對當下處于業務觀望狀態中的車企各方，銷售線索質量至關重要。其主要體現在兩個方面，一則在于線索本身內含流量成本，在龐雜的情況下無法低成本對其進行篩選評級會進一步拉高營銷成本；二則線索跟進的組織人力保障是有限資源，即顧問在單個時間段內只能跟進一部分用戶，如果線索質量低或者轉化率高的線索跟進不足都會拉低線索轉化率，更重要的是無效投入會導致商業時機延誤，錯失最佳競爭口。

如何在此階段通盤全局提升線索管理水平，【線索評級】這一關鍵流程必不可少。而“可用數據”的數量和質量對實現連貫的線索評級及管理發揮著關鍵作用，一則線索管理有賴于到店看車、乘車試駕中“可用數據”下的調整完善；二則需要根據各渠道、各系統內存量的“可用數據”為基底，構建線索管理體系與組織保障，這是一項體系化的流程。

故而有必要依托數據開發中臺（DP）、客戶數據平臺(CDP)等數字化基礎設施對進入的原始線索進行通盤的統一管理，采取多層線索保障機制，基于數據模型細化線索等級，采取分級分類跟進與培育的多種措施。當然，要聯通管理的前提是涉及銷售線索的相關各部門需擁有統一定義口徑的數據體系，即在同一業務定義內對話。

正是由于原始線索龐雜瑣碎，車企都應盡可能通過應用先進的數字化系統從接入原始線索到線索派發的每一個環節開展自動化管理，以維系組織低成本運轉的同時還能保障全渠道用戶的一致體驗。

通常來說，原始線索經由垂直平臺、官網商城，線下門店等多個觸點匯集至CDP系統內，第一步是按照數據體系標準在多種規則基礎上對其進行驗證、清洗、治理以及存儲。簡要概述來說，就是在原始線索進入時對其電話號碼、郵箱、日期、IP地址等基礎要素的數據六性（完整性、唯一性、一致性、關聯性、規范性、及時性）進行驗證排查(如圖示），比如符合手機號格式（1開頭、11位、全數字）等數據規則的可進入下一步的去重、清洗治理過程，即按照CDP系統內置的多重數據規則去重，將多個規則處理后的數據合并在一起，此時的整個過程是將原始線索轉變為能夠待分配的線索，使其在關聯與打通的基礎上于定義的時間段內在系統具備唯一性以便于分配。

在完成這一過程之后，所有經過處理可分派的唯一線索進入待分配線索池。到這里，接下來最為關鍵的環節就是對線索進行評級分配。汽車屬于大宗消費品，一個線索在某段時間內產生一個訂單比產生多個訂單的概率大。所以在評級分配之前，還有重要的一個步驟，就是明確業務場景中高價值線索的定義，這就需要一套線索指標體系區分線索等級。

以上過程中，有兩點對線索評級分配的有效性起到先決作用：

一是以業務視角對基礎數據進行標準化處理，能夠統一的數據口徑驅動業務概念數字化定義呈現；

二是基于數據視角構建針對性的數據管理操作流程保障體系，以明確數據管理有章法可循、有規則可依。

而這兩方面，具體涉及到【線索評級】的內容包括線索指標體系、數據標準制定、執行及動態變更等一系列業務過程和組織崗位決策，其中數據質量方面涉及數據質量需求收集、數據質量規則制定、數據質量檢查執行及數據質量問題解決等關鍵環節。

基于機器學習、深度學習方式的AI智能評級模型，其價值在于線索派發前的對線索評級篩選、在派發時按照評級優先跟進高價值線索，以及對不同級別的線索采取不同的培育方式，其應用即可基于過往CDP數據，通過技術直接部署模型數據；亦可根據業務數據積累中逐漸迭代，驗證其對業務的價值，可視化其數據價值。如果此時缺失數據項，可先對數據項進行收集，再針對具體的業務主題建模，線索涉及數據項包括線索本身數據、渠道數據、車輛數據以及跟進數據等。

自動化、智能化的系統應用是建立在數據和算法模型基礎上的，其中數據乃是基礎中的基礎，算法模型是將組織的業務決策指揮沉淀于系統的一種程序化過程，在過往創略科技的合作實踐中，AI智能評級模型鎖定高意向客戶的準確率高達97.3%。

明白了數據及數據驅動的自動化、智能化對線索評級及分配的重要性，基于原有業務規則、業務場景以及流程流向，通過查找線索關聯的業務數據項、檢查其數據質量，并制定數據項的質量提升方案對提升線索評級分配就顯得尤為重要。具體來說，其通常會涉及到以下6個環節：

• 1.基于線索精益應用場景調研，明確數據場景涉及的系統及數據項

   

• 2.概述或說明線索精益數據質量評估所牽涉到的詳細內容，厘清數據質量問題的來源

   

• 3.制定線索精益數據質量改進策略，細分數據質量問題的部門崗位權責

   

• 4.收集數據質量問題的改進需求，于統一的數據標準中澄清和再定義業務概念

   

• 5.依據數據標準及場景性需求，再規范數據校驗和質量規則，發布新業務管理章程

   

• 6.沉淀數據質量改進模板，優化數據質量落地的鏈路環節

當然，隨著數據數量及維度的豐富，線索指標體系以及算法模型都會相應發生更改及變動，此時基于原有數據質量標準要隨之進行靈活推動。而要推動在業務場景中循環迭代，就需要組織保障，一則需要權責明確的部門專項來整體把控數據質量的推進，二則是需要制定數據質量短期、中長期的各項分工細則，以確保數據質量的迭代精進能夠落地實處。

線索評級及其準確率的提升，是流程化的體系提升，在場景中驗證時應盡可能減少組織摩擦、業務環節缺失等。除了業務應用中使用AI智能評級模型，在數據的初始關節亦應對數據質量這一環節進行必要的檢測，以自定義的規則檢測、沉淀數據質量檢測模板，使用AI算法實時檢測數據質量，探查其中問題及時預警，從而將風險遏制于問題前期。另外，針對存量數據，根據線索管理場景的需要可在明確現有業務規則及厘清過往數據的基礎上，采用以上數據質量的改進模板對其進行完善，從而擁有更多“可用”的高質量數據。

隨著數據量的積累，企業會擁有越來越多的“可用數據”來定義篩選與實時跟進可衡量、可調整、可落地的高價值線索，并于數據鏈路的反饋中連通線索管理的部門協同，最終實現線索的培育與轉化。當然，其中對“可用數據”的數據治理必不可少，企業盡可能于事前貫徹數據標準、事中落地數據質量校驗，事后科學儲存應用的三大環節中，應用與運營自動化、智能化的數字化工具，進一步將“可用數據”轉變為有價值的結論以支持企業決策，助力業務運營。