在电销类CRM中，我们可以用算法对客户线索进行销售座席的分层分类，其中最重要的就是算法决策问题。如何通过算法决策，进行自动化的分层匹配，从而实现全局的线索-坐席的最优匹配？

之前我有在CRM电销系统中，如何进行客户数据管理与精细化分配？一文中，介绍了我们可以利用算法，对客户线索的质量进行判断，同时对销售坐席的分层分类，最终基于分配规则，实现客户线索的分层分配。

虽然在客户线索的分类上，我们用到了算法，但本质上，我们的分配其实仍然是基于规则。客户线索的分类越多，线索质量、销售坐席分层的层级越多，我们就需要配置更多的规则。假设我们有3类线索，每类线索的质量等级有5个级别，分别对应5个层级销售坐席，那么，基于规则的分配，理论上，我们需要配置3*5=15条分配规则，如果要考虑到线索的分配溢出，则可能需要依赖更多的规则。实际的业务运营中，我们线索的类型绝对不会只有3类，这样对于CRM的运营人员来讲，日常的规则配置成本就比较高了。

那么有没有可能，我们能减少对规则配置的依赖，通过算法决策，进行自动化的分层匹配，从而实现全局的线索-坐席的最优匹配？笔者曾经在CRM的算法分配策略中，做过一些探索和实践，分享出来供大家参考。

分层分配最基础的原则就是效率原则：优质线索优先分配给绩优坐席，普通线索分配给普通坐席。

理论上，对成交转化数据最直接的影响就是线索质量与坐席能力，假设：基础成交转化=线索质量系数*坐席出单能力系数。我们可以假设普通普通坐席的出单能力系数为1，绩优坐席系数为1+λ。普通线索的系数为1，优质线索的系数为1+α。我们比较“优配优/普配普”和“优配普/普配优”的方案时，就可以计算出两种方案的成交转化差值=[（1+λ）*（1+α）+1*1]-[（1+λ）*1+1*（1+α）]=λ*α。

当λ、α均为正值时，一定是优质线索优先分配给绩优坐席，普通线索分配给普通坐席效率最优。

同时，分层分配这个机制，本身也会正向鼓励坐席去努力提升变成优秀的坐席。

实际的电销业务的工作场景下，由于客户的线索会占用客服的时间资源，同时，活跃的客户的线索会随着时间的流逝，降低自身价值。如果在分配时，一味向最好的坐席倾斜最好的线索资源，也会导致优质线索在绩优坐席手中积累，无法及时拨打，从而降低了线索的价值。所以，我们在做算法分配时，需要考虑多方面的因素，不能仅仅考虑单个客户线索或单个客服分配的绝对最优，而是去思考如何做到针对于所有分配线索、所有销售坐席的全局最优分配。

一、失败的第一版尝试

基于运营分配规则的分配策略中，由于考虑到分配时效的问题，我们在线索入库的第一时间，就会根据规则实时将线索下发给坐席。

最初的算法分配的方案中，我们仍然想采用这样的流动式分配模式。但是这样的分配模式产生了一个问题：举例，假设我们有甲、乙、丙三个销售坐席，销售能力：甲>乙>丙，同时有A,B,C三条线索，线索质量：A>B>C。以成交率最优的原则，我们期望的最终分配结果是：甲坐席获得A线索，乙坐席获得B线索，丙坐席获得C线索。但是由于A、B、C三条线索并非同时进线，对于独立的A、B、C线索而言，由于甲的销售最强，算法会认为甲都是A、B、C线索的最优选择。

如果按照这样的分配方案，毫无疑问，线索会聚集性的分配到甲坐席手中。为了避免这样的问题，我们除了依赖算法的匹配度分值数据外，增加分配权值数据。一旦销售坐席被分配了一条新的线索时，他的分配权值会降低，这样就避免将线索聚集分配给一个人的情况。

但是这样的方案，又产生了一个新的问题。由于线索进线的顺序，我们是不可控的，如果客户线索按照C->B->A这样的时间顺序进线，当独立的C线索进线时，由于缺乏可供对比的其他线索，我们会认为C线索的最优分配方案是分配给甲，同时降低甲的分配权值，之后B、A依次进线，如果基于“算法分数+分配权值”进线分配，会依次将线索B分给乙，线索A分配丙。这样的分配结果，和我们预期的分配结果颠了个倒，显然是不能满足业务的诉求的。

二、重构后的算法分配方案

对第一版的失败做了分析总结，第一版方案中最大的问题是，实时进线的数据，由于是流动式的进线并进行分配，线索与线索之间没法做横向的比较，即便我们人工去定义一个90分的线索为优质线索，但如果接下来的100条线索都是90+的分数，那么这个90分的线索反而成为了最差的那条线索。

所以，新的算法分配方案，不再采用流动式的分配策略，而是通过“线索进线=》锁定线索=》批量提交算法=》程序执行分配”的流程进行分配。我们将分配的节奏切分为一个个小的时间切片，每个时间切片，根据进线线索的数量、需要分配的坐席数量、分配的时间间隔来决定。

假设有100个坐席等待分配，那么，当第1~第99条线索进线时，我们会临时将这99条线索锁定，等第100条线索进线，我们会同时将100个坐席和100条线索批量提交给算法，由算法计算出100*100=10000个匹配的分值。从这个10000个匹配分值中，自上而下挑选，分值最高的，则必然是这10000个匹配关系中的最优匹配。坐席和线索命中匹配后，将10000个分值中和该坐席、该线索的分值全部剔除，再将剩余的分值自上而下排序，挑选最高分值，并依次类推，最终得到100个坐席和线索的匹配关系。理论上讲，这就是算法得出的最优匹配规则。

算法在计算匹配分值时，除了基于线索的自身的原始价值、销售坐席的原始能力外，还会额外考虑线索在CRM库中等待的时间、销售坐席持有的未进行首次拨打的线索的数量等因素。举例来讲，如果线索在昨晚24点进线，第二天9点分配时，与该线索在库内停留时间过长，与该线索相关的匹配分值都会进行相应降低。如果坐席的待首拨线索过多，意味着他需要花很多的时间处理跟进这些线索，那么与该坐席相关的匹配分值也会相应降低。

三、结语

重构后的算法分配方案，在逻辑上，被认可为一个可靠的方案，但是在实际的测试过程中，仍然遇到了很多现实的问题。首先，算法模型的质量，依赖于算法工程师的能力。其次，模型的训练也需要大量的基础数据。

所以，算法分配，只适合在线索的规模体量大、技术能力比较强的公司，在中小型公司可能并不是十分地适用。

本文由@爱吐槽的徐教授 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于 CC0 协议。