规则引擎与商业CRM的完美邂逅：将智能决策融入商业扩展-51CTO.COM

一、背景介绍

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。

1.1 什么是CRM

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。

1.2 商机业务介绍

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。

二、商机流转遇到的问题

2.1 商机流转业务特点

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：

状态的多样性

图片

状态间转换场景繁多

图片

流转规则复杂多变

图片

2.2 商机流转业务痛点

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。

2.2.1 痛点

硬编码实现的业务，维护成本大；
业务规则经常调整，难以应对变化，产研配合效率低；
业务规则调整需要配合修改代码，重新上线后生效。

2.2.2 诉求

规则抽取成可配置项，调整方便；
校验相关阈值，可随时动态调整，无需上线；
代码优雅度适当提高。

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。

三、什么是规则引擎

3.1 什么是规则

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？

推理引擎：如果由程序来处理推理过程，那么这个程序就叫做推理机/推理引擎。
规则引擎：基于规则的推理机易于理解、易于获取、易于管理，被广泛采用。这种推理引擎被称为“规则引擎”。是一种嵌入在应用程序中的组件，实现了将业务决策从应用程序代码中分离出来，并使用预定义的语义模块编写业务决策。接受数据输入，解释业务规则，并根据业务规则做出业务决策。

3.2 推理引擎原理

图片

模式匹配器决定选择执行哪个规则，何时执行规则；
议程管理模式匹配器挑选出来的规则的执行次序；
执行引擎负责执行规则和其他动作。

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：

将初始数据（fact）输入至工作内存(Working Memory)。
使用Pattern Matcher将规则库(Rules repository)的规则（rule）和数据（fact）比较。
如果执行规则存在冲突（conflict），即同时激活了多个规则，将冲突的规则放入冲突集合。
解决冲突，将激活的规则按顺序放入Agenda。
执行Agenda中的规则。
重复步骤2至5，直到执行完毕Agenda中的所有规则。

推理方式分为正向推理和反向推理

正向推理（演绎法）：事实驱动，正向推理，直到无事实可用或者得出结论为止；
反向推理（归纳法）：目标驱动，提出假设，寻找支持该假设的证据，如果能找到证明，结论正确，如果不能，换假设继续。

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。

3.3 Rete算法

3.3.1 Rete算法简介

Rete在拉丁语中是“net”，有网络的意思。Rete算法由Carnegie Mellon University的Dr Charles L. Forgy设计发明，是一个用来实现产生式规则系统（production/inference）的高效模式匹配算法。
RETE算法可以分为两部分：规则编译（rule compilation）和运行时执行（runtime execution）。

规则编译：是指根据规则集生成推理网络的过程。
运行时执行：指将数据送入推理网络进行筛选的过程。

相关概念：

事实（fact）：对象之间及对象属性之间的关系
规则（rule）：是由条件和结论构成的推理语句，一般表示为if…Then。一个规则的if部分称为LHS（left-hand-side），then部分称为RHS（right hand side）。
模式（module）：就是指IF语句的条件。这里IF条件可能是有几个更小的条件组成的大条件。模式就是指的不能在继续分割下去的最小的原子条件。

3.3.2 Rete算法原理

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。

网络节点：Type Node、Select Node、Join Node、Teminal Node、Alpha Memory、Beta Memory
alpha网络：过滤working memory，找出符合规则中每一个模式的集合，生成alpha memory（满足该模式的集合）。
Beta网络：有两种类型的节点Beta Memory和Join Node。前者主要存储Join完成后的集合。后者包含两个输入口，分别输入需要匹配的两个集合，由Join节点做合并工作传输给下一个节点。

3.3.2.1 Rete推理网络生成过程

图片

创建root节点（根节点），推理网络的入口。
拿到规则1，从规则1中取出模式1（模式就是最小的原子条件，所以规则模式的关系是1：n）。

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）。

重复2，直到所有规则处理完毕。

3.3.2.2 Rete匹配过程

图片

导入需要处理的事实到facts集合中。
如果facts不为空，选择一个fact进行处理。否则停止匹配过程。
选择alpha网的第一个节点运行（建立网络的时候设定的），通过该节点则进入alpha网的下一个节点，直到进入alpha memory。否则跳转到下一条判断路径。
将alpha memory的结果加入到beta memory中，如果不为Terminal节点，则检测另一个输入集合中是否存在满足条件的事实，满足则执行join，进入到下一个beta memory重复执行3。若另一个输入集合无满足条件的事实，返回到2。如果该节点为Terminal节点，执行ACT并添加到facts中。

3.3.3 Rete算法实例

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

首先看下对应的网络图

图片

Rete匹配过程
匹配过程详解

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。

3.3.4 Rete算法的优点

可共享node和memory，提高效率；
memory存储中间结果，空间换时间，避免重复计算；
Rete 匹配速度与规则数目无直接关系，因为fact只有满足本节点才会继续向下沿网络传递。

