Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

销售沟通场景下,来自头部教育公司的三种AI对话分析方案

“不分析还真不敢相信,大家说的都是什么呀,都没有讲透”

几乎每家在线教育公司都面临这样的难题:获客成本高昂,转化率难提升。

为了提升转化率,很多企业提出了“精细化运营”策略——拆解转化流程的每一步,分析导致转化流失的原因,然后有针对性地去寻找每个环节的解决方案:从“获取线索”环节的广告投放渠道选择、落地页的设计,到“上试听课”前的预约试听、提醒上课,再到“回访转化”环节的答疑解惑和正价课的推介。

Generated

但是整个转化过程的流失,也可能是由于销售人员(包含TMK电销专员、CC课程顾问、TA课程助理等有销售任务的职位)在与客户沟通过程中,未能准确传达产品价值、未能及时消除客户的顾虑等原因而造成的。然而,对于销售与客户的沟通过程,如何做精细化运营,却容易被忽视。

大家说的都是什么呀,都没有讲透

传统销售管理只能管理结果,无法管理“沟通过程”,即销售人员与客户的沟通中,是否准确传达了产品价值、是否及时消除了客户的顾虑。因为不能精细化管理“沟通过程”,所以想要分析销售讲的哪些“话”——“关键信息点”有助于提升转化率,监督销售是否按要求传达了这些“话”,就很难。

销售新人在介绍公司产品时,表达是否到位;需要传递给客户的信息,是否准确;需要提醒客户的地方,是否忘记了;承诺客户课程效果的时候,有没有因为急于成单而过度承诺……其实,在新一代智能对话分析系统的帮助下,很多注重精细化运营的头部在线教育公司,已经可以将销售环节的精细化运营,真正地细化到销售人员所讲的每一句话。

Generated 某教育公司的销售运营负责人,第一次看到自己手下的销售人员,在沟通中的关键信息点(话术和知识点)执行情况后——一条关键话术的执行率远低于预期,只有不到 20%——不由得感慨道:“不分析还真不敢相信,大家说的都是什么呀,都没有讲透”。同时,当挖掘出了一些之前完全不知道的优秀话术的时候,这名销售运营负责人也为自己手下员工的创造性感到欣慰,迫不及待想要把新发现的“宝藏”教给更多销售来运用到沟通中。

本文将为大家分享,头部教育公司在销售环节的精细化运营是怎么做的,包含三种有效的实践:已有话术的分析验证、流失分析与挽留对此挖掘、未知话术的语义挖掘。

实践一:已有话术的分析验证

Generated 当企业已经凭借业务经验,总结出了一些销售与客户沟通时,需要传达的“关键信息点”(包含话术和知识点,为方便表述,下文有时会简称为“话术”),因为验证和分析的是已有话术,所以就可以采用“已有话术分析验证法”。该方法的实施流程,大致分为三步:

  • 第一步,摸清销售人员是否按要求传达“关键信息点”
  • 第二步,分析“关键信息点”传达情况与成单率之间的关系

第三步,对于能够显著提升转化率的关键信息点,加强执行力监督

例如,某在线教育公司,要求课程顾问在跟客户(通常是家长)约试听课的时候,必须提前告知客户,试听课上课全程英文教学,如果孩子听不懂、坐不住,都是正常的现象,会有一个适应的过程,让家长有心里准备,以免对试听课产生失望情绪,影响到最终的成单率。

Generated

那么,多少课程顾问实际上按要求做到了提前提醒呢?这个数字通常远低于管理者的预期。我们分析的某企业某时间段数据显示,课前提醒的执行率低于20%

这家在线教育公司使用对话分析系统,分析约课阶段的每一通电话录音的沟通情况,很快就能区分出,哪些课程顾问的按要求传达了信息,哪些课程顾问的没有按要求传达该信息。这是这家教育公司众多“关键信息点”中的一个。他们总结了多个这样的“关键信息点”。不同的“关键信息点”,用来考察销售人员在不同的关键转化节点,是否按照要求进行了信息传递。

第二步,分析关键信息点传递情况与成单率之间的关系。掌握了销售人员对关键信息点的传递完成情况之后,就可以分析这些关键信息点的传递情况与最终的成单率之前的关系。完整的分析过程是非常复杂的:不仅要考虑单个关键信息点的执行情况对成单率的影响,还需要考虑多个不同关键信息点的综合执行情况,对成单率的影响。

这里仅举一个简单的例子,即在只考虑单个关键信息点——“课前提醒”的执行情况时,某在线教育公司在某段时间内发现,执行了“课前提醒”的销售人员,最终成单率是未执行的 1.3 倍。

第三步,对于能够显著提升转化率的关键信息点,加强监督。了解到哪些“关键信息点”对最终的成单率有显著影响之后,企业就可以加强对销售人员培训和执行情况监督。

Generated

通过对话分析系统,即可找出那些执行力差的员工,进行针对性培训,提升他们的执行力,从而降低转化过程的流失,提升成单率。通过对话分析系统,企业管理者还能够方便地对比,优秀坐席和普通坐席在处理同样场景时的差异,并且可以进行溯源和验证。

