关于 lead-scoring
这项技能依据公司匹配度和互动信号为潜客评分与排序，生成加权评分规则、综合分数及 Hot、Warm、Cold 分层，供销售团队确定优先级。
主要功能
- 01定义理想客户画像条件
- 02为匹配度和互动信号加权
- 03计算潜客综合评分
- 04应用互动信号分数衰减
- 05划分 Hot、Warm、Cold 层级
适用场景
- 01确定销售外联的入站潜客优先级
- 02为目标市场制定评分规则
- 03按匹配度和意向排列潜客
- 04区分高匹配潜客与高互动潜客
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/lead-scoring确认已加载。
详细介绍
线索评分
结合公司特征匹配度（线索与理想客户画像的契合程度）和行为互动信号（表明购买意向的行为），为入站和出站线索评分并确定优先级。这项技能会构建评分规则、分配加权分数、计算综合得分，并将线索划分为可执行的层级——Hot、Warm 和 Cold——帮助销售团队把时间投入到转化率最高的机会中。
工作流
-
定义 ICP 标准 — 确定理想客户的公司特征：目标行业、公司规模范围、营收区间、地理区域和技术栈指标。根据历史转化数据，按照各项属性的预测重要性赋予权重。
-
分配匹配度分数 — 根据 ICP 标准为每条线索的公司评分。完全匹配的线索获得最高匹配度分数；部分匹配则按比例得分。对于明确的排除条件（例如，公司规模低于最低门槛、不提供服务的行业、学生或竞争对手），应用负分。
-
追踪互动信号 — 从营销自动化系统、CRM 和产品分析中采集行为信号：邮件打开/点击、网站页面访问（尤其是定价和案例研究页面）、内容下载、网络研讨会出席、演示申请、免费试用注册以及回复情绪。根据每项信号与最终成交的相关性赋予权重。
-
计算综合得分 — 将匹配度分数（通常为 0–50 分）和互动分数（通常为 0–50 分）合并为综合得分（0–100）。对超过 30 天的互动信号应用衰减，确保分数反映当前意向，而非过时活动。
-
排名并划分层级 — 按综合得分对线索排序并分配层级：Hot（75–100）、Warm（40–74）、Cold（0–39）。将 Hot 线索分配给 SDR，立即跟进；将 Warm 线索加入培育序列；将 Cold 线索加入低触达频率的自动化营销活动。每季度根据实际转化率审查层级阈值并进行调整。
用法
提供 ICP 定义、追踪的互动信号，以及包含属性的线索列表。这项技能会输出评分规则和评分/排名后的线索列表。
提示词示例：
为我们的 B2B 分析平台构建线索评分模型。ICP：A 轮及以上、员工人数为 50–500 的 SaaS 公司，位于美国/加拿大，使用 Snowflake 或 BigQuery。为这 5 条线索评分，并划分 Hot/Warm/Cold 层级。
示例
示例 1：构建线索评分规则
输入： 面向中型市场 SaaS 公司的 B2B 分析平台。
匹配度评分规则（0–50 分）：
| 标准 | 权重 | 评分规则 |
|---|---|---|
| 公司规模 | 15 分 | 200–500 名员工：15 · 50–199 名员工：10 · 501–1000 名员工：5 · <50 或 >1000：0 |
| 行业 | 10 分 | SaaS/软件：10 · 金融科技/电子商务：7 · 其他科技行业：4 · 非科技行业：0 |
| 融资阶段 | 10 分 | A–C 轮：10 · 种子轮：5 · 上市/种子前：2 |
| 地理位置 | 5 分 | 美国/加拿大：5 · 英国/欧盟：3 · 其他地区：1 |
| 技术栈 | 10 分 | Snowflake 或 BigQuery：10 · Redshift：6 · 无云数据仓库：0 |
互动评分规则（0–50 分）：
| 信号 | 分数 | 衰减 |
|---|---|---|
| 申请演示 | 20 分 | 无（一次性事件） |
| 访问定价页面 | 8 分 | 14 天后减半 |
| 下载案例研究 | 6 分 | 21 天后减半 |
