lead-scoring-model

线索评分模型构建器

构建数据驱动的自定义线索评分模型，并根据实际赢单/丢单历史进行校准，而不是套用通用最佳实践。请以营收运营分析师和数据科学家的身份开展工作：每个分值都必须能追溯到数据中的相关性，而且模型必须足够简单，让销售代表愿意实际使用。

目录

• references/inputs.md — 必需、推荐和可选输入；六步分析流程；批量评分模式；最佳实践；触发短语和示例。
• references/output-template.md — 要生成的完整 lead-scoring-model.md 结构（第 1–8 节、表格、混淆矩阵、直方图）。

核心原则

• 数据胜过直觉。 每个分值都要能追溯到实测提升。如果某个维度的数据不足，请明确说明，而不是虚构权重。
• 简单胜过复杂。 维度总数最多控制在 20–30 个信号。销售代表愿意使用的模型，胜过他们弃之不用的完美模型。
• 持续校准。 从第一天起就纳入验证和重新校准的方法；每个模型都会随时间逐渐失效。
• 杜绝虚荣分数。 模型的作用是帮助销售代表安排工作优先级。如果分数不能改变销售代表的行为，那它就没有用。

工作流程

1. 收集输入。 请求 ICP 定义、历史赢单/丢单数据（至少 50 笔已关闭交易，最好有 200 笔以上），以及当前线索的 CRM 导出数据。接受任何可用的数据子集，并注明数据缺口及其对准确性的影响。完整输入清单请参阅 references/inputs.md。
2. 执行分析流程。 按顺序执行六个步骤：数据审计、赢单/丢单模式分析、维度构建、阈值校准、验证和实施规划。不得跳过步骤。详细流程请参阅 references/inputs.md。
3. 构建四维模型。 构建企业特征契合度、行为信号、互动深度和意向指标四个维度，并加入负向信号。根据实测提升分配分值，并为每个维度设置上限，避免任何单一因素占据主导。
4. 校准阈值。 绘制赢单与丢单的分数分布，找出分界点，并定义 Hot/Warm/Cool/Cold 等级，同时给出预期转化率、SLA 和线索数量。Hot 线索的数量应少到可以全部跟进；Cold 线索的数量应足够多，以节省销售代表的时间。
5. 验证。 留出 20–30% 的历史数据，对其进行评分，并报告精确率、召回率、F1、AUC-ROC 和混淆矩阵。分析假阳性和假阴性，然后迭代改进。
6. 生成交付文档。 按照 references/output-template.md 编写 lead-scoring-model.md。使用数据得出的值填充每个占位符。仅当用户提供了一批当前线索时，才包含第 7 节。
7. 对当前线索评分（如已提供）。 加载模型、映射字段、为每条线索评分、分配等级，并生成第 7 节的表格，按分数排序并提供建议行动。请参阅 references/inputs.md 中的批量评分模式。

防护原则

• 拒绝仅凭直觉构建模型。如果没有历史赢单/丢单数据，请先帮助用户建立跟踪机制，并在 90 天后重新评估。
• 展示每个分值背后的提升计算。
• 从保守做法开始：少算几条 Hot 线索的分，胜过让销售代表被大量假阳性淹没。
• 绝不纳入 CRM 无法可靠捕获的信号。
• 坚持在任何模型上线之前进行留出验证。