实践二:流失分析与挽留对策挖掘

Generated 除了“已有话术的分析验证法”,在实际使用中,循环智能还为教育企业提供,针对未知“关键信息点”的分析和挖掘方案,其中一种是“流失分析与挽留对策挖掘法”,对教育公司而言,该方法适用于试听课或体验课之后的回访转化环节。实施流程大致分为三步:

  • 第一步,找出销售在与客户沟通时,客户表示“无意向”的所有对话(注意:无意向不等于输单);
  • 第二步,拆解无意向的几个主要的原因(例如“孩子不想学”);
  • 第三步,对比分析,同样场景下,挽留成功的销售是怎么说的,将从中学到的关键信息点推广给其他销售形成标准化挽留对策。

直白地说,流失分析法就是去分析,那些最会挽留客户的销售,面对客户表示无意向的场景,究竟是怎么说的。然后,将有效的经验,推广给其他销售采纳。

Generated

以“孩子不想学”这个理由为例,典型的成单录音,销售会提到“兴趣的培养需要长期的坚持”;典型的未成单录音,销售会提到反问句“孩子现在不想学,你以后就不让他学了吗”。所以,初步的结论是,前者可以推广给更多销售,后者给客户的感觉不好,则需要避免。

Generated

很显然,不同流失原因的挽留难度是不同的。所以,流失分析法,既需要专业的对话分析产品,也需要结合实际的销售经验进行判断,从而形成行之有效的挽留对策。

实践三:未知话术的语义挖掘

Generated

第三种方法,“未知话术的语义挖掘”,就是去挖掘那些我们暂时还不知道的、对成单有帮助的关键信息点(包含知识点和优秀话术)。使用的方法是机器学习中的“聚类”算法。该方法的实施流程,同样分为三步:

  • 第一步,利用聚类算法,让机器自动挑出语义相同的句子,分成不同的组;
  • 第二步,分析每一组对话的成单率与整体成单率质检的关系,找出成单率显著高于(或低于)整体成单率的组;
  • 第三步,结合业务经验,分析成单率更高的一组对话中,哪些关键信息点可以作为标准知识点和话术,推广给更多销售使用。

看一个例子就更清楚了。课前的关键信息点挖掘:示例中的两组内容,分别向客户传达了课程的预期学习效果(“大约XX个月可以看到孩子变化”)和上课的灵活性(“约课很灵活,可以自己选上课时间”),这两组的最终成单率达到整体成单率的 1.7 倍和 1.5 倍。

Generated

挖掘出大量对成单有正面促进效果的关键信息点之后,销售管理者可以结合业务经验,参考数据分析结果,形成新的最佳实践,并推广给销售人员执行。同理,对于那些对成单有负面效果的关键信息点,则需要结合业务经验,判断是否作为禁止项,并追踪销售人员是否在沟通中违规。

三种实践,两大难点

简单总结一下,借助AI对话分析和执行力监督系统,循环智能为头部教育企业提供三种对话分析的实践方法,但他们的目标只有一个:找出那些对最终成单、提升转化有帮助关键信息点(知识点和话术),然后借助执行监督系统,监督销售人员在相应的场景下,是否按照要求传达了这些有用的关键信息点

Generated

对企业而言,销售环节精细化运营的三种实践,存在两大难点:

  • 第一,规模化的语义理解能力。循环智能采用了原创的底层算法 XLNet,该算法是由联合创始人杨植麟博士作为第一作者,与 Google、卡内基梅隆大学联合发布的,在18项人工智能标准任务中取得最优结果(state of the art)。而传统的关键词和正则表达式方法已经完全不够用了——既找不全,也找不准,以至于无法实际落地使用。
  • 第二,稳定可靠的销售人员执行力监督系统。当分析得出有助于成单的知识点或话术之后,企业需要一个系统来监督销售人员是否按照要求执行,了解哪些销售的表现更好。循环智能的产品已服务了十余家上市公司,并在教育领域获得多家头部客户青睐,包括新东方在线、51Talk、尚德机构、轻轻教育、作业帮等。
循环智能(Recurrent AI)
循环智能(Recurrent AI)

循环智能致力于借助原创的自然语言处理(NLP)和深度学习技术,搭建基于AI的销售策略生成与执行辅助系统,助力企业销售效率提升与业绩增长。

https://www.rcrai.com/
产业循环智能51Talk新东方在线在线教育
1
相关数据
数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

聚类技术

将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合,这些对象与同一个簇中的对象彼此相似,与其他簇中的对象相异。“物以类聚,人以群分”,在自然科学和社会科学中,存在着大量的分类问题。聚类分析又称群分析,它是研究(样品或指标)分类问题的一种统计分析方法。聚类分析起源于分类学,但是聚类不等于分类。聚类与分类的不同在于,聚类所要求划分的类是未知的。聚类分析内容非常丰富,有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。

推荐文章
暂无评论
暂无评论~