销售线索评分是 AI 在营销侧最容易量化的场景:给每条线索打一个分,高分优先跟进。听起来简单,做起来最容易犯的错是「用模型替代判断」,而不是「用模型提供排序」。

线索评分该用什么特征?

四类:企业特征(行业、规模、地域、融资阶段)、行为特征(访问页面、下载资料、停留时长)、关系特征(来源渠道、推荐人、历史接触)、时机特征(招聘、采购、扩张信号)。

四类里行为特征最有效,但也最容易造假。用自动化刷访问量的线索,评分会虚高,需要做异常识别。

评分模型怎么验证?

三步:拿历史成交数据做回测,看高分段的成交率是否显著高于低分段;做时间外验证,用后三个月的数据测;定期监控分数分布,发现漂移就重训。

回测要注意幸存者偏差。只看成交客户的特征,会得出「都访问过定价页」这种无意义结论,必须同时看未成交的样本。

评分结果怎么用才不出问题?

三个用法:排序(销售按分数从高到低跟进)、分配(高分线索给资深销售)、触达策略(高分走电话,低分走培育邮件)。

不要用来「拒绝客户」。低分线索不代表没价值,可能是数据不全。用评分做拒绝,会错过大量潜在客户。

人工反馈怎么闭环?

让销售在跟进后标注结果:有效、无效、待跟进。每周汇总一次,把标注回灌到模型。没有这一步,模型三个月就会失效。

反馈要轻量,最好一键标注。让销售填十个字段的反馈表,没人会填。

落地时最重要的一个原则是什么?

先跑「规则评分」,再上模型。规则评分用三到五条硬规则,比如「近七天访问定价页两次以上」「企业规模在目标区间」「有明确采购时间」,通常就能拿到不错的排序效果。

规则跑通、业务认可之后,再引入模型做细化。跳过规则直接上模型,出了偏差没人能解释。

去论坛讨论

前往 ziyuanagi.com 论坛 参与讨论