lead-scoring

线索评分

设计、验证并维护一个模型，按照线索转化为收入的可能性对其排序。业内标准是将评分拆分为两个独立维度：

• 匹配度（是否具备购买能力）：公司特征、人口统计特征、技术特征。
• 参与度（是否即将购买）：行为、产品内行为。

这种双维度模型有多种叫法：Marketo 的 A-D x 1-4 等级与评分矩阵、MadKudu 的客户匹配度 x 购买可能性，以及 OpenView 在 PLG 中定义的产品合格线索（PQL）。

评分失败的原因，更多是组织层面的疏于管理——没有销售团队认可、没有重新校准、把 MQL 数量当作目标——而非计算错误。因此，验证和治理是本设计的一部分，而不是事后补充。最终评分是分配工作的输入：路由、销售区域和销售代表匹配属于 mbfinotti/revops-skills@lead-routing。定义账户匹配标准（即本技能匹配度维度所依据的权重——公司特征和技术特征 ICP 层级）属于 mbfinotti/sales-skills@sales-icp-definition；本技能负责将该定义与行为参与度结合，形成可用的评分。

对于 B2B 和 B2C/PLG，捕获、评分、路由和培育的机制在结构上完全相同。B2C/PLG 与 B2B 的真正差异在于：

• 主要信号来源是产品内行为，而非表单和内容。
• 没有采购委员会——单个用户的行为就可能符合条件。
• 周期以天计，而非季度。

由于这些差异，在 B2C/PLG 中，衰减、阈值、重新评分频率和重新校准的节奏都更快。

访谈

设计之前先提问。每条消息只问一个问题；尽可能提供多选答案。只有在用户已经给出答案时，才跳过问题。

• 采用哪种模式？（a）销售驱动的 B2B；（b）PLG / 自助服务并辅以销售；（c）B2C 交易型。
• 每月大约有多少新线索？过去 12-24 个月里，有多少结果为已赢单和已丢单？（这决定采用基于规则还是预测的方法，以及可以进行多少回测。）
• 创建线索记录时，实际有哪些信息——各适配度字段的丰富覆盖率、表单字段、产品事件？（评分取决于数据质量。）
• 是否已经有模型？如果有，是重新设计，还是先诊断？（诊断路径：请参阅诊断失效模型。）
• 销售团队每周实际能跟进多少条线索？（这是实际的容量限制。）
• 谁负责签字批准——是哪位销售负责人？他们会要求模型达到多少最低接受率？
• 是否有欧盟或同意方面的限制？根据 GDPR，行为评分属于画像活动；必须记录其合法依据。
• 模型必须在什么日期前投入线上评分？有哪些事项正等待它？（两周内的期限会排除数据丰富采购和转化区间阈值方法；有一个季度的准备时间，则两者都在可行范围内。）
• 这是一次性成果，还是要打造能持续增值的资产？（如果只需处理一份单次营销名单，做到 v1 权重和容量阈值即可；若有持续建设的要求，才有理由采用数据丰富、完整回测和重新校准周期，以确保模型上线后依然可靠。）
• 工作量上限是什么——分析师工时、CRM/营销自动化管理员访问权限、数据合同的采购和法务流程，以及可以占用销售团队多少精力？（没有分析师，就无法根据已赢单/已丢单数据重新推导权重，也无法采用转化区间方法；没有采购流程，就应直接排除数据丰富这一档，而不是把它排在最后。）

在这项技能及其参考资料中的每项排序里，都要考虑最后三个答案；它们是唯一会改变此用户默认排序的输入。这里的每项排序都是默认建议，而非硬性规定：具体情境和执行者都会影响排序。推荐某一档之前，应重新排序，例如：

• 如果已经签订数据丰富合同，这一档的工作量就会降为字段映射，并升至首位。
• 如果 CRM 的适配度字段通过表单自报，且覆盖率很高，就可以完全移除覆盖率选项。
• 没有分析师时，应将 CRM 管理员可以独立完成的各档提升优先级，并将需要队列分析的各档降低优先级。

工作流

1. 开展访谈；收集所有答案后再进行设计。

2. 首先审查数据。统计过去 90 天线索中各适配度字段的数据丰富覆盖率。覆盖率低于约 70% 的字段意味着数据库中的大多数记录都无法达到阈值——这是数据丰富上限导致的失效。解决方法有三种，按单位工作量的价值排序；工作量包括分析师工时、管理员工作、采购和可逆性：

   • 效率：未知值评分设为 0 > 丰富该字段 > 移除该字段
   • 价值（模型实际可利用的适配度信号）：丰富该字段 > 未知值评分设为 0 > 移除该字段
   • 工作量：丰富该字段 > 移除该字段 > 未知值评分设为 0
   • 合规成本：丰富该字段 > 未知值评分设为 0 == 移除该字段

