要找到最優(yōu)解，就要全局考慮。從技術(shù)上看，這屬于運籌優(yōu)化算法中的任務指派問題，例如打車軟件給司機派單。行業(yè)中也有一些開源的運籌優(yōu)化算法和框架，比如 Google 開源的 Ortools 使找到最優(yōu)解成為可能。

綜上，企業(yè)應用大數(shù)據(jù)和機器學習、運籌優(yōu)化技術(shù)進行線索智能評分、智能分配，實現(xiàn)線索優(yōu)選、優(yōu)配，能夠有效提升銷售效能。

我們可以將智能技術(shù)應用的優(yōu)勢總結(jié)如下：

• 相比規(guī)則評分、規(guī)則分配，智能技術(shù)能綜合全域數(shù)據(jù)和人工智能技術(shù)，評分更精準，能更好地支持銷售運營。
• 根據(jù)業(yè)務反饋自動訓練、更新，自適應環(huán)境變化。
• 數(shù)據(jù)越完備，預測越精準，數(shù)據(jù)變成了生產(chǎn)力，企業(yè)可以通過數(shù)據(jù)建設來持續(xù)提升預測精準性。
• 應用運籌優(yōu)化技術(shù)進行線索分配，可以取得全局最優(yōu)，并自動適應銷售人員變化。

而與此同時，我們也需要清晰地認識到，企業(yè)應用智能技術(shù)面臨的挑戰(zhàn)有四點：

• 數(shù)據(jù)建設系統(tǒng)。智能技術(shù)應用以數(shù)據(jù)為核心，需要有良好的數(shù)據(jù)基礎(chǔ)，因此需要數(shù)據(jù)采集 & 存儲 & 分析系統(tǒng)做支撐。
• 智能技術(shù)平臺。雖然行業(yè)中有很多開源技術(shù)框架，但打通數(shù)據(jù)流和應用結(jié)合、特征 & 樣本管理等仍然是一個大工程。
• 智能技術(shù)人才。優(yōu)秀的、能做出成效的智能技術(shù)人才依舊稀缺且昂貴。
• 實踐經(jīng)驗。相比個性化推薦，銷售業(yè)務鏈路更長、過程更難數(shù)據(jù)化和量化，且涉及到銷售人員管理和激勵，非常復雜。智能技術(shù)業(yè)務關(guān)聯(lián)度更高、數(shù)據(jù)來源也更復雜，且涉及到和銷售團隊的配合，因此對技術(shù)團隊和業(yè)務團隊的跨界經(jīng)驗要求很高。

• 結(jié)合神策兩云一平臺（神策分析云、神策營銷云、神策數(shù)據(jù)根基平臺），為客戶提供數(shù)據(jù)治理、分析、業(yè)務應用一體的綜合解決方案。
• 提供智能技術(shù)平臺，解決打通數(shù)據(jù)流、應用結(jié)合、特征 & 樣本管理等問題；提供行業(yè)模型保障建模效率和效果。
• 提供定制化建模服務，并保障模型效果。
• 提供落地陪跑服務，務求業(yè)務落地并實現(xiàn)業(yè)務價值。

基于落地實踐，我們梳理了神策智能技術(shù)平臺的三大特點：第一，神策智能技術(shù)平臺和神策兩云一平臺有機結(jié)合；第二，集成運籌優(yōu)化框架并構(gòu)建智能分配模型，解決類似于線索分配的運籌優(yōu)化問題；第三，構(gòu)建行業(yè)化模型框架、沉淀行業(yè)模型，把行業(yè)共性，如特征的加工方式、特征集合、樣本構(gòu)建方式、模型效果分析方式等固化。

具體來說，特征加工方面，如判斷郵箱地址是個郵還是企郵，判斷用戶填寫公司名稱的真實性；模型分析方面，如在線教育要按照科目、年級、校區(qū)、活躍情況做模型效果分析。固化行業(yè)共性，同時沉淀系統(tǒng)，能夠有效保障建模的效率和效果。

與此同時，在實際服務客戶的過程中，我們總結(jié)了如下實踐認知：

1、數(shù)據(jù)采集要完整，時間要對齊，避免時序混亂

（1）數(shù)據(jù)完備。包括用戶行為數(shù)據(jù)、CRM 數(shù)據(jù)、用戶來源和屬性數(shù)據(jù)、銷售跟進數(shù)據(jù)等。

（2）跟進記錄完備，時間對齊。App 合規(guī)采集的用戶行為數(shù)據(jù)一般不會出錯，但線索分配、跟進等記錄因為涉及到銷售管理和 CRM 系統(tǒng)，容易出現(xiàn)缺失或時序混亂，從而影響模型效果，企業(yè)務必最初就做好數(shù)據(jù)洞察，并盡早解決數(shù)據(jù)錯誤。

