
大数据在CRM中的应用
传统管理软件已经存在很长时间了,过去传统的ERP和其他管理软件名声不是太好,就是大家觉得易用性有很大问题,甚至流传一个笑话,不上ERP等死,上ERP找死。这就说明系统第一易用性有问题,第二个也不够聪明。比如说,销售人员你给他用PC端CRM,但是销售人员整天在外面跑,你没有移动端支持,所以这是很糟糕的使用场景。
第二个,大部分过去CRM集中在结构化数据和业务流程上,对于企业提高效率是有帮助的,但是从另外一个方面,我们有没有考虑系统使用者,里面80%可能都是销售人员,我们有没有想过给他们更智能的支持,其实我们发现都没有,跟大数据没有关系,跟社交没有关系,跟移动也没有关系,这在消费应用中常见的技术,但是企业管理软件中采用的特别慢。
你打开自己的手机,上面有几个应用跟公司日常管理,企业应用相关的,可能100个应用里面,99个是个人消费应用,有1个跟企业相关的移动化应用就很不错了。所以我们也希望通过我们的努力,引进一些新的技术改变传统管理软件的弊端。
浪费的那一半广告费,现在可以省下了
我们的投资人主要来自于红杉资本跟经纬中国,他们非常看好企业应用在中国的发展前景。大数据可能在CRM场景里面分几个阶段。第一是找客户阶段,对销售来说这是非常现实的问题。你有一个产品了,第一个想的问题是产品要卖给谁?我们这个产品目标客户在哪?怎么找到我们的客户。听上去好像不是一个问题,实际上是一个特别严重的问题。因为每个企业都希望获得更多的销售线索,更多的潜在客户,产生更多的销售机会。过去CRM软件里面没有涉及到这部分,基本上是对市场活动的管理和成本核算。
今天很有幸,先从自己的角度,我们销售易已经一些尝试:找客户这件事只有两个办法,第一是引进来,就是把潜在客户吸引进来;第二是销售团队主动开拓,我们看一下这两个场景底下,大数据的应用能实现一些东西。
首先引进来,过去大家都是线下打广告,先把互联网放在一边,可能是电视广告,做一些线下市场活动,纸媒。现在有互联网广告以后,好处是什么呢,这个广告首先形式是数字化的,给企业做大数据追踪和分析打下很好的基础。纸媒要做数据分析是特别困难的,因为它本身不是数字化的东西。销售易很多推广力度都是集中在互联网推广上面,比如说SEO、SEM,再包括DSP广告投放,客户在网页上的停留、追踪,但是我们市场部和销售部每天都在考虑的一个问题——我们花了那么多钱,在SEO、SEM和DSP广告上面,到底给公司带来了多少销售?从最早的广告费到销售,其实中间有很长的阶段,首先广告吸引过来,到我们网站注册了用户,或者下载了我们的应用,或者是试用了我们的产品,最后我们通过回访,他可能变成一个客户,这个客户有没有销售,如果有销售机会,我们再跟踪这个销售机会,最后产生一个合同,完成一个销售。这中间有一个漫长的转化过程,每一个销售的管理人员,包括我们跟很多客户沟通,他都有一个很强烈的动机希望能够洞察整个过程。
举个例子,我在百度上投放花了100万,到底有多少是因为百度投放带来销售成交。这个思考是特别有意义的,那能不能实现这个东西呢?其实我们跟做了一些尝试以后,发现是可以实现的。百度上面搜索销售易,一种是去销售易网站进一步浏览,也有可能根据提示,直接去应用商店下载体验。比如到了销售易网站以后,我们希望分析这个客户它是搜索什么关键词到销售易网站的,是搜索CRM进来的?还是搜索竞品信息进来的?还是搜索”销售易”三个字进来的。我们发现有些客户搜索完全是你意想不到的词语会登陆进来。
首先第一段我们追踪一个搜索,到了销售易网站以后,我们希望分析他在销售易网站上停留了多长时间,包括他看了哪些内容。比如他看了我们视频的销售彦论(微信公众号:销售彦论),我们有关于销售方法的视频,他是因为这个东西被吸引进来的,还是在我们产品上面停留很长时间,还是最后注册了试用帐号,我们把这些进行分类。产生注册以后,因为有验证的问题,所以提供了客户的联系方式,然后我们的销售人员就会对他进行跟踪,进行回访。回访以后后面这一段工作,其实在我们的销售易CRM里面完成了。销售易CRM能提供什么呢?进来销售线索以后,我来测算这个销售线索多长时间,我们的销售人员跟踪以后,把它转成一个潜在客户。
因为有些销售线索打过以后是没有用的,比如我们发现是一个个人注册用户,这个时候你就要思考了,这个个人用户明显不是我们的目标用户,到底是哪个搜索词引进来的,这完全是浪费你的资金。我浪费了钱不说,还浪费了销售人员很多时间,回访以后我们发现这个比例还挺高,很多是个人用户注册进来了,所以我们要根据这些数据调整广告投放渠道。
