，而R（High）和R（Low）則是實際的銷售價格或收益英勇可以分別從高質量和低質量的銷售線索中獲得。如果生成的潛在客戶的一部分p被預測為高質量，那麼總預期利潤將為p（R（高）-C（高））+（1-p）（R（低）-C（低））。至關重要的是，Valiant可以切換公式（p，R和C）中的槓桿，以確定達到所需獲利水平所需的條件，並相應地對潛在客戶進行定價。
包裝線索：
除了單獨銷售線索外，Valiant還可以將多個線索包裝銷售給願意的合作伙伴。 在這種情況下，購買代理商的付款意願可能是整個潛在客戶包裝質量的函數。 據推測，一個主要由高質量的潛在客戶組成的軟件包將要求較高的價格，並且潛在客戶在不同的資格標準方面可能有更具體的要求。 擁有機器學習模型來預測跨多個資格標準的銷售線索的質量，將使Valiant處於有利位置，可以包裝銷售線索，以滿足給定買家的定製要求。 例如，Valiant可以將潛在客戶轉換和交付具有一定程度的預期便利性，利潤潛力等的潛在客戶彙總在一起。
值得注意的是，雖然在人才招聘的背景下以這種方式打包潛在客戶可能看起來很新穎，但實際上在其他領域（例如金融和保險）中，這種做法實際上是相當完善的，在這些領域中，潛在客戶打包使用複雜的數學模型進行結構化以適應特定需求。 "風險概況"（例如" AAA"，" BB"）— Valiant可以從這些領域借用一些概念來構建自己的潛在客戶包。
投向客戶，向合作伙伴機構傳遞：
機器學習可用於幫助Valiant向客戶推銷線索，並以類似方式將其傳遞給合作伙伴代理商。在這兩種情況下，Valiant都面臨企業對企業（B2B）交易的情況。客戶通常會在特定條件下（例如，聘用的技能和經驗水平，薪水範圍，開始日期）將特定數據科學角色的人員外包給Valiant。如果Valiant推薦最終被錄用的候選人，則可以賺取佣金，無論Valiant在尋找，審查和指導候選人完成招聘過程中付出了多少努力。因此，能夠預測特定區域和時間範圍內人才庫的質量可以明顯地幫助Valiant決定是否值得與客戶簽訂合同。同時，向合作伙伴機構銷售潛在客戶意味著將Valiant的有限資源（招聘人員，預算，時間）從客戶工作重新分配給潛在客戶銷售-只有在特定情況下潛在客戶的預期價值高於參與時，這才具有戰略意義。客戶工作。同樣，瞭解人才庫的期望值可以幫助Valiant決定如何以最佳方式分配資源。
圖3顯示了預測模型如何指導戰略性B2B交易制定。 水平軸以具有高預測質量的線索的分數（p）來描述生成的線索的質量（例如，在特定的城市和一年中的時間）。 縱軸顯示給定交易在p的不同值下的預期利潤。 圖3顯示了Valiant可能必須選擇的兩個示例交易的比較。 請注意，儘管對於p的低值，交易1的吸引力不如交易2的吸引力，但一旦高質量線索的份額超過值p *，交易1的吸引力就更大。 在其他所有條件相同的情況下，如果Valiant能夠得出p *和p的值，那麼做出合理的戰略決策似乎是可行的，而這正是預測潛在客戶資格模型可以使用的。
Fig. 3: Strategic B2B Deal-Making (Source: Own Illustration)
總結
機器學習可以幫助企業產生更好的潛在客戶，更準確地鑑定他們，並最終更有效地利用它們獲利。 考慮到每個階段的目標不同，機器學習有助於解決的問題，以及解決方案的性能和侷限性在三個階段中都不同。
值得注意的是，儘管Valiant是一家虛構的公司，其目的是通過示例來幫助解釋機器學習的價值，但Valiant面臨的潛在客戶管理問題以及使用機器學習解決這些問題的機會已根植於現實 。 實際上，Valiant的案例研究代表了我（可能還有其他人）過去參與的幾個類似數據科學項目的某種形式的合併。 除了招聘之外，從金融，保險到旅遊業和汽車零售業的各種行業都可以從更智能，更可擴展的線索管理方法中受益。
最後，雖然越來越有可能購買用於潛在客戶管理的軟件即服務（SaaS）解決方案，但是對於公司而言，推動自己的潛在客戶管理議程仍然很重要。 議程應除其他外，闡明線索管理的動機（"為什麼"），制定SaaS系統的成功標準（例如，最低級別的準確性，準確性等），並將其與戰略KPI關聯起來。 （例如，轉化率，利潤等）對於公司的高管和投資者而言將是頭等大事。
(本文翻譯自Chinmay Kakatkar的文章《Machine Learning for Lead Management》，參考：https://towardsdatascience.com/machine-learning-for-lead-management-4f15e52e732a)
閱讀更多 聞數起舞 的文章
