近段时间以来，GhatGPT的各种培训、应用推出与迭代、预测不断等，让许多行业的打工人也陷入了焦虑，但销售自动化对于AI技术的应用不是从今天开始，我们也不必太过于焦虑。本文作者从自身经验出发，带你一起审视AI CRM。

写在前面

近期，各种GhatGPT的培训，预测，大佬发言，应用体验，恍惚间制造焦虑的一波，焦虑中的又一波。

B2B领域从来不该是个节奏，营销自动化，销售自动化对于AI技术的应用不是从今天开始，从业者也不该如此焦虑。

让我们稳稳的，思考，体会，在小珠有限的认知下，抛砖引玉，审视AI CRM。

一、应用系统的三个阶段

每年做部门规划时（向上画饼）都会提到这三个阶段：在线化，数字化，智能化。我们可以从系统能力，应用体验和数据资产价值3个方面来对比下。

在线化：

将业务规则，流程，业务信息，经过系统性的整理和分析后，在系统中进行运行，存储，完成业务流程运转和企业经营运营信息的保护和保存。这是个不可逾越的阶段，后续的数字化，智能化都是以数字和信息资产来驱动的。我们必须将业务过程对象化，并且定义严谨的数据状态，IT的世界以0/1为基础，计算机可以进行高效的计算和处理，但是不能产生“无明确“规则的运行。

在具体操作和执行层面，产品经理描述业务需求不明确，或者分析人员抱怨抽离不出出来需要的数据维度，都是没有进行合理的业务过程和对象抽象，比如我们在业务中描述客户，在系统语言中就是业务对象，如何设计具体的字段聚合起来描述对象，客户名称，ID , 客户性别，客户分类，客户状态等。这些字段（数据）的结构设计和抽象是必须建立在对客户这个业务对象的深入理解，及对其管理过程，分析诉求的前提下。

再往上跃迁即是对象和对象间的关系，流程和流程的交叉交互。有时候我们抱怨对接的业务人员不懂系统或者提不好需求，大体核心原因是无法将一个业务过程结构化下来。

传统企业在上系统的时候，还没有涉及业务优化，在抽离和架构业务过程就成了拦路虎。互联网企业大体不存在这个过程是因为，互联网业务天然在线，很多业务对象生来就是结构化的。

在线化状态的系统能帮企业将核心业务过程和对象以数据的形式存储和保护起来。数据梳理，业务规模能被进一步的统计展示，我知道企业有多少客户，都是什么地区，他们做业务的基本情况是，我这个大客户的联系人是谁？今年特价审批是多少个，总共发放的优惠款项是多少。一句话，系统能够实现基本的流程，数据统计，信息存储，固定分析和指标。

体感是业务都跑到线上了，不用逐级递送审批，在新开城市，业务流程完全可以通过系统快速铺开，核心业务运营数量和规模也透明了，核心业务对象作为数据资产都保存了下来。

数字化：

业务过程和核心的业务对象都以数据集合的形态存在，并不断积累运营数据，系统能力如果也足够支持非核心结构的业务调整（如变化组织结构，增加业务类型，增加流程分支，迭代运行指标，变化权限层级）这些调整和规则升级大多由业务运营及管理人员提出。

在这个过程中，当企业是多个业务条线，遇到反复建设本质相关的系统能力就产生了中台的建设诉求，中台的本质是抽象数据处理，功能本质，分析技术同一性能复用和场景分化的关系。

某一段业务过程的在线化完成成熟，抽象和架构合理，数据安全可信，如实反映了业务运营的情况，最容易理解的例子就是，业务人员和管理者发现系统中各种指标，报表都非常可靠，如实反映业务运营的情况，业务运营原来花最多的时间是提各种需求（上面的组织调整，增加类型等）变成了花最多时间来使用系统里各级运营数据和指标，特别是高层，通过指标带来的洞察，去调整经营策略，去迭代流程和策略。

在具体作业层面，销售可以每天按照作业工作台的提升，去开会，去盘点客户，根据自己制定或者系统个人指标提升的健康度，去调整，我要打电话还是要发消息给客户，快到月底了，我要提醒客户一个优惠券要过期了，可以使用下单了，这样我的业务完成率可以赶上北方区的平均水平。

