13518219792
根据您的个性需求进行定制 先人一步 抢占小程序红利时代
商业CRM系统的商机模块业务复杂、场景繁多、规则调整频繁，商机流转效率一定程度决定了销售开单的效率。如何高效配合产品侧完成业务规则调整，商机流转经历了硬编码到半配置化的优化升级，过程中遇到了一些问题，也总结了一些经验，今天来和大家掰开揉碎了讲一讲这其中遇到的问题和解决方案。
创新互联主要从事网站制作、成都做网站、网页设计、企业做网站、公司建网站等业务。立足成都服务东辽,十多年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:18980820575
先看一下CRM的官方定义：
CRM(Customer Relationship Management)：客户关系管理，是指企业为提高核心竞争力，利用相应的信息技术以及互联网技术协调企业与顾客间在销售、营销和服务上的交互，从而提升其管理效率，向客户提供创新式的个性化的客户交互和服务的过程。
其最终目标是：吸引新客户、保留老客户以及将已有客户转为忠实客户，增加市场。
可以这么简单的理解，CRM的核心价值就是：将潜在客户更高效的转化为客户，将客户更高效的转化为长期客户。
图片
介绍完什么是CRM，那CRM系统就很容易理解了，用于支撑企业进行客户关系管理的系统，就可以称作CRM系统。这个定义比较宽泛，每个公司对CRM中功能边界也不完全一样，大家初步理解这个概念就行。比如转转商业CRM系统，主要包含：商机管理、客户管理、销售/运营人员管理、业绩管理、效率监控等功能模块。
要想把潜在客户变成客户，就需要销售人员进行跟进，对潜在客户进行产品的售卖，用户购买产品后，变成客户。这个潜在客户，我们称作“商机”，也就是一次成单的机会，有的CRM系统中，也称为“线索”。
上图是潜在用户到客户简单的流转图
从商机生成到最终成单，销售跟进过程中，涉及一些概念，比如商机池（公海池、私海池）、商机状态/来源/类型/等级、商机的流转等。
商机池：各种商机的集合。公海池：该集合里的商机当前不归属于任何销售，所有销售均可以看到公海里的商机。私海池：绑定了特定销售的商机集合，比如销售A的商机私海池，只有销售A可以看到和跟进，其他销售不可见、不可跟进。商机流转：商机在跟进过程中，被不同的销售跟进，状态发生不同的变化。流转规则：流转过程中会有各种各样的业务规则限制，比如销售最多可以认领100条商机、负责手机类目的销售不能认领电脑类目的商机、销售刚放弃的商机不能立马重新认领、单位时间内不进行电话沟通的商机将流出销售私海等等。
这里举一个例子来说明商机的流转，业务背景：商机对应用户主营类目为手机，销售A、B负责手机类目，销售C负责电脑类目，销售D也负责手机类目。
图片
这是一个简单的流程，实际流程比这个复杂。从这个简易的流程介绍中，可以窥见部分商机流转模块的业务特点，总结起来有三点：
图片
图片
图片
之前商业CRM中关于流转的处理逻辑，好多都是硬编码，举个销售认领某条商机的例子：
//状态校验
if(checkClueStatus(param)){
return “状态不合法”;
}
//绑定人校验
if(checkClueBindUser(param)){
return “上一个绑定人不可以为···”;
}
//私海容量校验
if(checkPrivateClueCount(param)){
return “私海库已满，无法操作··”;
}
//类目校验
if(checkClueCate(param)){
return “类目不匹配，无法操作··”;
}
//任务是否完成校验
if(checkClueTaskFinished(param)){
return “任务未完成，无法操作··”;
} ······
bind(param);//绑定操作
log();//日志记录操作从代码中可以看出，销售从公海进行认领一条自己觉得有价值的商机时，并不是直接就让该商机流入到该销售私海中，这个过程会有各种规则的业务校验。
