车企如何从评级开始，确保高质量线索的转化率

对当下处于业务观望状态中的车企各方，销售线索质量至关重要。其主要体现在两个方面，一则在于线索本身内含流量成本，在庞杂的情况下无法低成本对其进行筛选评级会进一步拉高营销成本；二则线索跟进的组织人力保障是有限资源，即顾问在单个时间段内只能跟进一部分用户，如果线索质量低或者转化率高的线索跟进不足都会拉低线索转化率，更重要的是无效投入会导致商业时机延误，错失最佳竞争口。

如何在此阶段通盘全局提升线索管理水平，【线索评级】这一关键流程必不可少。而“可用数据”的数量和质量对实现连贯的线索评级及管理发挥着关键作用，一则线索管理有赖于到店看车、乘车试驾中“可用数据”下的调整完善；二则需要根据各渠道、各系统内存量的“可用数据”为基底，构建线索管理体系与组织保障，这是一项体系化的流程。

故而有必要依托数据开发中台（DP）、客户数据平台(CDP)等数字化基础设施对进入的原始线索进行通盘的统一管理，采取多层线索保障机制，基于数据模型细化线索等级，采取分级分类跟进与培育的多种措施。当然，要联通管理的前提是涉及销售线索的相关各部门需拥有统一定义口径的数据体系，即在同一业务定义内对话。

正是由于原始线索庞杂琐碎，车企都应尽可能通过应用先进的数字化系统从接入原始线索到线索派发的每一个环节开展自动化管理，以维系组织低成本运转的同时还能保障全渠道用户的一致体验。

通常来说，原始线索经由垂直平台、官网商城，线下门店等多个触点汇集至CDP系统内，第一步是按照数据体系标准在多种规则基础上对其进行验证、清洗、治理以及存储。简要概述来说，就是在原始线索进入时对其电话号码、邮箱、日期、IP地址等基础要素的数据六性（完整性、唯一性、一致性、关联性、规范性、及时性）进行验证排查(如图示），比如符合手机号格式（1开头、11位、全数字）等数据规则的可进入下一步的去重、清洗治理过程，即按照CDP系统内置的多重数据规则去重，将多个规则处理后的数据合并在一起，此时的整个过程是将原始线索转变为能够待分配的线索，使其在关联与打通的基础上于定义的时间段内在系统具备唯一性以便于分配。

在完成这一过程之后，所有经过处理可分派的唯一线索进入待分配线索池。到这里，接下来最为关键的环节就是对线索进行评级分配。汽车属于大宗消费品，一个线索在某段时间内产生一个订单比产生多个订单的概率大。所以在评级分配之前，还有重要的一个步骤，就是明确业务场景中高价值线索的定义，这就需要一套线索指标体系区分线索等级。

以上过程中，有两点对线索评级分配的有效性起到先决作用：

一是以业务视角对基础数据进行标准化处理，能够统一的数据口径驱动业务概念数字化定义呈现；

二是基于数据视角构建针对性的数据管理操作流程保障体系，以明确数据管理有章法可循、有规则可依。

而这两方面，具体涉及到【线索评级】的内容包括线索指标体系、数据标准制定、执行及动态变更等一系列业务过程和组织岗位决策，其中数据质量方面涉及数据质量需求收集、数据质量规则制定、数据质量检查执行及数据质量问题解决等关键环节。

基于机器学习、深度学习方式的AI智能评级模型，其价值在于线索派发前的对线索评级筛选、在派发时按照评级优先跟进高价值线索，以及对不同级别的线索采取不同的培育方式，其应用即可基于过往CDP数据，通过技术直接部署模型数据；亦可根据业务数据积累中逐渐迭代，验证其对业务的价值，可视化其数据价值。如果此时缺失数据项，可先对数据项进行收集，再针对具体的业务主题建模，线索涉及数据项包括线索本身数据、渠道数据、车辆数据以及跟进数据等。

自动化、智能化的系统应用是建立在数据和算法模型基础上的，其中数据乃是基础中的基础，算法模型是将组织的业务决策指挥沉淀于系统的一种程序化过程，在过往创略科技的合作实践中，AI智能评级模型锁定高意向客户的准确率高达97.3%。

明白了数据及数据驱动的自动化、智能化对线索评级及分配的重要性，基于原有业务规则、业务场景以及流程流向，通过查找线索关联的业务数据项、检查其数据质量，并制定数据项的质量提升方案对提升线索评级分配就显得尤为重要。具体来说，其通常会涉及到以下6个环节：

• 1.基于线索精益应用场景调研，明确数据场景涉及的系统及数据项

   

• 2.概述或说明线索精益数据质量评估所牵涉到的详细内容，厘清数据质量问题的来源

   

• 3.制定线索精益数据质量改进策略，细分数据质量问题的部门岗位权责

   

• 4.收集数据质量问题的改进需求，于统一的数据标准中澄清和再定义业务概念

   

• 5.依据数据标准及场景性需求，再规范数据校验和质量规则，发布新业务管理章程

   

• 6.沉淀数据质量改进模板，优化数据质量落地的链路环节

当然，随着数据数量及维度的丰富，线索指标体系以及算法模型都会相应发生更改及变动，此时基于原有数据质量标准要随之进行灵活推动。而要推动在业务场景中循环迭代，就需要组织保障，一则需要权责明确的部门专项来整体把控数据质量的推进，二则是需要制定数据质量短期、中长期的各项分工细则，以确保数据质量的迭代精进能够落地实处。

线索评级及其准确率的提升，是流程化的体系提升，在场景中验证时应尽可能减少组织摩擦、业务环节缺失等。除了业务应用中使用AI智能评级模型，在数据的初始关节亦应对数据质量这一环节进行必要的检测，以自定义的规则检测、沉淀数据质量检测模板，使用AI算法实时检测数据质量，探查其中问题及时预警，从而将风险遏制于问题前期。另外，针对存量数据，根据线索管理场景的需要可在明确现有业务规则及厘清过往数据的基础上，采用以上数据质量的改进模板对其进行完善，从而拥有更多“可用”的高质量数据。

随着数据量的积累，企业会拥有越来越多的“可用数据”来定义筛选与实时跟进可衡量、可调整、可落地的高价值线索，并于数据链路的反馈中连通线索管理的部门协同，最终实现线索的培育与转化。当然，其中对“可用数据”的数据治理必不可少，企业尽可能于事前贯彻数据标准、事中落地数据质量校验，事后科学储存应用的三大环节中，应用与运营自动化、智能化的数字化工具，进一步将“可用数据”转变为有价值的结论以支持企业决策，助力业务运营。