数字化系统中，数据不仅仅被保存下来，而是能以业务运营积累下的分析方法和经验，通过数据直接或者间接给出的分析结果，得到业务的洞察帮助业务用户提出调整的策略，一句话，数据驱动业务运营和作业提效。

智能化：

自实现了数字化能力后，系统也逐步掌握了数字化运营，数据驱动的商业智慧和“动作/规则/流程/”因和“结果/效率/质量”果的关系，并且不断提炼这个关系，使得自己更加聪明，也更加会学习。

智能化体系中，不仅仅业务人员能够实现头脑中掌握的核心策略，还能自己发现甚至帮助业务提炼通过人的计算能力，收集能力，分析能力，作业能力无法实现的策略提炼。比如，智能分析系统中，当管理者看到某区域的业绩下降异常时，之前他需要一层层下钻，或者分析更多相关数据，排查，对比后，找到原因，而智能分析系统，能直接告诉他最可能的原因和洞察。当他把调整策略制定后，系统也可以掩饰通过已有数据和趋势，调整价格后推演的下季度业绩。

在作业层面，系统更加聪明地帮助销售收集，定制客户信息，给出行动建议，如果行动是发邮寄/信息给联系人，可以帮助他完成内容编制。之前需要该销售不停的google /百度/联络或询问大客户的情况，根据经验分析我是否要上门拜访了。

在智能化系统中，作业人员更加聪明或者直接产出了交互内容和洞察，管理运营人员大大减少分析和时间和提升业务分析的效果。他们的工作重心应该集中在如何和自己的AI协同，训练AI和自己形成互补，比如管理人员更好更多的和BI助手沟通，电销Leader 把合适的话单给到外呼机器人，客户管理者及时评价机器人的服务效果，大客户销售给AI做到客户信息洞察打分。研发和产品要持续做场景提炼，结构化和数据处理。

这三个层次建设的节奏不是全部业务范畴的齐头并进，而是场景独立成长和突破。

二、营销场景与AI能力的火花

小珠不是技术专家，是个学自动化技术出身的营销数字化人，毕业设计做过模式识别帮助医生诊断的项目，控制领域中也经常接触仿真，控制的专题。作为外行，浅尝一下，欢迎批评指正。

我们一起朴素地理解下AI – artificial intelligence 人工智能，机器人，计算机算法算力实现人的能力。人有哪些能力？听，看，闻，触摸，思考，行动，走，跑，跳，画，说等。总体可以归纳为识别-思考-输出（行动）。

再看下标准的定义：人工智能（Artificial Intelligence），英文缩写为AI。它是研究，开发用于模拟，延伸和扩展人的智能理论、方法、技术及应用系统的一门新的技术科学。在这个概念下我们再体会下刚刚提到的数字化系统和智能系统的差别。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。这些领域和上面的听，看，思考，行动等诸多能力对应。

近些年来，我们在企业应用系统和互联网营销体系里遇到的相关技术主要表述为语言识别，图像识别，自然语言处理，机器学习，专家系统等领域。

这些能力具体表现为：

机器学习是人工智能的核心能力之一，它使得计算机可以通过学习数据和模式来自主地改进和优化算法，从而实现更加准确和高效的任务处理。

自然语言处理是指计算机对自然语言进行理解、分析和生成的能力，包括语音识别、语义理解、机器翻译等。

计算机视觉是指计算机通过图像和视频等视觉信息进行理解和分析的能力，包括图像识别、目标检测、人脸识别等。

我们再回归到营销场景本身：因为行业不同营销的场景千差万别，这里小珠绘制了一个大C业务的基本场景，比较符合在线教育，房产，保险，金融等业务形态。

大部分产品和项目人员，可能无法绘制业务总图，这样在梳理，结构化业务时就非常零散，点状，块状，不具备抽象的前提，也无法系统性规划和设计，这里小珠采用的是“客户生命周期分析法“和”应用系统分层法“在小珠的“营销系统规划设计”课程中有详细介绍“。需要晋级高级产品经理和整体架构项目的同学可以学习交流。

简单介绍下这个场景的背景：一个在线教育的行业，客户可能通过各种如何学英语的内容, 广告等，注册了app， 或者参加各种初级客户的直播，传播，试听课程，变成了公司的热线索（有可以再触达的可能，明确意向，交互活跃区别于冷线索）；通过电销的联络，介绍，邀请到去试听课程，完成了解课程阶段的推进，这里通用的客户生命周期就是“了解你”到“好感你”的转化，而在这个业态下特有的场景就是试听，在房产行业，可能就是到现场看房了。

