外观
线索转化率预测
介绍如何基于历史数据和智能算法预测销售线索转化为商机或客户的概率。
业务价值
通过人工智能模型对销售线索进行多维度建模，预测其转化概率。 这有助于销售团队从海量线索中甄别出最具成交潜力的优质客户。 管理层可据此合理规划销售指标，并优化市场投放策略。
核心概念
| 概念 | 定义 | 关联对象 |
|---|---|---|
| 转化率预测 | 基于机器学习模型，分析线索特征并计算其最终成功转化为客户或商机的概率值（百分比）。 | 销售线索、客户、商机 |
| 特征因子 | 影响预测概率的关键属性，包括基础属性（行业、地域）和跟进动态（沟通频次、响应时长）。 | 销售线索 |
| 置信等级 | 预测模型的准确度评价，置信等级取决于历史已转化和已废弃数据样本的充沛程度。 | 销售线索 |
工作机制
系统基于“历史沉淀数据-算法模型训练-新线索评估”的闭环进行转化概率预测：
- 数据训练：系统自动学习企业历史数万条已转化客户和已作废线索的共有特征，构建专属的预测模型。
- 因子匹配：当录入新线索时，系统解析其 公司行业、注册资金、线索来源 等属性，同时监控 邮件打开率 等跟进动态。
- 动态更新：转化概率并非固定不变。随着销售跟进的深入（如成功拜访、添加相关联系人），预测值会实时发生变化。
适用角色
| 角色 | 主要操作 |
|---|---|
| 销售管理人员 | 结合预测转化率与线索等级，优化销售资源的分配和线索流转路径。 |
| 销售人员 | 在每日待办中，优先挑选预测转化概率高的销售线索进行重点突破。 |
| CRM 管理员 | 维护算法的特征因子字段配置，监控模型预测的准确率。 |
业务场景
场景一：智能派单与精准分配
某金融科技公司导入了 1000 条行业线索。 智能预测模型分析后，识别出其中 50 条线索的转化概率大于 75%（核心特征为：华东区、企业规模 1000 人以上、注册资金 5000 万以上）。 系统自动将这 50 条线索派发给资深销售，其余线索存入普通线索池供全员领取。
场景二：销售日常跟进排序
销售人员打开工作台，面对上百条待处理线索。 他按照 预测转化概率 由高到低进行排序，优先对转化概率高于 60% 的 10 位潜在客户进行深度电话沟通，提升当天的时间产出比。