Nebula AI CRM

销售跟进的信息断层

在大多数 B2B 团队里，客户信息并不少，只是分布得太散：CRM 里有合同和联系人，邮件里有报价，聊天工具里有需求变化，工单系统里还有最近一次支持记录。销售跟进前，往往要在四五个系统之间来回切换，才能拼出一个大概的客户故事。

更隐蔽的问题是信息会过期。客户上周刚调整过预算，或者已经连续两周没有打开产品，这些信号只要没有进入 CRM，就会被下一次沟通忽略。销售不是在偷懒，而是缺少一个能持续把上下文整理好的助手。

从真实跟进流程里找切入点

项目开始前，我们跟访了销售、销售负责人和客户成功三个角色，观察一次完整跟进从准备到复盘要经过哪些动作。

观察结果很一致：最花时间的不是通话本身，而是通话前的资料收集和通话后的记录整理。很多销售会在跟进前 10 分钟才开始翻系统，而最重要的客户意图，往往只存在于上一通电话的只言片语里。

• 销售平均需要切换 4-5 个系统才能获得完整客户上下文
• 关键意图（预算调整、决策人变化、续约风险）经常只出现在非结构化记录里
• 团队最需要的不是更厚的报表，而是跟进前的一句「下一步该看什么」

一个会主动说话的客户洞察助手

Nebula AI CRM 没有把产品做成又一个仪表盘，而是做成一个销售每天都会打开的对话入口。销售可以直接问「这个客户最近怎么样」，也可以让系统在跟进前自动整理一页「今天该知道的事」。

助手会综合 CRM 数据、沟通记录和客户意图，判断客户处于什么阶段、最近有什么变化、下一通电话应该聊什么。它不替销售做决定，但把做决定需要的信息一次性摆到面前。

• 跟进简报：一键生成客户背景、历史沟通和待确认事项
• 意图识别：从非结构化记录中提取预算、时间、决策人和风险信号
• 主动提醒：续约、断联、价格异议等高风险信号自动浮出

把知识装进对话

实现上，我们先用语义检索把不同系统的记录统一索引，再让大模型基于检索结果生成回答。回答不是凭记忆生成，而是先拿到证据再开口，因此可以追溯每一条结论来自哪条记录。

权限和隐私是 B2B 场景的底线。我们按角色隔离数据可见范围，只让模型检索当前销售有权查看的客户资料，并在界面里标明信息来源，方便复核。

• RAG 检索 + 来源标注，结论可追溯
• 角色级数据权限，避免越权查看客户信息
• 每周迭代提示词与知识切分策略，回答质量持续上升

可量化的变化

上线三个月后，客户流失指标下降 36%，销售跟进从「先查资料再打电话」变成「直接打开对话开始聊」。团队反馈最明显的变化是新人上手变快了：过去要靠老销售口口相传才知道怎么看客户，现在 AI 会把线索直接整理好。

更长期的价值是数据开始被使用。过去 CRM 里大量记录只进不出，现在它们成为每次跟进前的上下文来源，系统越用越准，客户成功的干预也更有针对性。