接下来，销售对客户进行1v1的转化，介绍课程，介绍价格，在节奏上去“逼定成交”等。完成客户好感到购买你的转化；同时后端销售在成交后促进客户去使用权益，解决客户使用的问题，提供好的学习方法，核心目的促进其续费，完成认可你的过程，如果服务口碑良好，客户甚至愿意介绍推荐自己的朋友购买课程。在社会化广义销售策略下，有些家长甚至愿意专注于佣金获取，这时候我们要对其推荐能力进行赋能，并帮助家长以“成长里程”的方法将学习效果外化，达到传播和获客的目的。

三、营销数字化全场景 （大C类）

请读者耐心花点时间去理解本图，比如各层级的划分等等，也可以去映射你所熟悉的行业的营销场景，更欢迎与我们沟通探讨。

上图哪个场景或者领域已经被AI 赋能甚至改变了？我曾经试图在上面的模块标记，发现5成的场景已经被影响，一方面因为图片篇幅有限，无法细分场景，一方面从底层能力看：内容产生，分析预测，客户和市场洞察，机器人流程自动化，情绪意图洞察的应用演化十分丰富，涉及交互层，运营层和管理层的方方面面。

营销数字化全场景

（粉色场景/粉色职能/红色能力及应用为AI应用相对成熟）

我们逐层分析下：

客户交互层：客户交互层的营销数字化改造的主旨是全视角，全生命周期，个性化体验。其中个性化体验是我们理解的重点，传统的经典营销理论教我们用市场和客户细分，选择目标定位，根据这个定位来完成渠道/定价/推广/客户的策略。在算法算力大大增强的今天，业界先实现了，投放精准，千人千面的内容以获取流量和线索已经相对成熟，而交互领域的在技术发展到AI时代，各种个性化的内容传播会不仅仅发生在投放阶段（潜在-线索）阶段，商机阶段中哪些根据客户洞察分辨出的客户会在某次促销活动中被投放了她感兴趣的，反复观看的某幻妆品的广告。

1）我们可以看到在营销矩阵这些非人员传递，而由在线工具传递的场景里，因AI强大的筛选匹配内容，客户洞察及内容生成的能力，基本都被改变了。

2）电销，客服，运营职能在该样例行业（大C在线教育）明显的AI应用就是智能机器人，机器人外呼，机器人客服，机器人社区运营等，实现了流程自动化，同时在语音语义识别，自然语言分析的能力，不仅可以替代人员与客户进行语言，文字的沟通，同时还可以通过情绪，语言，辨识客户意图，预判客户情绪，并提炼客户标签，丰富我们对客户的认知。

在客服回答客户的疑问，能够快速辨识客户的疑问，给出合理的回答， 并调用客户信息集合生成的洞察，提供给适合客服了解问题的洞察，比如，客户曾经购买了什么，那么问题大概率来自这类产品，客户曾经问了什么，去利用这些信息给到咨询客户好的体验。

这本质效果和一个合格的电销人员，和客户聊完后要把客户跟进记录添加系统一样，当AI 足够聪明时，效果要远好于人员作业。

3）在2）的意味上销售职能目前还需要在客户后期转化保留人为的沟通（本样例中），而很多AI对销售的赋能体现在业务运营层。

业务运营层：这层讲营销要素，人，客，产品，内容的运营维度，这里特意强化广义的内容，因为AI在交互层的落脚点，主要是各种个性化，智能内容的传播。

本图的红色部分都是AI 应用的场景和部分。

客户部分：对运营层的架构一般从客户信息的获取，聚合，加工使用维度+客户资源的管理维度2个层面展开。在信息加工维度我们在潜在客户阶段的以各种设备号，基本注册ID为CDP主数据聚集客户标签和客户初级信息，并根据以往线索的质量来优化线索分层的逻辑，并实现精准的投放策略，这是相对成熟的营销自动化的部分，使用大数据，机器学习的技术提高投放的效果。