带着我们的痛点和诉求，接下来看看可以找到什么样的解决方案。然后我们进入了调研阶段，发现对于这种策略比较密集的业务，规则引擎是一个可参考方向，然后就开始了解规则引擎相关细节，了解完后，发现和业务问题匹配度很高。接下来，先介绍一下规则引擎相关的基本知识。
规则就是：条件 --> 推理 --> 结果。一个完整的规则是需要这三部分元素的，平时大家讨论规则，某些时候只是在讨论第一部分的条件，比如学校的行为规范，咱们国家的各种法律条文，可能关注的部分是需要满足什么条件（不能做什么什么），后面的推理和结果省去了。比如学生准则里的不辱骂同学，这是一个条件，那怎么算辱骂呢，这是推理过程，辱骂后会发生什么呢，会受到老师批评，这是结果。
那什么是推理引擎和规则引擎呢？
图片
推理引擎通过决定哪些规则满足事实或目标，并授予规则优先级，满足事实或目标的规则被加入议程，具体过程：
推理方式分为正向推理和反向推理
常见的模式匹配算法有Rete,LFA,TREAI,LEAPS。Rete算法是目前效率最高的一个演绎法推理算法，许多规则引擎都是基于Rete算法来进行推理计算的。
图片
这是Rete算法的原理图，Rete算法涉及两种网络和6种不同作用的节点。
图片
a) 检查模式1中的参数类型，如果是新类型，添加一个类型节点。
b) 检查模式1对应的Alpha节点是否存在，如果存在记录下节点的位置；如果没有，将模式1作为一个Alpha节点加入到网络中。同时根据Alpha节点建立Alpah内存表。
c) 重复b，直到处理完所有模式。
d) 组合Beta节点：Beta(2)左输入节点为Alpha(1)，右输入节点为Alpha(2)；Beta(i)左输入节点是Beta(i-1),右输入节点为Alpha(i)，并将两个父节点的内存表内联成为自己的内存表。
e) 重复d，直到所有Beta节点处理完毕。
f) 将动作Then部分封装成最后节点做为Beta（n）。
图片
上面介绍的这些都偏理论化，可能有一点不太容易理解，没关系，接下来咱们用一个具体的例子，看看Rete算法到底是如何运行的。咱们依然以这个选拔篮球苗子的例子来说明。
图片
图片
A节点：拿StudentFact的年级数值进行年级匹配，如果年级符合条件，则把该StudentFact的引用记录到A节点的alpha内存区中，退出年级匹配。
B节点：拿StudentFact的性别内容进行性别匹配，如果性别符合条件，则把该StudentFact的引用记录到B节点的alpha内存区中，然后找到B节点左引用的Beta节点，也就是C节点。
C节点：C节点找到自己的左引用也就是A节点，看看A节点的alpha内存区中是否存放了StudentFact的引用，如果存放，说明年级和性别两个条件都符合，则在C节点的Beta内存区中存放StudentFact的引用，退出性别匹配。
D节点：拿StudentFact的年龄数值进行年龄条件匹配，如果年龄符合条件，则把该StudentFact的引用记录到D节点的alpha的内存区中，然后找到D节点的左引用的Beta节点，也就是E节点。
E节点：E节点找到自己的左引用也就是C节点，看看C节点的Beta内存区中是否存放了StudentFact的引用，如果存放，说明年级，性别，年龄三个条件符合，则在E节点的Beta内存区中存放StudentFact的引用，退出年龄匹配。
F节点：拿StudentFact的身体数值进行身体条件匹配，如果身体条件符合，则把该StudentFact的引用记录到D节点的alpha的内存区中，然后找到F节点的左引用的Beta节点，也就是G节点。
G节点：G节点找到自己的左引用也就是E节点，看看E节点的Beta内存区中是否存放了StudentFact的引用，如果存放，说明年级，性别，年龄，身体四个条件符合，则在G节点的Beta内存区中存放StudentFact的引用，退出身体匹配。
