问题场景：某互联网大厂TOB业务线，可以向平台商家提供SaaS/Paas类服务，但苦于销售水平不高，沟通话术质量不佳，转化率不足。现计划做话术培训，提升客户转化率。

1原始模型

最简单的做法，定义话术A，话术B，俩版本。直接看转化率，哪个高了用哪个就好了!(如下图)

那么，这么做有啥问题不?

2高级建筑

最简单的做法，可能有几层问题：

最后，得到的结果可能如下图，为每一类销售，每一种客户配置合理的话术，最大化产出。

3第一层地基

问个简单的问题:销售的SABC级别是咋来的?

既然有分级，那么得有判定标准。

而构建判断标准本身，就是一个大工程

比如：

1、是否业绩表现好的，就是好销售?

2、意向、签约、回款、复购，哪个方面能证明他是好销售?

3、以上四个方面，每个都至少有数量和金额两个指标……

4、如果选签约和回款，两个指标交叉就是一个矩阵，怎么定义好?(如下图)

5、如果是三个指标呢?如果是四个指标呢?

以上所有问题，都有的一番纠结，才有产出。 现在简化问题，假设就考察签约金额。签约金额高的就是好销售，那么问题又来了：考察多长时间内的表现?一加入时间维度，新的纠结又开始了：

比如：

考察1个月算不算数?3个月?半年?考察1个月，这个月好，下个月不好，到底算不算好?考察3个月，是考察总量，平均值，还是单月达标次数?考察6个月，稳定性好，越来越好，先好后差的，要不要作区分?(如下图)

以上所有问题的处理，都是为了得出一个简单的业务员分级标签。 同样的问题，在客户那里也存在，一模一样的纠结。

比如评定客户等级：

1、考察哪些指标?

2、考察多长时间?

3、指标到什么水平算好?

4、考察期波动怎么处理?

5、在未签约前要不要做预测?咋预?

6、要不要在签约进度中修正预测?咋修正?

都分析清楚了，才能有准确的客户评级，特别是售前评级。

正是因为以上工作太过纠结。所以衍生出3种常见的处理办法：

1、从简单到复杂：先做单指标分类，再慢慢加，迭代几次。

2、先抓典型再总结：比如先让业务方标注几个正样本，然后研究他们的特点。

3、从结果倒推：比如业务方KPI是签约额，那为了达成这个目标，得做到多少。 每一种方法都有各自的工作办法，这里先不一一展开。只是为了让大家感受到：为了获取一个准确的分类，需要劳民伤财的大量工作，不然你就只能做最简单的，充满bug的模型。 然而，就算这样，问题解决了吗?

4第二层地基

问：话术A 这个分类又是怎么来的?实际上销售卖东西很少只说一句话。特别是toB类销售，前前后后得说很多东西。

这里至少有四个部分：

1、开场问候：开场寒暄，引入话题

2、产品介绍：主动介绍产品特点，优势，对客户的好处

3、问题答疑：针对客户的问题，解答客户疑惑4、促单话术：催着客户赶紧下单 这里又衍生出来两个问题：第一， 这四个部分的话术如何分类，上标签，加入到分析之中。第二， 如何知道销售说了什么。

针对问题一，话术本身如何打标签，如何分类。可以做以下动作：

1、产品介绍的版本

2、客户问题点：功能、价格、体验、案例、系统接口

3、促单的话术分类：按项目进度、按优惠、按资源控制

总之，有了这些扎实的基础工作，才能有最初的话术A这一个分类标签。这是比较好处理的。问题二，更纠结。

5第三层地基

针对问题二，核心在于：数据怎么采集。

1、如果有SCRM系统，那么交易流程可以系统化实现，可以一定程度补足数据，比如展示了哪些案例(产品介绍环节)调用了哪些资料(问答环节)查询了哪些优惠(促单环节)

2、如果没有系统支持，那就只能从其他行为反推，比如销售培训，比如销售策略，比如申请体验demo类型、数量，比如申请的优惠。

那么，又衍生出：

1、销售培训记录，培训类型标签库

2、销售策略记录，策略分类标签库