在线索及客户不断转化的后期，可以不断的优化CDP的ID（如电话号码，身份证）等，来聚合和信息，进行标签化和画像的绘制。（画像的绘制要看使用的场景，具体对信息聚合，主数据，客户标签画像的产品体系和业务理解可以参考小珠的“营销系统规划课程”- 客户画像和标签体系；

我们在线索的质量上进行打分和分类，会支持各种场景，比如公海客户分层，让好的线索不要沉淀，也可以更近销售成交特点推荐给适合他/她的线索。

在客户转化的诸多场景下，对客户的洞察会不断生成，无论是当企业客户发布重要业务规划，涉及对产品的需求，我们要提醒销售适时对客户拜访，展示相关产品。也包括本例中，在微信聊天时，客户透露的一个信息，看出她要推荐课程给孩子同学，系统会自动发送转介绍政策或者会员介绍的话术对她进行赋能。

这里需要注意是，客户洞察不是一个单点，在客户不同周期，身上有多个需要推进业务时，都可以来孵化该场景的洞察，并给出行动建议。机器学习，语言识别，自然语言分析，使得我们收集各种形式的客户发言，语言，预测其意图和疑惑，并根据这种情况下，行动和结果的关系，采用（直接交互）或者推荐人员采用行动。

如：一个注册了英语学习软件的app, 沉寂X年以上的客户重新登陆了，根据她的行为，我们判断她有高的使用意向，并生成了让Y级以下销售立即在Z以内的早上N点作业电话，转化效果最佳。这里X,Y,Z,N可以利用该公司外呼记录，销售基本信息，成交客户数据等历史海量数据进行分析和学习，回归到最佳取数值。

我们再看下人员维度，这里的人员，包括我们的销售（各端），客服，电销，各种行业里的运营（比如互联网医疗的在线医生助手等），他们直接和客户交互，目前AI对他们的赋能，一类是直接取代和部分取代，另一部分是对这些职能作业的支持：比如对各种邮件内容，话术编写的支持；也包括IM现场作业时，弹出各种客户的信息数据。

一个客户主动电话客服人员时，客服人员的屏幕就可以弹出该客户的信息，如果只是简单罗列客户详情，我们还不能把这作为AI场景，当弹屏聪明的告诉你，客户有点愤怒，不耐烦，或者她已经对产品兴趣满满了，AI就极大的助力的客服的工作。

还有个ABM的例子，之前我们的企业服务特别是服务大客户的销售，比如他负责石油巨头美孚南美市场的数字化系统，他要保持和美孚联络人的沟通温度，还有了解美孚近期是否有关于明年，下半年的需求。他自己要关注美孚是不是要建立数字化工厂，并且考虑MES系统的建设，但是反而裁剪了数字化部门的相关人员。

这意味着在该市场的外采购需求加重。而该部门负责人换了新的负责人，是时候通过邮件再介绍下自己了。没有ABM之前，他需要自己获取，可能要浏览网页定期搜索美孚的新闻，并筛选数字化，南美，等关键字，现在他不需要，他需要给到关键字给AI，并把AI收集线索，和AI给到的行动建议打分，当AI足够聪明时，他的工作会被大大助力。

当一个客户考虑购买家电，而恰逢双11时期，客户的购买家电的意图是否可以通过他在电商上的浏览行为，他和客服交谈的语言所俘获。以往的购买记录都是在发放优惠卷下激发的，这个判断是否正确，要靠AI对以往客户数据的学习和分析，如果答案是对的，我们可以针对性地当客户浏览时发放这个家电的优惠卷促进客户的购买。而回到本例，如果销售在逼定成交时可以给付优惠券，AI可以帮助判断优惠价是否发放，建议销售何时发放给客户。

同样的市场活动中，AI可以帮助活动举办者锚定适合参加的客户。

在内容维度：需要说明的是，随着我们对客户关系推进，线索阶段我们对客户了解少，可以将客户分成大类，发放适合大类的通用型的内容进行交互，比如统一的邮件，在客户第一次注册app时，或者第一次预约试，我们发放了试听注意事项，试听注意事项是通用文档，但是在一些部分可以让他看起来更加个性和有温度，比如称号是客户的名字，署名改为专属的销售等等。而当客户已经购买了课程并进行了一段时间的学习后，AI可以帮助客户生成个性的学习报告，成长里程来增加交互的温度，提升客户的体验，在服务成本和客户体验上找到最佳匹配。