使用神经网络进行销售前景
“没有人想出售，但每个人都想购买。”
我们大多数人都讨厌被出售。一旦我们知道有人在卖东西，我们就会保持警惕。
在《挑战者销售》（The Challenger Sale）一书中，作者Mathew Dixon和Brent Adamson对来自全球的6000多名销售人员进行了调查 ，发现“挑战性销售人员”的表现优于其他所有销售群体。这些挑战者销售人员是谁？这些是挑战规范，知识渊博并教育客户的人。客户信任他们并最终从他们那里购买。  
“勘探是销售过程的第一步，其中包括识别潜在客户”  -商业百科全书。
神经网络如何帮助勘探？
许多“基于AI的”销售初创公司最常用的方法是通过挖掘互联网数据来确定下一个买家。他们查看人们在社交媒体中谈论的话题，然后确定正在搜索给定产品或服务的人。但是，已经在网上积极寻找东西的人并不是出售给他们的最佳潜在买家（或潜在客户）。
如果您发现机会晚了，在客户购买过程中，您很有可能需要打折价格才能赢得业务-漏斗原理，标记卖方
让我们尝试看看顶级销售人员如何确定潜在客户？
顶尖的销售人员会主动销售而不是被动销售。他们不等待潜在的客户伸出援手，而是先确定自己的需求。他们确定最佳客户的模式，并根据这些模式确定新的潜在客户。
“与高价值潜在客户进行销售对话的唯一方法是打断他们”-狂热勘探者Jeb Blount
由于神经网络可以创建任何函数的近似值，因此我们将尝试近似勘探过程。
第一部分：确定您的潜在客户并创建角色
我问以下四个问题，以确定谁是理想的前景（摘自Mike Weinberg的《简化的新销售》一书）
?谁是您最好的客户
?为什么成为客户
?为什么他们仍然向您购买
?为什么潜在客户会选择您而不是其他类似产品
目的是确定成功和不成功的潜在客户之间的共同特征。通常，这是手动且直观地完成的。
如果我们必须通过机器学习解决相同的问题，则需要使用 神经网络分类器。
可以将分类定义为按共享特征，特征和质量对事物进行分组，或者如果您只是将事物放入相应的存储桶中，则可以例如基于以下几何形状的相似性对其进行分类。
步骤1特征提取：
基于上述四个问题，我们尝试从问题的答案中提取相关特征。此类功能的示例如下
谁是您的最佳客户：客户规模，决策者，去年的增长
他们成为客户的原因：位置，首次推荐（个人联系人，内容营销等），产品功能（功能1，功能2）
他们为什么还购买：客户服务，位置，产品功能
为什么他们选择我们而不是其他人：首次参考，产品功能（功能1，功能2），位置
步骤2标记数据：根据哪个线索隐蔽时间最短，转换时间中等，转换时间最长和不转换时间来标记数据。
步骤3训练神经网络： 一个带有标签的，我们将使用监督学习算法来训练标准的神经网络分类器。
步骤4：测试神经网络： 在此阶段，您将测试模型的性能，其余部分则取决于测试数据。
步骤5在新数据上执行神经网络： 一旦训练了新的数据输入，就可以将其分为好坏输出。因此，我们可以输入个人或公司数据，并且神经网络将能够进行分类。
图1（下）：神经网络分类器
第二部分：创建定制的销售流程和管道
一旦我们知道谁可以成为好/中/不好的潜在客户，您就想为该特定潜在客户创建自定义流程。顶级销售人员使用直觉和经验来创建这样的过程。在我们的情况下，我们将使用LSTM。
如果我们必须对销售过程进行建模和学习，那么递归神经网络（RNN）似乎是显而易见的选择。RNN的吸引力之一是它们可以将先前的信息连接到当前任务的想法。
如您在图1（下）中所见，RNN是一系列连接的神经网络。
但是，RNN遭受着“ 消失梯度”问题的困扰。学习限于神经网络区域内，因此RNN无法学习长期依赖关系。
LSTM是RNN的一种，但不存在消失梯度的问题。 他们使用以下结构：
单元状态：充当LSTM网络的存储器。
闸门： 每个网络中有三个闸门。忘记门，输入门和输出门。忘记门用于从单元状态中忘记一个值。输入门可能会向单元状态添加一些内容并更新单元状态。输出门负责该网络的输出。
图2（下图）显示了单元状态和门（图片@copyright Rudradeb Mitra）。
回到我们使用LSTM建模销售流程的问题，想象一下在销售流程中，与公司的对话是基于销售人员了解买方的优先级的。
在LSTM单元中进行建模可能类似于图3（下）（图片@copyright Rudradeb Mitra）。
销售人员可能会发现新信息，因此不得不忘记旧信息，并用新信息更新单元状态。
通过这种方式，可以用成千上万的过去销售过程数据来训练LSTM网络，并建立过程的近似模型。这样的网络可能类似于图4（下）（图片@copyright Rudradeb Mitra）
准确性和结论
在柏林就此话题进行演讲时，有人问我这种系统的准确性如何。我的回答是-'只要精度比大多数人都好（?0％），它就是一个很好的解决方案。根据我们所做的测试，上述系统目前的准确率已超过30％，这在销售方面非常好。” 但我也不相信机器可以代替销售人员。机器可以帮助销售人员并将平均销售人员转变为销售人员。顶级销售员。
但是，一切都那么好吗？并不是的。一个普遍的问题是您的模型与数据一样好。这就是为什么大多数数据科学家基本上从坏数据中过滤掉好数据的原因。这是一个挑战！
题库