客戶唔買，背後一定有規律：用 AI 連接 CRM、查詢與銷售

成交資料只講了故事的一半

很多 CRM 最後只留下兩個清楚狀態：贏或輸。贏的訂單有金額，輸的訂單可能只寫「價錢」「沒有回覆」或乾脆留白。公司於是花大量時間研究已成交客戶，卻把更多沒有成交的對話當成雜訊。

我不認為客戶不買是隨機事件。每一個「再諗下先」、每一次報價後沉默、每一個由 WhatsApp 轉到電郵便失去的查詢，都可能屬於某個重複規律。問題是資料散落在不同地方，前線又用不同詞語描述同一件事。

AI 的第一個角色不是說服客戶，而是把這些零碎語言整理成公司看得明的模式。

用階段和原因建立「不購買地圖」

只分析失單原因不夠，因為同一句「太貴」在不同階段代表不同事情。客戶第一次接觸便說貴，可能是定位不清；看過方案後說貴，可能是價值和風險沒有解釋；臨簽約才說貴，可能涉及預算程序或決策人未參與。

我會把每段對話放在兩條軸上：

購買階段：首次查詢、需求澄清、方案、報價、內部審批、成交／流失；

反對類型：價錢、時間、信任、功能、內部資源、比較中、沒有迫切性、無法分類。

再加三個事實：首次有效回覆時間、下一步是否清楚、最後一次由誰採取行動。這張地圖會令管理層看到，問題未必是「銷售技巧不夠」，而可能是某類客戶在同一個交接位置反覆失去方向。

AI 在 CRM 應該做甚麼、不應該做甚麼

適合交給 AI 的工作包括：從對話抽取需求和時限、統一反對原因、摘要跟進歷史、標記承諾與未完成下一步、找出同一階段反覆出現的語句。它亦可以為前線準備回覆草稿和會議重點。

不應直接交給 AI 的，是把客戶永久標籤為「低價值」、自行決定折扣、虛構承諾，或在沒有人覆核下大量發送訊息。CRM 的資料本身已經可能帶有前線偏見；AI 若只學習舊結果，會把過去的選擇變成更快的自動選擇。

我會要求每一個 AI 標記旁邊保留來源片段和信心提示，並讓銷售可以修正。修正不是麻煩，而是公司最有價值的新資料。

假設情境：客戶說貴，真正問題是看不見下一步

以下是教學用的假設情境，不是 Smark Global 客戶個案。

一間香港企業服務供應商在 CRM 中看到大量失單被標為「價錢」。管理層考慮推出全面折扣。團隊抽取報價前後的對話，由 AI 協助按階段、反對原因和下一步分類，再由銷售覆核。

他們發現真正直接要求減價的客戶不多。較常見的是：方案一次過列出太多工作，客戶不知道第一階段要投入甚麼人手、多久見到第一個成果，也不知道如果不合適可否停止。前線把這些沉默個案統一寫成「太貴」。

第一個測試不是減價，而是把方案改成一個四星期診斷和小型流程測試，清楚列出客戶投入、交付、判斷標準和下一階段選擇。公司量度方案後回覆率、進入決策會議比例和失單原因完整度。這些結果才可以判斷問題有沒有被解決。

四星期落地方法

第一星期：定義語言。 與銷售共同定義購買階段、反對類型和「有效回覆」，保留「其他／未知」，不要強迫所有情況進入漂亮分類。

第二星期：抽樣與校準。 選取一段近期對話，兩位同事分別分類，再比較分歧。先修正定義，才叫 AI 批量協助。

第三星期：接入日常。 每次互動後由 AI 草擬摘要、階段、反對原因和下一步，前線確認後才寫入 CRM。

第四星期：看模式，不看個人排行榜。 檢視哪個階段、客群、產品和交接位重複出現流失，揀一個流程假設測試。不要用未經校準的 AI 標記直接評核員工。

同意、偏差與前線覆核

銷售對話可能包含姓名、聯絡方式、預算、公司計劃和其他機密資料。使用前要確定合法用途、存取權、保留期和工具環境；錄音及轉錄亦要按適用要求處理通知或同意。

管理層要定期抽查不同客群是否被錯誤分類，亦要讓前線看到和修正 AI 的判斷。最重要的是，系統不應為了追求回覆率而犧牲客戶選擇、誠信或品牌信任。