lead-scoring

线索评分

评分分为两部分，因为数据也分为两部分。

• 联系前 — 可以读取的信息：资料匹配度、服务匹配度。这部分由 prospect-scoring 负责。
• 联系后 — 只有通过对话才能确认的信息：对方是否有回应、交易实际价值多少、谁是真正的决策者，以及他们何时会推进。

本技能负责第二部分，并且以第一部分为基础。如果线索评分从头重新计算匹配度，就会丢弃已有成果，导致同一客户出现两个不同的匹配度分数。

结构

lead score = prospect profile (carried over, capped)  +  post-contact points (0 until contact)

一个切实可用的默认方案——可以调整权重，但保留结构：

模块	最高分	可用时点
客户资料（来自 prospect-scoring，已归一化）	30	联系前
互动——已回复、开启对话、提出实质性问题、参加活动	15	联系后
已确认的交易潜力——对方明确说出的数字，而不是你推断出的数字	20	联系后
决策路径——你知道谁签字，以及他们如何采购	15	联系后
时间安排——对方明确说出的日期或时间范围	10	联系后
接触情况——你正在与决策者交谈，或与会推动决策的内部支持者交谈	10	联系后

硬性上限规则。 联系后得分为零的线索，绝不能排在已有联系后得分的线索之前，无论其资料多么出色。未联系的记录应限制在最高档以下。否则，队列里就会挤满条件完美却互不相识的陌生人，而真正回复的人反而排在他们后面。

分档依据应来自你的销售管道，而不是评分标准

在真实销售管道完成校准之前，评分标准设定的阈值都只是猜测。如果团队正在使用的表格把 60 分以上视为值得致电，而评分标准写着 75 分，应以表格为准——它已经与实际结果进行了比较。把两个数字都记下来，认真协调；不要让理论阈值悄然取代观察到的行为。

每一批有代表性的样本之后都要重新校准，并且按客户而不是记录行来校准——否则，一家公司有三个联系人就会被计为三次，从而影响整个模型。

只使用干净的样本群进行校准。 字段大多为空的客户会显示出荒谬的转化率，因为这些记录通常是在客户转化之后才手动创建的。用事后补填的记录去预测促成这些记录创建的结果，是评分模型得出一个好看却无用数字的最常见原因。在一次校准中，整体转化率看起来是 9.6%；而在干净的样本群中，实际为 3.2%。

如果基础数据没有交易金额，模型优化的就是对话，而非收入——因此会系统性地偏向小客户，因为小公司回复得更多。与其把排名说成收入排名，不如直言这一点。等有了交易金额后再重新校准。

硬性门槛优先于得分

有些事实不应被良好的总分抵消：

• 已确认不属于目标客户 → 无论其他项得分如何，都将分数限制在淘汰线以下。
• 关键字段存疑 → 将分数限制在最高档以下。线索仍留在队列中，由人工审查，而不是因错误数据被提升，或被悄然剔除。
• 明确选择退出 → 完全排除在评分和所有营销活动之外。

只扣分的规则不算硬性门槛。它必须能限制分数上限。

保持各项得分清晰可见

每个模块都应单独存储在一列中，不能只保留总分。线索得分为 78 时，你必须能看出这个分数是来自已确认的预算，还是来自三分较弱的互动信号——这两种 78 分应采取截然相反的行动。只保留一个总分列，会让模型无法审计，实际上也无法获得负责处理队列的人员信任。

模块背后的输入也遵循同样的规则：如果一个数字可能来自多个来源，就应将各个来源分别存放在不同列中，并注明采用了哪个来源。合并这些来源，会让已验证的数据与推断出的数据失去区别，而这恰恰会在最需要这种区别时发生。

输出

每条潜在客户占一行：姓名 · 公司 · 潜在客户画像 · 互动情况 · 交易 · 决策路径 · 时间线 · 访问权限 · 总分 · 档位 · 行动 · 数据置信度 · 触发的门槛（如有） · 缺少的信息。

按档位排序，再按缺少的信息排序——因为在“需要更多信息”列表中，排在前面的条目通常比已合格列表末尾的条目更值得花一小时处理。

交接

档位 → 行动：安排一次通话、获取一条符合条件的回复、加入培育流程，或取消资格。回复内容由 reply-objection-handler 撰写，同时也会根据意向和速度对其进行分类。多个已评分潜在客户中反复出现的模式——比如某个档位的潜在客户始终无法转化——应交由 reply-audit 处理，然后再反馈给 hypothesis-builder。