H节点：拿StudentFact的身高数值进行身高条件匹配，如果身高条件符合，则把该StudentFact的引用记录到H节点的alpha的内存区中，然后找到H节点的左引用的Beta节点，也就是I节点。
I节点：I节点找到自己的左引用也就是G节点，看看G节点的Beta内存区中是否存放了StudentFact的引用，如果存放了，说明年级，性别，年龄，身体，身高五个条件都符合，则在I节点的Beta内存区中存放StudentFact引用。同时说明该StudentFact对象匹配了该规则，形成一个议程，加入到冲突区，执行该条件的结果部分：该学生是一个篮球苗子。
规则的条件与facts的数目如果过大，对应memory会指数级升高，极端情况下会耗尽系统资源。
看完这个匹配的过程，相信大家对规则引擎中常用的Rete算法有了一定的了解。回到规则引擎，那为啥用规则引擎呢，也就是它有何优势，以及有哪些适用的场景呢？
一般多用于规则较多且规则调整频繁的业务场景，比如：积分规则、计费系统、信用风险评估、监控告警、工作流系统。
网上有两种分类方式，这里我列举出来，供大家了解。
图片
了解了上面这些业务背景以及遇到的问题，也熟悉了规则引擎的理论知识，现在需要制定具体的解决方案了，我们怎么做的呢？市面有各种各样的规则引擎，先进行技术选型，这里列举下当前主流规则引擎优缺点。
图片
通过各方面综合评估，重点放到了Drools和easyRule两者，且easyRule最终胜出。
图片
确定了要使用easyRule就得知道easyRule如何使用的，先介绍下其相关概念和使用方法。
Easy Rules提供了3种CompositeRule的实现。
值越低优先级越高。要覆盖此行为，可重写compareTo()方法以提供自定义优先级策略。
支持自定义规则监听器、规则引擎监听器。
支持MVEL、SPEL表达式语言，可通过编程方式定义规则。
还是用筛选篮球苗子的例子
图片
public class Student {
/**
* 年级
*/
private Integer grade;
/**
* 性别
*/
private String gender;
/**
* 年龄
*/
private Integer age;
/**
* 是否强壮
*/
private Boolean isStrong;
/**
* 身高
*/
private Integer height;
/**
* 是否一个好苗子
*/
private Boolean isGoodSeed = true;
}//创建规则1-年级
Rule rule1 = new MVELRule()
.name("grade rule")
.description("判断一个学生是否是一个篮球好苗子-年级")
.priority(1)
.when("student.getGrade() <= 3")
.then("System.out.println(\"年级-不是好苗子\");")
.then("student.setIsGoodSeed(false);");//创建规则2-性别
Rule rule2 = new MVELRuleFactory(new YamlRuleDefinitionReader()).
createRule(new FileReader(
ResourceUtils.getFile("classpath:gender-rule.yml")));规则2需要的yml文件内容如下：
name: "gender rule"
description: "判断一个学生是否是一个篮球好苗子-性别"
priority: 2
condition: "student.getGender().equals(\"girl\")"
actions:
- "System.out.println(\"性别-不是好苗子\");student.setIsGoodSeed(false);"//创建规则3-年龄
Rule rule3 = new MVELRuleFactory(new JsonRuleDefinitionReader()).
