详细阐述:由点及面的CRM认知

未来商业都是要围绕着人展开的,广义的讲所有业务的产品都可以纳入CRM,CRM将是各大平台或商家适应未来商业环境的基础标配。那么我们该怎样完整认知CRM呢?

随着国内互联网的发展,中产阶级崛起和消费升级,未来的服务是贴近生活,贴近人的,未来的商业是需要基于人更加精细化区隔耕作的。

如何区分和发掘不同用户身上的价值?如何维系稳定且活跃的用户关系?如何在竞争中稳定发展并持续提升品牌壁垒……这些问题需要有足够支撑业务需要的CRM来解决。

未来商业都是要围绕着人展开的,广义的讲所有业务的产品都可以纳入CRM,CRM将是各大平台或商家适应未来商业环境的基础标配。

那么我们该怎样完整认知CRM呢?

大家对知识的认知通常是由点到面逐步展开的,我个人认知CRM的过程也是如此的。接下来从我自己接触、认知CRM的经历跟大家做个分享。

早期的CRM:记录线索及沟通信息

最早接触CRM是在做咨询的时候,就是使用CRM来管理客户。当时的用CRM主要是记录线索,记录客户沟通合作信息。

通常是通过购买行业黄页,参加行业会议获得行业会刊,甚至是扫楼陌生拜访获得初步的客户线索,然后手工录入到CRM中(To B的服务,通常同一家客户可以录入多个联系人信息)。

接着就是对线索客户进行疯狂电话推介我们的服务,绝大多数是听不了几句无果的,会继续留在CRM线索库中,留给新人练手;有意向的就会分拣出来归属到自己的名下,这样别人就无法看到这个客户,并做详细的沟通记录,作为后续跟进的依据,就是我们所谓的潜在客户。

将潜在客户转化为客户的过程通常需要很多轮很久的沟通才能实现,一旦客户方表达合作意向,接下来需要的是要进行登门拜访。详细了解客户的需求后,结合公司的资源,给客户制定解决问题的方案,客户认可方案,签约即成为客户。在这过程中的每次电话沟通、面谈报告、以及合同及金额和付款方式都会在CRM中详细记录。

接下来是服务客户的过程中,服务客户的完整记录。合作项目的关键人,合作周期内的报告,阶段付款,甚至是和客服方Keyman的公关记录。项目结束后,有的客户的合作到此结束,有的还会有后续合作,处理明确表达不再后续合作的,一般的还会留在客户名单中,会定期进行回访维护。

作为咨询公司,给客户解决问题的机构组织,理论上是没有完全流失的客户,除非客户公司倒闭不存在了。

这些就是我对CRM的初步了解和认识,完全是对客户信息的分类管理,对客户档案的完整记录,有对客户生命周期和转化路径的基本认知。

从会员营销开始,加深对CRM的认知

后来做基于用户信息的会员营销,没有C客户的概念。有的是海量的用户数据,几百个字段的用户描述信息。根据客户的品牌/产品的定位,将用户从人口属性、行为数据、统计特征标签的维度进行画像描述,进行区隔,会涉及到多种数据分析方法,多种数据挖掘预测。

在这个阶段,对基于用户的业务分析及其商业应用有了比较系统的认识,特别是形成了对精准营销的系统认知(任何一个营销策略需要包括对象、内容、时机、渠道)。

微博营销时代过后就是微信营销,随着各大社交平台的涌现,SocialCRM概念出现,用户的数据来源越来越丰富。

应公司服务客户的业务需要,特别是大型汽车集团,涉及多个品牌在多个社交平台上的官方账号,要对这些账号以及围绕这些账号的用户(粉丝)进行统一管理,就需要有个一站式对多渠道的用户(粉丝)进行统一管理。

初次设计这样的系统,前期的准备工作做的比较充足,查阅参考了这块国外做的比较好的Marketo、Eloqua、Vtiger等,并且对这些产品来来回回进行反复的拆解剖析。当时也咨询了当时微博上的CRM大牛@叶开@鲁百年博士,仔细读了一系列研究CRM的论文和书籍……