   各项工作的量级：

   • 未知值评分设为 0：几乎不费工夫，只需更改评分配置，一键即可撤销。
   • 移除该字段：需要一小时，也是此选项中最难撤销的做法——该信号将不再被收集，下一次重新校准时，若不先重建历史数据，就无法重新推导其权重。
   • 数据丰富：在任何线索开始评分之前，需要先完成采购和签约；之后还会形成持续的逐条记录依赖，并需要永久监控覆盖率。 默认将未知项记为 0：这样每条信息不全的记录都能按参与度评分，并可在本周上线。说明其与合规的关联：0 规则和删除操作都不会引入新的数据来源，因此都不会触发同意或来源审查。而数据丰富会触发审查——第三方匹配数据属于 GDPR 下的画像分析输入，必须在为任何人评分之前记录其合法依据和来源。

   指出这一默认设置带来的偏差：将未知项记为 0，会降低那些信息不全并非因为匹配度低的记录的评分——例如 SMB、非美国地区和注重隐私的买家——因此要将他们的转化情况作为单独的群组跟踪；如果他们仍然转化，就重新推导权重。这种排序会搁置数据丰富：它在价值和投入方面都排在首位，因此比率永远无法让它获得优先级，而它是唯一能恢复信号、而非绕开信号的层级。

   在以下情况下优先考虑数据丰富：

   • 该字段本身就是 ICP 门槛（ACV 较高的企业所需的员工人数）。
   • 整个数据库的覆盖率都很低，而非仅限于某个细分群体。
   • 已有相关合同。

   如果访谈中没有给出采购路径，就彻底删除数据丰富这一层级，并明确说明已将其删除——被搁在列表底部的层级，最终会变成未经批准的供应商电话，占用一个季度的时间。

3. 根据结果而非直觉推导信号。

   • 提取过去 12-24 个月的已赢单和已输单记录。
   • 比较两组中各信号的出现频率。
   • 保留相对于基准转化率确实有显著提升的信号。

   凭直觉列出的清单与有证据支持的清单通常并不相同。注意：已赢单记录中的字段看起来很完整，可能只是因为销售人员在成交前不久才补填——要核实评分时每个信号是否已经存在。

4. 根据 references/signal-taxonomy.md 构建信号目录：将匹配度和参与度作为两个独立评分，将硬性不合格条件作为排除项（绝不计负分），将软性降级因素作为负分，仅对参与度进行衰减。

5. 根据 references/weighting-and-thresholds.md 设置权重：销售主导型从匹配度/参与度接近 60/40 开始，混合型从 50/50 开始；对于行为占主导地位的 PLG 和 B2C，匹配度设为 30-40，参与度设为 60-70。限制每个信号类别的权重，避免任何单一渠道单独就能越过阈值。

6. 首先根据销售产能设定阈值，其次根据转化区间，最后用百分位进行合理性检查——这是三种方法的效率排序，而不只是执行顺序；同一份参考资料也说明了每种方法的价值和投入，再作出选择。定义层级，确保每个层级对应一种不同的行动方案。

7. 根据 references/validation-and-kpis.md 进行回测：对历史记录重新评分，计算各评分区间的转化率，计算最高评分区间相对于未评分基准的提升，并运行抽样留出集。反复调整信号、权重和阈值，直到达到下方的通过门槛。

8. 获取销售团队对信号列表、阈值和验收下限的书面确认。缺少此确认是业内最常被提及的失败原因：营销团队独自构建；销售团队拒绝一半线索；双方互相指责。

9. 输出规范（见下一节），分阶段推出——先为实时流量评分，再对积压记录进行批量评分——并在上线前安排 60 天后的 v2 审查。

10. 如果你的测试框架具有持久记忆功能，请记住已批准的规范——信号、权重、阈值、版本和审查日期——这样后续重新校准和诊断就能以此为起点，而不必重新访谈。

评分模型规范

每次合作都要交付这份成果文档，方便用户交给营销运营和销售团队。更完整的工作版本见 references/examples.md。

SCORING MODEL SPEC - <company/product>, <date>, v<n>
Motion       : sales-led | PLG | B2C - fit/engagement weight split, scale (e.g. 100-pt)
Fit signals  : attribute -> points | data source | coverage % | evidence (won-vs-lost delta)
Engagement   : signal -> points | decay rule | per-category cap | evidence
Exclusions   : hard disqualifiers, excluded outright (competitors, students, customers...)
Negative pts : soft demotions -> points
Threshold    : MQL/PQL score + the capacity math behind it
Tiers        : band -> play (T1 fast human follow-up, T2 queue, T3 nurture...)
Backtest     : period, conversion by band, top-band lift vs baseline, false-negative %
Guardrails   : sales acceptance floor, score-distribution inflation alarm
Governance   : owner, sales sign-off (name, date), v2 review date, change-log location