createRule(new FileReader(
ResourceUtils.getFile("classpath:age-rule.json")));//创建规则4-是否强壮
Condition condition = new MVELCondition("!student.getIsStrong()");
Action action = new Action() {
@Override
public void execute(Facts facts) throws Exception {
Student student1 = (Student) facts.get("student");
student1.setIsGoodSeed(false);
System.out.println("强壮-不是好苗子");
}
};
Rule rule4 = new RuleBuilder()
.name("strong rule")
.description("判断一个学生是否是一个篮球好苗子-是否强壮")
.priority(4)
.when(condition)
.then(action).build();@Rule(name = "height rule" ,description = "判断一个学生是否是一个篮球好苗子-身高")
public class HeightRule {
@Condition
public boolean checkHeight(){ return student.getHeight() <= 170;}
@Action
public void action(){
System.out.println("身高-不是好苗子");
student.setIsGoodSeed(false);
}
private Student student;
public HeightRule(Student student){
this.student = student;
}
}
//创建规则5-身高
HeightRule rule5 = new HeightRule(student);//创建一个Student实例(Fact)
Student student = new Student(3,"girl",9,true, 160,true);
Facts facts = new Facts();
facts.put("student", student);//注册规则
Rules rules = new Rules();
rules.register(rule1);
rules.register(rule2);
//rules.register(rule3);
rules.register(rule4);
rules.register(rule5);
//创建规则执行引擎，并执行规则
RulesEngine rulesEngine = new DefaultRulesEngine();
System.out.println("开始判断是否是一个篮球苗子：" + JSON.toJSONString(student));
rulesEngine.fire(rules, facts);
System.out.println("是否为好苗子：" + student.getIsGoodSeed());图片
熟悉了easyRule如何使用的，接下来看看我们如何在项目中落地的，我们分了几步：
初始化规则相关配置（首次初始化+定时更新）；
提供对外public T fire(String ruleId, V v)通用的规则引擎api接口。
图片
这里我们将规则引擎的处理结果进行了返回，因为业务上很多场景需要，比如不符合规则时的提醒文案。
项目中配置规则引擎相关配置；
实例化RuleEngineTemplate类；
根据场景，组装上下文context；
调用ruleEngineTemplate.fire(ruleId,context)方法。
图片
引入后，我们的商机流转流程发生了如下变化：
图片
图片
spring:
easy-rule:
priority-threshold: 100
skip-on-first-failed-rule: false
skip-on-first-applied-rule: true
skip-on-first-non-triggered-rule: false
rules:
- rule-id: "opportunity_unbind"
rule-file-location: "opportunity_unbind" #规则配置文件
rule-config-type: JSON
rule-factory-type: SPEL具体的规则配置json
[
{
"name": "bind_check_cate",
"description": "判断是否冻结-72小时",
"condition": "@opportunityUnbindRuleBll.checkOpportunityNeedFreeze(#context.getOpportunityId(), n,m)",
"priority": 4,
"actions": [
"@clueOpporBll.unbindOpportunity(#context,T(OpportunityStatusEnum).UNBIND, T(com.clue.enums.OpportunityMinorStatusEnum).UNBIND_FROZEN)"
]
},
{
"name": "task_bind_out",
"description": "任务商机流回公海",
"condition": "#context.getOpportunityStatus() == T(com.enums.OpportunityStatusEnum).TASK && #context.getOperationTypeEnum() == T(com.OpportunityOperationTypeEnum).TASK_BACK_PUBLIC",
"priority": 5,
"actions": [
"@clueBll.unbindOpportunity(#context,T(com.zhuanzhuan.biz.clue.enums.OpportunityStatusEnum).UNBIND, T(com.OpportunityMinorStatusEnum).UNBIND_NORMAL)"
]
},
{
"name": "unbind_operate",
"description": "判断解绑后去向，现阶段全部回到公海",
"condition": "true",
"priority": 10,
"actions": [
"@clueOpportunityBll.unbindOpportunity(#context,T(com.OpportunityStatusEnum).UNBIND, T(com.enums.OpportunityMinorStatusEnum).UNBIND_NORMAL)"
]
}
]
}
]public Result unbindOpportunity(UnbindOpportunityRequest request) {
return parallelExecutor.parallelExecute(request.getOpportunityIds(), (Long opportunityId) -> {
final Result unbindResult = opportunityUnbindRuleBll.unbindOpportunity(opportunityId, request.getOperator(),
request.getReasonType(), request.getReasonDesc(), request.getOperationType());
logger.info("method=unbindOpportunity, act=unbind, opportunityId={},unbindResult={}", opportunityId, unbindResult);
return unbindResult;
}
);
} 图片
在easyRule引入商机流转业务过程中，从调研到选型再到最终落地，遇到了各种大大小小的问题，但最终的效果还是比较明显的，对团队的整体效率提升非常明显，这里有几点总结与建议与大家分享。
杨迎，转转商业后端开发工程师，目前负责商业B端相关业务系统开发（商机线索、客户运营、销售运营管理、广告发布等）。