3.3.5 Rete算法的缺点

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。

3.3.6 Rete算法使用建议

容易变化的规则尽量置后匹配，可以减少规则的变化带来规则库的变化。
约束性较为通用或较强的模式尽量置前匹配，可以避免不必要的匹配。
针对 Rete 算法内存开销大和facts增加删除影响效率的问题，技术上应该在 AlphaMemory 和 BetaMemory 中，只存储指向内存的指针，并对指针建里索引（可用 hash 表或者非平衡二叉树）。
Rete 算法 JoinNode 可以扩展为 AndJoinNode 和 OrJoinNode，两种节点可以再进行组合。

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？

3.4 规则引擎优势

高灵活性：规则保存在知识库中，规则变动可以轻易做出修改。
容易掌控：规则比过程代码更易于理解，因此可以有效地来弥补业务人员和开发人员之间的沟通问题。
降低复杂度：在程序中编写大量的判断条件，很可能是会造成一场噩梦。使用规则引擎却能够通过一致的表示形式，更好的处理日益复杂的业务逻辑。开发人员也可以更关注逻辑处理，而无需过多关注逻辑判断。
可重用性：规则集中管理，可提高业务的规则的可重用性。而且，传统的代码程序通常会添加不必要的变数，很难进行重复利用。
规则外部化：即有利于规则知识的复用，也可避免改变规则时带来的代码变更问题。

3.5 规则引擎使用场景

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。

3.6 规则引擎的分类

网上有两种分类方式，这里我列举出来，供大家了解。

基于实现方式
基于完成度和功能配置

图片

四、商机流转问题解决方案

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。

4.1 Drools和easyRule对比

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。

4.2 easyRule插件介绍

4.2.1 规则说明

name：规则命名空间中的唯一规则名称
description：规则的简要描述
priority：规则的优先级
facts：触发规则时的一组已知事实
conditions：在给定一些事实的情况下，为了应用该规则，需要满足的一组条件
actions：满足条件时要执行的一组操作(可能会添加/删除/修改事实)

4.2.2 规则定义方式

通过在POJO上添加注解来声明
通过RuleBuilder API编程

4.2.3 组合规则用法

Easy Rules提供了3种CompositeRule的实现。

UnitRuleGroup：要么应用所有规则，要么不应用任何规则。--要么全用要么不用
ActivationRuleGroup：激活规则组触发第一个适用规则并忽略组中的其他规则。--首个选用
ConditionalRuleGroup：条件规则组将具有最高优先级的规则作为条件，如果具有最高优先级的规则的计算结果为true，那么将触发其余的规则。--优先级最高说了算

4.2.4 自定义优先级

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。

4.2.5 引擎执行模式

skipOnFirstAppliedRule：当一个规则成功应用时，跳过余下的规则。--一个成功，不管其他
skipOnFirstFailedRule：当一个规则失败时，跳过余下的规则。--一个失败，不管其他
skipOnFirstNonTriggeredRule：当一个规则未触发时，跳过余下的规则。--一个不符合，不管其他
rulePriorityThreshold：当优先级超过指定的阈值时，跳过余下的规则。--优先级达标，不管其他

4.2.6 多种监听器可供选择

支持自定义规则监听器、规则引擎监听器。

4.2.7 表达式语言支持

支持MVEL、SPEL表达式语言，可通过编程方式定义规则。

4.2.8 规则中的错误处理

对于条件求值过程中可能发生的任何运行时异常(丢失事实、表达式中输入错误等)，引擎将记录一个警告，并认为条件求值为false。
对于任何在执行操作时可能发生的运行时异常(丢失事实、表达式中输入错误等)，该操作将不会执行，引擎将记录一个错误。

4.3 easyRule使用样例

还是用筛选篮球苗子的例子

图片

定义一个学生实体类

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;

}

定义规则（有多种方式，我列举几种）

//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);

创建实例(fact)

//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);

创建引擎，并执行规则

//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());

执行结果

图片

4.4 商机流转如何接入easyRule

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：

将easyRule工具包进行二次改装，使其执行规则后能有返回值，封装成jar包，将规则引擎抽取成通用能力。

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。

将现有的流转规则进行整理提取，将各种判断条件拆解成单一的指标判断。
项目中引入easyRule工具。

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

4.5 商机解绑流程举例

商机解绑流程

图片

解绑对应的规则配置application.yml

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)"
        ]
      }
    ]
  }
]

业务代码

public Result<ParallelExecuteDTO> unbindOpportunity(UnbindOpportunityRequest request) {
  return parallelExecutor.parallelExecute(request.getOpportunityIds(), (Long opportunityId) -> {
            final Result<String> unbindResult = opportunityUnbindRuleBll.unbindOpportunity(opportunityId, request.getOperator(),
                  request.getReasonType(), request.getReasonDesc(), request.getOperationType());
            logger.info("method=unbindOpportunity, act=unbind, opportunityId={},unbindResult={}", opportunityId, unbindResult);
            return unbindResult;
            }
        );
    }

4.6 引入规则引擎前后效果对比

图片

五、总结

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。

系统引入规则引擎，一定要场景符合，不能为了引入而引入；
业务规则转换为抽象的规则配置，可以多和业务人员交流，他们对于规则的理解可能更深刻；
选择规则引擎方案后，需要定好规则维护规范，后续执行按照规范维护；
对于集群中没有直接引用的代码，不要直接清理，有可能是在规则文件里有引用。

作者介绍

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）。