太平洋科技企业站

如何利用神经网络解决销售不重视市场线索的问题？

Asgardia 编辑：王珂玥发布于：2023-07-26 17:21 PConline原创

众所周知，一个合格的MQL（营销线索）代表了一个潜在客户。当MQL确定，就可以将其传递给销售团队，进而转化为SQL（销售认可线索）。为此，MQL不能只注重线索的数量，还要确认线索是有价值的，只有看重线索的质量，线索转化成SQL到最终成单的转化率才会高。

但现实上，理论很难符合实际。多数的时候，都是销售觉得大部分市场的线索孵化到成交的周期比较久，所以积极性不高，导致销售越来越不重视市场线索。

虽说未了解决MQL可以更多转化为SQL，之间可以配置SDR（销售开发代表）团队来做MQL的数据清洗，来提高MQL质量，但这种线索转出的精细化管理问题很考验SDR团队能力。对此，很多人认为SDR甚至需要具有着售前工程师能力，SDR这个岗位人员专业度成为MQL可以更多转化为SQL的瓶颈。

对此，笔者试着用神经网络的方法试探解决销售不重视市场线索的问题，以及降低SDR岗位专业复杂成本的难题。

笔者曾在《从“万恶之源”到“百模大战”》一文中对神经网络有过较为详细的介绍，在此不在赘述。简单说下，神经网络是模拟人类大脑的神经元功能的网络，其中神经元相互连接以接收信息、处理信息并将其传递给其他神经元。一组神经从一前组神经元中获得输入输入(X)的加权(W)，并应用非线性激活来获得所需结果的概率。多层神经网络是通过采用多层神经元处理来逐步提取更高级别特征的网络形式。

对此，我们可以将MQL-SDR-SQL的线索转化应部署于神经网络的输入层、隐藏层、输出层（如下图）：

输入层获得MQL数据（M），在全连接状态下，SDR层会对MQL提交的数据赋予相应权重W（重要性）和偏置Q（可以激活进入后续的兴奋阈值）。SDR会将其认为合适的（经过加权和的）线索经过清洗（即类似于大模型下的softmax()函数）后的数据输送给SQL（即神经网络的输出层），以判断哪些更加符合SQL需求数据（S）。

至此，神经网络训练对权重和偏置调优的过程，在某种程度上就等同于专职SDR对符合SQL的MQL的数据清洗过程。

正如前文所讲，销售不重视市场线索的争议的很大瓶颈在于SDR这个岗位人员专业度。对此，将该问题映射到刚才所建立的神经网络模型，就可以表述为，求得合适的权重和偏置参数的问题，即同时迎合销售需求也能有效发现市场部的价值发现。

我们将上述问题的解决，简化为一个可以支持人脑独立计算的小模型。例如，我建立了一个简化的MQL数据（M）和SQL数据（S）的表格（如下图）。根据这个表格，可以建立预测方程式S=WM+Q。WM+Q即代表SDR团队需要做的工作。