| 点击邮件链接 | 3 分（每次点击，最多 12 分） | 14 天后减半 |
| 参加网络研讨会 | 7 分 | 30 天后减半 |
| 访问博客 | 1 分（每次访问，最多 5 分） | 30 天后过期 |
层级阈值：
| 层级 | 分数范围 | 操作 |
|---|---|---|
| Hot | 75–100 | 在 4 小时内立即由 SDR 跟进 |
| Warm | 40–74 | 加入高触达频率的培育序列 |
| Cold | 0–39 | 加入低触达频率的自动化滴灌营销活动 |
示例 2：为一批潜在客户评分
输入： 5 位潜在客户的属性和近期活动。
评分结果：
| 潜在客户 | 公司 | 员工人数 | 行业 | 融资情况 | 技术栈 | 匹配度分数 | 关键互动 | 互动分数 | 总分 | 层级 |
|---|---|---|---|---|---|---|---|---|---|---|
| Rachel M. | StreamOps | 320 | SaaS | B 轮 | Snowflake | 50 | 申请演示 + 访问定价页面 + 点击邮件 2 次 | 34 | 84 | 🔥 热门 |
| David K. | PayFlow | 180 | 金融科技 | A 轮 | BigQuery | 37 | 参加网络研讨会 + 下载案例研究 + 点击邮件 3 次 | 22 | 59 | 🟡 温和 |
| Priya S. | HealthBridge | 90 | 医疗保健 | B 轮 | Redshift | 21 | 访问定价页面 + 点击邮件 1 次 | 11 | 32 | 🔵 冷淡 |
| Marcus T. | DevLayer | 450 | SaaS | C 轮 | Snowflake | 50 | 访问博客 4 次 + 点击邮件 1 次 | 8 | 58 | 🟡 温和 |
| Lisa C. | TinyML Labs | 30 | AI/ML | 种子轮 | BigQuery | 20 | 申请演示 + 参加网络研讨会 | 27 | 47 | 🟡 温和 |
摘要： 1 位热门潜在客户（转交给 SDR），3 位温和潜在客户（进入培育序列），1 位冷淡潜在客户（自动滴灌）。Marcus T. 的匹配度分数满分，但互动较少——应优先推动他参加演示。
最佳实践
- 根据历史成交客户数据为评分模型设定权重，而非凭直觉判断——分析潜在客户属性与转化之间的相关性，以校准各项分值。
- 对互动信号应用分数衰减，避免 6 个月前活跃过的潜在客户排在今天表现出意向的潜在客户之前。
- 为明确的排除条件（竞争对手、学生、非目标地区）设置负分，避免低质量信号混入热门层级。
- 每季度审查并重新校准层级阈值；随着 ICP 演变、营销渠道变化，固定阈值会逐渐偏离实际情况。
- 在报告中分别列出匹配度分数和互动分数，便于销售代表区分“公司很理想，但尚未互动”和“潜在客户很活跃，但公司匹配度较低”。
- 设置最低匹配度分数阈值（例如 15 分），低于该阈值的潜在客户无论互动分数多高都不能进入热门层级——这样可避免匹配度低的潜在客户浪费 SDR 的时间。
边缘情况
- 互动度高，匹配度为零 — 某位潜在客户下载了所有资源，但就职于一家不符合 ICP 的 5 人代理公司。无论互动分数多高，都将其最高层级限制为温和，以免浪费销售周期。
- 匹配度满分，没有互动 — 某位潜在客户完全符合 ICP 标准，但没有表现出任何行为信号。应标记为待外向拓展，而非待入站跟进；他们可能还不知道你的存在。
- 同一公司的重复潜在客户 — 当同一家公司的多位联系人分别评分时，应汇总为账户级分数，以免重复计算同一购买意向。
- 互动信号刷量 — 某位潜在客户打开每封邮件并访问每个页面，但可能是研究人员、机器人或竞争对手。为各类信号设置互动分数上限，并将异常活动模式标记出来以便人工审核。
- 评分模型冷启动 — 对于没有历史转化数据的新产品或新市场，先采用简单的无权重模型，收集 90 天的销售管道数据，再根据实际结果重新校准权重。