商业懂数据的产品经理走出互联网依然是抢手货。相反如果只做简单传话低效执行浅层思考的产品经理恐怕走不过未来-年的洪流。 查看详情 > 最初的算法分配的方案中我们仍然想采用这样的流动式分配模式。但是这样的分配模式产生了一个问题举例假设我们有甲乙丙三个销售坐席销售能力甲>乙>丙同时有,,三条线索线索质量>>。以成交率最优的原则我们期望的最终分配结果是甲坐席获得线索乙坐席获得线索丙坐席获得线索。但是由于三条线索并非同时进线对于独立的线索而言由于甲的销售最强算法会认为甲都是线索的最优选择。 如果按照这样的分配方案毫无疑问线索会聚集性的分配到甲坐席手中。为了避免这样的问题我们除了依赖算法的匹配度分值数据外增加分配权值数据。一旦销售坐席被分配了一条新的线索时他的分配权值会降低这样就避免将线索聚集分配给一个人的情况。 但是这样的方案又产生了一个新的问题。由于线索进线的顺序我们是不可控的如果客户线索按照->->这样的时间顺序进线当独立的线索进线时由于缺乏可供对比的其他线索我们会认为线索的最优分配方案是分配给甲同时降低甲的分配权值之后依次进线如果基于“算法分数+分配权值”进线分配会依次将线索分给乙线索分配丙。这样的分配结果和我们预期的分配结果颠了个倒显然是不能满足业务的诉求的。 二重构后的算法分配方案 对第一版的失败做了分析总结第一版方案中最大的问题是实时进线的数据由于是流动式的进线并进行分配线索与线索之间没法做横向的比较即便我们人工去定义一个分的线索为优质线索但如果接下来的条线索都是+的分数那么这个分的线索反而成为了最差的那条线索。 所以新的算法分配方案不再采用流动式的分配策略而是通过“线索进线=》锁定线索=》批量提交算法=》程序执行分配”的流程进行分配。我们将分配的节奏切分为一个个小的时间切片每个时间切片根据进线线索的数量需要分配的坐席数量分配的时间间隔来决定。 假设有个坐席等待分配那么当第~第条线索进线时我们会临时将这条线索锁定等第条线索进线我们会同时将个坐席和条线索批量提交给算法由算法计算出=个匹配的分值。从这个个匹配分值中自上而下挑选分值最高的则必然是这个匹配关系中的最优匹配。坐席和线索命中匹配后将个分值中和该坐席该线索的分值全部剔除再将剩余的分值自上而下排序挑选最高分值并依次类推最终得到个坐席和线索的匹配关系。理论上讲这就是算法得出的最优匹配规则。 算法在计算匹配分值时除了基于线索的自身的原始价值销售坐席的原始能力外还会额外考虑