在这个阶段中,对CRM有了较深刻的理解,了解到了自动化营销,事件触发器的自动营销。SocialCRM的用户关系的无线扩展关联,特别是微信开放平台的推出,其Union ID用户体系,对多渠道多形态用户端用户的统一管理,这对个人后面的产品思想影响深远

在To B的给餐饮商家提供完整的系统服务解决方案的过程中,要把握的要点是给商家提能增效降成本,不能给门店人员操作增加麻烦,我们通常需要提供全业务流程的完整服务方案。因此,我们选了基于微信开放平台的Union ID机制作为我们的用户管理体系,由我们提供的APP、H5页面 、公众账号自定义菜单服务…..用户触达页面都能进行统一识别表示。

我们提供给商家的服务是比较完整的,因此在会员管理这块,我们提供了基础的多层级从属关系客户管理、客户分级分组(会员权益、积分、等级 ……)、客户标签(基于多场景的触发应用)、会员卡(电子卡&实体卡互通)、商品价格和会员权益的关联、精准营销(基于客户画像的精准描述)、过滤器和触发器的设计等。

在这个阶段,除了对CRM有了较全面的认知,还在实战中将原有的想法和思路得以完整的实现,特别是在实际产品设计过程中,对客户管理对象的定义和功能设计要考虑到各业务对象的千丝万缕的关联。

在万达网科,我们事业部服务的对象是连锁品牌客户,连锁品牌客户的门店有在我们合作的商业广场中的,也有街边店的。品牌对其客户的管理需要有来自于线下门店,线上飞凡(万达网科的用户App)体系终端和品牌自己的用户终端,要求线上线下数据的高端融合,客户要满足多层级多从属关系的归属主体。

其实这就是后面被人提及的OMO模式的集中呈现,OMO业态是当前个人认知中对CRM应用最完整的业态。

如图示:

  • 客户数据通过线上线下渠道进入CRM数据中心,线上渠道包括社交网络、电商平台、APP移动门户;线下渠道主要涉及POS销售终端、门店服务终端、数字化互动设备等IOT。
  • 数据集成到数据中心后,以CRM的数据描述分析为基础,我们根据业务需要封装相应的产品功能,用来对会员数据进行业务管理,对会员进行细分洞察描述,进行生命周期管理,进行忠诚度管理等,用来更好的服务于经营过程中的营销、销售和客服业务。
  • 在线上线下的营销、销售和客服电话业务中产生的数据又通过用户触点进入数据中心,形成一个大的业务闭环。

在这一阶段,我对零售生态有了较全面的认识,对CRM的商业应用有了更准确的总结概括。CRM围绕人展开为商家赋能,而商家围绕着客户的经营业务概括起来不外乎销售、营销、服务。

客户通过各业务触点(线上线下)留存信息到数据中心,CRM对会员数据进行多维度的分析描述,根据业务需要进行多种分类分组方法细分区隔成不同特征属性的聚类分组。对分组的特征客户进行有针对性的差别销售、营销、服务。在近期与各服务商的服务对接过程中,又深化了超级会员、私域流量、全渠道CRM等层出不穷的新概念。

很庆幸,自己在过往的过程中在CRM认知上是一脉相承下来的。每个阶段接触的业务需求有差异,每个阶段对CRM有着不同的认知,随着对CRM产品设计的深入,未来对CRM应该还会有更加深入更加广泛的认知。

跟大家分享这些,主要是想让大家了解,认知一个事物或者一个体系的知识,由点及面,循序渐进是正常的,我也是这么走过来的,更深更广的认知,需要经历的沉淀。

在我过往的经历里,我也特别庆幸自己能在各阶段就与一些CRM领域的大牛有过交流,让我很早就对CRM有了更深的理解。

为了帮助更多的互联网人加速认知CRM的过程,本人目前正在与起点学院联合发起15日学习计划《CRM会员系统设计》,欢迎各位看官围观。

#专栏作家#

Reuter,知乎专栏:电商CRM规划,人人都是产品经理专栏作家,自诩数据分析思维做产品的PM。善以数据分析思维做解析产品业务需求,完成产品实现。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值