AI 销售管道速度分析：找出 deal 卡在哪个阶段

引言

销售管道（pipeline）是每个销售团队都在盯的东西，但绝大多数人盯的方式是错的。打开 CRM，看到的是"本月新增 200 条线索""成交 30 单"，最多再算个整体转化率。可一旦被问到"deal 到底卡在哪个阶段""每个阶段平均停留几天""为什么 60% 的单子死在报价环节"，没人答得上来。

这不是销售不努力，而是数据没被真正分析。Excel 透视表能告诉你每个阶段有多少条记录，却说不清"卡住"背后的原因——是跟进频率不够，是方案没对齐，还是报价超出预算。本文用一个真实场景，演示如何把销售管道数据 + 跟进记录喂给 AI，让它自动输出每个阶段的平均停留天数、最常卡住的原因和加速建议。这套方法比手工透视表深刻得多，而且代码量很小。

阶段一：把原始数据整理成 AI 能读的格式

大多数 CRM 都能导出 deal 记录，但导出的 CSV 往往字段混乱：状态用中文、时间格式不统一、跟进记录散落在备注里。直接喂给大模型，它会答非所问。所以第一步是清洗和结构化。

我们以一份典型的 CRM 导出为例，字段包括：deal_id、客户名、阶段（线索/初步沟通/方案演示/报价/谈判/成交）、进入该阶段的时间、离开该阶段的时间、最终状态（成交/流失）、跟进记录文本。

import pandas as pd

df = pd.read_csv("deals_raw.csv")
# 统一时间格式
df["stage_enter"] = pd.to_datetime(df["stage_enter"])
df["stage_exit"] = pd.to_datetime(df["stage_exit"])
# 计算每个阶段停留天数
df["stage_days"] = (df["stage_exit"] - df["stage_enter"]).dt.days
# 只保留最近 90 天的数据，避免历史噪音
df = df[df["stage_exit"] >= pd.Timestamp.now() - pd.Timedelta(days=90)]

清洗完，我们把每个 deal 的完整流转过程压缩成一段结构化文本，方便后续喂给 AI。这里的关键是"按 deal 分组，按时间排序，把阶段流转和跟进记录拼接成一段话"。

def deal_to_text(group):
    lines = []
    for _, row in group.sort_values("stage_enter").iterrows():
        lines.append(
            f"阶段:{row['stage']} 停留{row['stage_days']}天 "
            f"结果:{row['status']} 跟进:{row['notes'][:100]}"
        )
    return f"客户:{group['customer'].iloc[0]}\n" + "\n".join(lines)

texts = df.groupby("deal_id").apply(deal_to_text).tolist()

这一步做完，我们就得到了 AI 能直接消费的输入。注意跟进记录截断到 100 字，是为了控制 token 成本——后面会讲为什么这很重要。

阶段二：让 AI 输出阶段停留天数和卡点诊断

数据准备好之后，核心工作交给大模型。我们构造一个分析提示词，要求它输出两部分：一是每个阶段的平均停留天数统计，二是针对"停留异常"的阶段给出原因推断和加速建议。

这里有个技巧：不要直接问"分析一下我的管道"，而是给出明确的输出格式约束。AI 的强项是归纳和归因，弱项是自由发挥——你把格式定死，它就能稳定产出可用的结果。

prompt = f"""
你是资深销售运营分析师。以下是最近 90 天部分 deal 的阶段流转记录。
请完成两件事：
1. 统计每个阶段的平均停留天数、中位数停留天数、流失率；
2. 找出停留天数超过中位数 2 倍的阶段，结合跟进记录推断卡住原因（如：报价后无回应、方案未对齐、客户在等预算），并给出 1-2 条可执行的加速建议。

记录如下：
{chr(10).join(texts[:80])}

输出格式（Markdown 表格 + 列表）：
| 阶段 | 平均天数 | 中位数 | 流失率 | 卡点判断 |
| 建议列表：按优先级排序
"""

把这段 prompt 发给大模型，返回的结果通常非常直观。以我们的测试数据为例，AI 会指出"报价"阶段平均停留 18 天，中位数只有 6 天，说明有一批单子卡在报价后迟迟没有下文；结合跟进记录，它发现这些 deal 的共性是"报价后跟进间隔超过 7 天"，于是建议"报价后 48 小时内必须有一次主动跟进，并附上方案对比表"。

这个环节的价值不在于统计——Excel 也能算平均天数——而在于"归因"。AI 能读跟进记录里的自然语言，把"客户说再想想"和"客户在等法务审批"区分开，前者是价值没讲清，后者是流程问题，加速手段完全不同。

阶段三：把分析结果变成持续运行的自动化

单次分析只能解决眼前的问题，真正的价值在于让它每天自动跑。把上面的逻辑封装成一个定时任务，每天凌晨拉取 CRM 数据、清洗、喂给 AI、把结果推送到团队群。这样销售负责人每天早上打开手机，就能看到"昨天有 5 个 deal 在报价阶段停留超 10 天，建议今天跟进"。

这里用到一个轻量级的调度配置，以 cron 为例：

# 每天 7:00 运行管道分析
0 7 * * * cd /opt/pipeline-analysis && python analyze.py >> logs/analyze.log 2>&1

跑了两周之后，数据会告诉你一个反直觉的事实：很多 deal 不是死在"谈判"这种后期阶段，而是死在"初步沟通"——销售拿到线索后平均 4 天才第一次联系，客户早就被竞争对手抢走了。这类问题靠加人手解决不了，得改流程：线索分配后 2 小时内必须首联。

总结

销售管道速度分析的核心，是把"每个阶段停留多久"和"为什么停留"这两件事同时搞清楚。前者靠数据统计，后者靠 AI 读跟进记录做归因——这正是大模型最擅长、而 Excel 完全做不到的事。整套方案代码量不大，核心就是"清洗数据 → 构造 prompt → 定时运行"三步，却能把你从"看报表"提升到"看病因"。

如果你不想自己维护这套调度和清洗逻辑，ClawBrain 可以直接接管这件事。它是专为龙虾（OpenClaw）打造的智能决策引擎，具备任务闭环、自主规划、错误自愈能力——你只需要把 CRM 数据源和推送目标告诉它，它会自动完成数据拉取、分析、归因和每日推送，让龙虾真正能独立做事。销售管道分析不该是每周一次的复盘，而应该是每天早上的一条消息。