“找到客户重要，但找准客户更重要。”这里我们延伸一下这个说法，为其增加一个后续——“找准客户重要，使客户成交同样重要”。

“找准客户并使客户成交”既是目标又是难题，萦绕在各大企业和各位销售的心头。要想实现这两个目标和解决这两个难题，首先必须对客户具有深入全面的洞察，其基础则是客户标签。

客户标签是对某个维度的客户特征的描述，是对该项特征进行的精炼的概括。例如，对于人的“男”、“女”属性特征可以概括为性别，“性别”即为一个标签。

客户标签可以帮助企业搭建一个完善的客户体系。设定客户标签后，企业便可以通过标签将客户分为不同的群体，换句话说就是对客户进行分层，进而针对不同的客户群体/层级制定不同的销售跟进、营销运营等策略，使得客户管理从粗放型向精细化转变，从而为企业带来更好的转化。

不同企业面对的客户群体有所不同，有些直接面向C端消费者，而有些面向B端企业。面对的客户群体不同，客户标签的侧重点也不同。B2B针对的是企业客户，客户标签包括公司规模、行业、营业收入、痛点、采购流程以及企业决策者的标签。B2C侧重于个体消费者，客户标签通常包括年龄、性别、职业、教育经历、婚姻状况等统计数据。

客户标签体系的构建已经有相对成熟的理论和方法，它不是这篇文章关注的重点，各位读者感兴趣的话可以自行搜索相关资料了解。

这里，我们主要想跟大家分享几个有趣又有用的关于“客户标签”的新实践，希望能为企业销售实现“找准客户并使客户成交”提供一些思路。

打通整个客户旅程上的数据

支持销售制定针对性跟进策略

从客户第一次与企业建立连接到最后成交，其间要经过很多阶段和历程，会涉及不同的部门，最主要的就是市场/营销部门和销售部门，对于有些企业来说，还会包括SDR部门和客户成功部门。

打通整个客户旅程上所涉及的部门之间的数据是发挥客户标签作用的基础。客户标签是在推进客户旅程的过程中不断完善的，在某一销售阶段之前的所有客户标签都是制定该阶段跟进策略的基础。因此，必须构建客户标签的通路。

在初次与客户沟通之前，如果只有客户的联系信息，销售代表可能难以确定客户的偏好，从而无法有针对性地跟进客户。

以家装行业为例，销售人员由于不了解客户的偏好，只能凭借经验先广泛地进行推荐尝试，于是他向客户介绍了当前较为流行的多种不同装修风格的方案，如工业风、北欧风、INS风、新中式、法式风、极简风等。但是，客户始终反应平平。这使销售人员感到困惑，而且由于销售无法准确快速地抓住客户的喜好进行深入沟通，还可能导致不好的客户体验。

然而，如果销售在与客户联系之前能够获得在此之前的客户标签，这个问题就能被很好地解决。与在此之前的客户旅程对应的部门是市场部门，这部分的客户标签也由市场部门来更新。市场根据客户浏览营销内容的次数或时长给客户打标签。比如，客户在官网上浏览了极简风的案例，数量和停留时长都明显高于其他风格的案例数量，那么就可以给予该客户“极简风”的客户偏好标签。

销售部门通过前期市场部门给客户打的标签可以对客户当前的情况有一个基本的掌握，为后续的有效沟通做好准备，增加成功率。

大部分企业的“客户标签”体系主要是基于“结构化”数据的静态客户标签，如性别、年龄、职业、收入等，以及线上行为标签，如网页浏览记录、文章等营销内容的点击浏览记录等。

但这些客户标签是有限的，对于深入了解客户是不够的。甚至可能是错误的或过时的，因为在与客户建立“人与人”的连接之前，我们给客户打的所有标签都是基于客户与虚拟的互联网“机器”的连接信息推断的。

如何解决这些问题呢？

将销售和客户电话沟通时产生的通话录音数据也利用起来，补充用心“听”到的客户标签，使得客户的形象更加具体和完整，也为制定后续的持续跟进策略提供支持。

在与客户沟通时，销售会根据公司的SOP询问问题，获得更多更深入更全面的客户信息。在电话结束后，销售人员就可以根据客户在电话中说的内容检查先前的客户标签是否是正确的，对错误的标签进行更正，以及哪些内容是新增信息，增加新的标签。

举例来说，一个客户访问了某汽车品牌的官方网站，两天内浏览了五次某一款汽车。根据这些行为，给其打上了喜欢某款汽车的标签，但是并不能确定该标签是否准确及该客户是否具有购买力。于是，该品牌的客服与该用户进行了一次半个小时的电话沟通，发现该客户并不是十分喜欢这款车，暂时也没有购买能力。于是他对原有的标签进行了更正，并新增了购买能力标签。