（3）要避免特征穿越。CRM 中一些字段是銷售跟進甚至成交后才填寫的，如果缺少屬性變更時間及對應的時間戳，很容易出現(xiàn)特征穿越，造成模型效果好但實際應用差的情況。

（4）在數(shù)據(jù)治理之前，建議先和銷售人員溝通，了解其判斷線索質(zhì)量所需要的數(shù)據(jù)，做針對性的數(shù)據(jù)治理。

2、模型訓練環(huán)節(jié)，最重要的是確定應用場景和目標線索

如何判斷應用場景和目標線索？通常情況下，其判斷標準如下：

（1）場景和目標線索的預測是否對銷售有幫助？如果銷售跟進線索的成本非常低，那么做線索質(zhì)量評分的價值就不大，因為 ROI 太低。

（2）可行性如何？比如對半年內(nèi)沒有活躍的線索進行質(zhì)量區(qū)分難度很大。

（3）如何做？選用什么樣的數(shù)據(jù)？比如半年內(nèi)沒有活躍的線索，大概率要用到第三方數(shù)據(jù)輔助判斷，樣本構(gòu)建和模型訓練、模型分析要相對應。

3、選定合適的指標

相比 AUC、準確率 & 召回率等指標，LIFT 提升度更適配業(yè)務度量.

LIFT 提升度是對評分從高到低排序后各個分檔的累計轉(zhuǎn)化率相對基準轉(zhuǎn)化率的比值，體現(xiàn)了模型 Top N 的數(shù)據(jù)對目標轉(zhuǎn)化的召回率，以及相對平均采樣的優(yōu)勢。

4、務必做 A/B 測試驗證

對于轉(zhuǎn)化周期長的實施需求，做好 A/B 測試能夠幫助企業(yè)量化說明應用價值。

利用 A/B 測試進行線索篩選，是指不針對銷售而是線索做 A/B 分組，并采用不同的線索篩選方式；對于私海標注，則線索不分組，銷售根據(jù)有無私海標注分組；對于線索優(yōu)配，則線索、銷售都分組，做 A/B 測試效果對比。

在模型應用階段，過程數(shù)據(jù)采集和分析非常重要，一方面便于效果歸因和改進，另一方面能幫助企業(yè)盡早發(fā)現(xiàn)問題。

通過實踐和行業(yè)調(diào)研，神策總結(jié)了智能技術(shù)應用帶來的收益：

• 線索篩選在歷史線索回撈場景下會帶來轉(zhuǎn)化率提升。具體提升數(shù)字以及持續(xù)時間跟歷史線索規(guī)模和沉淀歷史線索的速度有關(guān)。
• 結(jié)合線索質(zhì)量、銷售能力，以及銷售對線索的偏好進行線索分配，從而實現(xiàn)整體最優(yōu)，線索整體轉(zhuǎn)化率大幅提升。
• 私海線索質(zhì)量區(qū)分能全面提升私海優(yōu)質(zhì)線索轉(zhuǎn)化率。

5、線索優(yōu)選 & 優(yōu)配是技術(shù)問題，同時也是業(yè)務問題和管理問題

（1）企業(yè)要循序漸進開展工作，避免影響業(yè)務和團隊管理。循序漸進要求從效果明確、對團隊管理和業(yè)務影響比較小的開始調(diào)整。比如歷史線索回撈。歷史線索回撈不會對銷售團隊管理產(chǎn)生影響且產(chǎn)生效果不依賴外部，因此是最佳的切入點。然后是私海高質(zhì)量線索標注以及低質(zhì)線索排除。做好這兩點后，基本能夠證明模型有效，并且已經(jīng)和業(yè)務方磨合好。接下來就可以開展基于銷售分檔和線索分檔的線索優(yōu)配，其解釋性強、可控性好，在這個基礎(chǔ)上銷售團隊管理的調(diào)整比較容易，比如績效考核方式的調(diào)整。取得了效果以后，再用算法做線索分配，實現(xiàn)效果覆蓋。

（2）滿足銷售業(yè)務和團隊管理的規(guī)則約束。銷售團隊管理有諸多約束，比如線索分配要公平，不能把高質(zhì)量線索全都分配給好銷售。即使用算法做線索分配，也需要滿足銷售業(yè)務和團隊管理的規(guī)則約束。

（3）要有相當規(guī)模的銷售團隊和線索規(guī)模，才能發(fā)揮智能技術(shù)的杠桿效應。銷售團隊規(guī)模太小，或線索量太小時 ROI 太低，不值得實施線索優(yōu)選和優(yōu)配。

實事求是地看，數(shù)據(jù)智能落地的過程很難達到 100% 成功率，一方面因為數(shù)據(jù)不夠完整；另一方面受特征穿越、建模后目標線索調(diào)整等的影響，會導致項目過程曲折。因此企業(yè)應用智能技術(shù)前要慎重考慮，規(guī)避風險。