这个线索进来以后,第二部分要做的工作是分析从线索到客户的转化率是多少,其实这是一个大的评估,从百度投放过来的,我们有分析从360过来的,有不同的搜索引擎过来的,我们发现其实百度进来以后,在我们网站上停留时间是最长的,比360的吸引搜索用户进来以后,停留时间是明显要长的,而且转化率也是明显要高的,我们在分析这个背后的原因是什么。可能我们觉得大部分企业用户搜索行为还是在百度上比较多,可能360个人消费者比较多,所以通过数据分析以后,对广告投放有一个明确的指导作用。
进入客户阶段我们就要核算这个线索有多少变成了销售机会,销售机会最后有多少被结单,每一层都有转化率,每一层都可以分析对应的意义。最后我们结单以后,我们在广告投放渠道上花了多少钱,产生多少收入,你就知道每个线索的成本。这是引进来在数据分析上面对我们的帮助。这段时间我们也接触一些客户,问他们我们现在做这个东西,你有没有兴趣,结果反响超过我们的预料,很多客户说,我其实一直在找这个东西。
开拓客户,大数据可以帮你做到这些
第二个是大数据对走出去、我们怎么主动开拓客户,有什么帮助?主动开拓这块,过去传统企业手段挺匮乏的。第一是线下搞市场活动,今天也算一个,当然主要是大家来交流的。通过参加和主办市场活动,把有需求和有产品的双方进行连接,这是一种方式。还有一种是看到企业呼出开拓,给潜在客户打一些电话。第一种方式时间、人力成本都很高,弊端在这里。第二种方式,现在已经快构成骚扰了,在客户开拓方面是比较困难的一种方式。
除此之外,还有没有更多的办法,给销售人员提供高质量的线索,对客户的骚扰程度相对比较低的。他本来要这个东西的时候你去找他,他不觉得是骚扰。往往是不要一个东西的时候,对方找你,你会觉得很烦。之前有一个合作伙伴跟我们探讨,在中国想提供这个服务,其实他在美国已经很成功,提供这个服务了。之前想跟我们合作,但是他在中国先做了一些尝试,可能基于我们目前的网络环境上的数据,本身的数据质量有些问题,另外算法跟美国差异特别大,但是没关系,我今天跟大家分享一下他的思路,可能对后面找客户有什么帮助,我们也一直在调试这个法。
第一是企业CRM内部数据,就是过去企业内部自己积累的客户成交记录,这是为客户画像来做的。比如客户行业、分布地域、购买产品这些数据都是准确的。第二是服务提供商收集互联网上面海量的商业数据,比方说这个企业的一些新闻,这个企业的创始人资料,这些企业在市场上的表现,包括客户对他的评价,包括规模。这里面是含有大量的有价值的信息的。
在这两个数据的基础上,其实最关键的,如果我们能找到一个合理的数据模型,就一定可以找到潜在客户在什么地方。反过来我们通过比较友善的渠道对这些潜在客户进行定向推送,可以大幅度降低推广成本,指向性也很精确。再结合销售人员去跟踪,再通过CRM数据对他进行分析,我们就把找客户这件事情,把走出去和引进来这两种方式都得到了很好的解决。
怎么关怀客户,以及怎么利用积累的信息,包括网上给我们的评价,包括服务信息,投诉信息,怎么判断这个产品和服务,其实也有很多的使用场景,因为时间关系,就不在这里赘述了。
从销售易看企业服务发展四大趋势
最后我分享一下Gartner对企业服务的总结吧。我们过去企业管理软件,这些所有的元素基本上都是缺失的。移动端对于我们销售和客服人员的帮助是非常广阔的,可以大幅度提高服务领域的体验。
社交,我们在消费领域里面有很多方式,包括内部团队的协作,外部客户的沟通,实际上今天很多管理软件里面没有这个功能,我们只是干巴巴的表格,怎么把这些社交元素融入进去提高效率,这也是有很多可以想象的空间。
大数据,刚才我跟大家花了20分钟聊了这个东西。最后Gartner总结了一下,这四个东西结合起来,未来企业应用能够像消费级软件一样很好用,不要把那个东西当做高大上的,我们后台怎么处理,怎么分析,那是专业人员的事情。你就让前线使用人员,不要感到任何技术的存在,那才是技术最高的一个境界。
最后还有一分钟,我做一下广告,因为销售易在这些方面的尝试,Gartner也特别认可,2014年注意到销售易做这个尝试以后,跟我们做了深度沟通,2015年的时候,Gartner就把销售易列为“2015中国最酷创新供应商”获奖名单。这个奖主要用来评选那些软件和服务,符合未来方向的厂商。中国应用管理软件,只有销售易一家。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-19偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12