关于规范本身的三条规则：

• 每个分值都要附上证据。“定价页面访问 2 次以上 +20：在上一财年已赢单的分析中，转化率是基线的 2.8 倍”可以接受审核；只有数字没有依据，就只是等待被钻空子的传闻。
• 规范必须设定及格门槛。在回测中，最高分段转化为商机的比例必须达到未评分的全部潜客基线的至少 2 倍（公开指南只要求“优于不评分”；将 2 倍视为本技能的实际底线，因为微弱优势经不起实际环境中的噪声）。回测的误报率还必须足以让双方约定的销售接受率底线——60% 是从业者的常见目标，但只是惯例，并非经研究得出的固定值——看起来有望实现。持续迭代，直到两项指标都达标；如果模型未能优于未评分基线，就拒绝发布。
• **模型必须进行版本管理。**v1 是起点；必须在 v1 发布前安排 v2 评审；每次变更都要记录并告知销售团队。无法解释的评分比错误评分更快失去销售代表的信任。

诊断失效的模型

用户带着正在运行的模型前来求助（“我们的评分不对”“销售团队忽视评分”）时，在提议重建模型前，先检查下列所有症状——检查成本低，而且大多数有问题的设置会同时出现两三个问题，而不是只有一个。问题在于如何修复，因此以下各项按单位投入的价值排序；从上到下处理：

• 效率：将虚荣指标归零 > 报告正确的数字 > 添加衰减 > 弥补覆盖缺口 > 补充缺失的购买路径 > 重新推导虚高的权重 > 全面重新校准
• 价值（修正后的模型赢得或避免流失的商机数）：全面重新校准 > 补充缺失的购买路径 > 重新推导虚高的权重 > 添加衰减 > 将虚荣指标归零 > 弥补覆盖缺口 > 报告正确的数字
• 投入：全面重新校准 > 重新推导虚高的权重 > 补充缺失的购买路径 > 弥补覆盖缺口 > 添加衰减 > 报告正确的数字 > 将虚荣指标归零 | 症状 | 可能的问题 | 修复方法 | 工作量 | | ---------------------------------------------- | -------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------- | | 热衷订阅新闻通讯的人排在真正买家之前 | 虚荣指标被计分（由于收件箱隐私功能，邮件打开次数在结构上并不可靠） | 将低意向信号的分值设为零或极低；为邮件类别设置上限 | 几乎为零——分值已在评分矩阵中，由模型所有者独自修改 | | MQL 数量受到庆祝，销售管道却停滞不前 | 古德哈特定律效应——MQL 数量成了目标，因此门槛不断降低 | 向上汇报 MQL 到商机的转化率和对销售管道的贡献，绝不汇报原始 MQL 数量 | 几小时内几乎为零，但会消耗设定 MQL 目标者的政治资本 | | 过时联系人看起来和活跃联系人一样热门 | 没有衰减——分数会无限累积 | 仅为互动度添加衰减（机制按 signal-taxonomy 中的排名实施） | 一小时配置，外加对数据库重新评分一次 | | 数据库中大多数记录永远无法达到门槛 | 数据补全上限——大多数记录的适配字段为空 | 衡量覆盖率，然后采用 Workflow 第 2 步中的分级菜单——先将未知项计为 0 | 默认档几乎为零；若提升数据补全优先级，则需要一个季度和一项常设任务 | | 成交赢单却从未达到 MQL 的交易 | 假阴性——模型忽略了真实的购买路径（推荐、活动、产品使用情况） | 补上缺失路径；将假阴性率作为常设 KPI 跟踪 | 一两天——在赢单记录中找到相关路径、添加信号并重新回测 | | MQL 数量上升，MQL 到商机的转化率却下降 | 分数膨胀——权重过于宽松或使用了虚荣指标 | 根据赢单／输单数据重新推导权重；添加类别上限；提高门槛 | 分析师花一两天分析赢单／输单群组，另加销售团队重新签字确认 | | 高分不再能预测赢单 | 模型过时——自校准以来，ICP、产品或内容已有变化 | 根据最新的多季度群组重新校准；设置漂移触发条件 | 重建需要几周时间，之后还需一项常设任务来维护 |

这种排序会舍弃什么：完整重新校准——它按价值和工作量排序，而比率永远不会安排它。若自上次校准以来 ICP、定价或产品发生变化，或上面两项已修复但转化率仍与分数不符，就应将它提升到所有事项之上。

如果 Interview 没有提供分析师，就删除两个群组分析档位——重新推导权重和完整重新校准——并明确说明它们已删除，而不是把它们留在无人能执行的计划末尾。要应对分数膨胀，只剩类别上限和提高门槛这两项；CRM 管理员可以独自完成，并能恢复大部分精准度。