看到这里，已经可以看出利用销售侧的通话数据确保客户标签的准确性和有效性，以及完善标签的作用。

很多企业也已经这样做了，要求销售与客户打完电话要在CRM系统里更新信息。不过，我们更加建议使用自动化分析系统来完成这一任务，实现人工标签和机器智能标签的互补。

首先，销售打完电话后需要手动在CRM系统中更新标签和添加标签，存在不想填写或遗漏信息的情况。其次，手动填写的内容是人为选择的，带有个人的判断，可能是不准确的，还可能会忽略掉某些关键信息。这对判断客户质量会造成影响。

随着自动语音识别、自然语言处理等人工智能（AI）技术日益成熟，基于这些技术的自动化系统能够极大地提高企业销售效率。例如，深维智信Megaview.com开发的销售会话智能平台就可以实现利用算法模型智能提取客户标签，自动分析通话录音等会话数据并自动给客户打标签。

接着前面的例子来说，通过技术自动化分析客户与客户之间的通话内容，发现该用户实际上是帮助父母选择汽车，他本人对这款车无感，但父母喜欢。虽然该用户自身暂时无法支付得起车款，但是父母有能力支付。随后系统自动提取客户标签，对原有的信息进行更正和补充。

这类“听”来的客户标签的数据源头除了电话录音，还包括销售与客户在微信、企微等IM软件的聊天记录，以及在线会议的视频等销售会话数据。从这些会话数据中，我们不仅能“听”到客户标签，还可以更深层次地“听”到客户心声。

准确、有效、完善的客户标签还可以辅助企业进行深入的客户分析和洞察研究。

除了最基础的可以对各种类型的客户标签进行分类，对不同类的客户群体进行精准的内容推荐和产品推荐外，基于客户标签的分析和洞察还可以帮助企业更好地获得新线索以及回捞旧线索。

1. 获新线索

针对所有商机的“客户来源”这一客户标签进行统计分析，可以更好地了解商机来源的渠道分布，找出最有效的获客渠道，企业便可以相应地调整获客策略，提高获客效率。（当然，为了确保分析和洞察的准确性和严谨性，企业还可以增加其他维度数据，如各个渠道线索的转化率、ROI等，进行综合分析和决策。）

如下图所示是某一公司所有商机来源的分析结果，可以看出，该公司已经转化为商机的线索主要来自于SEM、官网、官网、市场活动和白皮书。那么，该公司在未来的营销活动中就可以更加关注这些渠道，并增加资源投入。

除此之外，企业还可以利用客户规模、客户年龄、客户所在区域等标签，分析所有已成交客户的共同特点，以完善自己的目标客户画像，进一步推动精准获客。

2. 回捞旧线索

很多企业的线索池中会存在很多销售觉得无效的线索，包括销售打过一次电话就认为不行退回的线索、多次跟进后未成功的线索、或者销售人员为了多打电话或完成每天的电话数量任务，而忽略的另约联系时间的线索。

这里面可能会存在很多被遗漏掉的高价值客户。针对这种情况，我们可以结合在上面介绍的“听”到的客户标签来进行“旧线索的回捞”。

首先，利用在本文02部分提供的方法，对被退回到线索池的线索的相关数据进行分析，自动化更新和完善客户标签。其次，利用这些标签回捞线索。

例如，某企业发现其销售人员在一定时期内的通话时长和通话次数与他们最终完成的业绩并不呈现正相关性，分析原因时发现有些潜在客户在销售打电话时由于各种原因无法进行当时的通话，于是会另约时间比如晚上或者次日，但是销售人员为了多打电话，联系更多的线索，往往就不会再联系这种潜在客户了。

这时，我们就可以利用“沟通时间”这个标签来筛选出所有命中这个标签的线索，检查销售是否在客户的希望的时间与客户进行了联系，把没有后续联络的线索捞出来，重新跟进。

除了这种方法，我们还可以通过目标客户画像以及已成交客户的客户群画像，找出高质量客户共同的“客户标签”特征。通过对线索池中的线索进行客户标签的组合筛选，快速圈定有商机潜力的客群，重新进行跟进。

“找准客户并使客户成交”也许是销售的一个永恒命题。在如今激烈的竞争环境中，完成这个命题，需要以客户为中心，必须对自己的客户有足够的了解。客户标签便是其中的一个解题思路，希望本文分享的这几个新实践能够帮你继续拓宽这一思路。