关于 prospect-scoring
prospect-scoring 是一项技能，用于在联系潜在客户前，根据公开的公司资料评估冷启动账户。它将匹配度评分与购买信号的时机分开，并规定缺失数据和准入门槛的处理方式。
主要功能
- 01按 ICP 与服务匹配度评分
- 02按信号分配外联队列
- 03标记缺失数据并记录置信度
- 04对空缺维度进行归一化
- 05核验员工人数的指引
- 06输出账户评分与门槛结果
适用场景
- 01联系前筛选冷启动账户
- 02区分账户匹配度与购买时机
- 03标记需要补充资料的记录
- 04保留未过门槛的账户以便复查
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/prospect-scoring确认已加载。
详细介绍
潜在客户评分
回答一个关于冷启动账户的问题：在任何人联系他们之前，这个资料是否符合我们的目标？
这里的一切都可以在不交谈的情况下读取——他们做什么、服务谁、使用什么。
只有通过通话才能确认的信息，不属于这项评分。那属于 lead-scoring。
修正大多数失效评分规则的准则
切勿给已用作筛选门槛的维度评分。
如果地理位置和员工人数是筛选阶段的硬性门槛，它们就不能同时计分。 每个通过筛选的账户按定义都满足这些条件，因此这些分数对所有账户都相同，形同虚设， 还会抬高总分，直到门槛失去区分作用。一套把 100 分分配给四个维度、其中两个早已是门槛的评分规则， 正是因为这个问题而必须更换：数字看似有区分度，实际却没有。
移除门槛后，剩下的维度通常不多——这才是正确的。基于两个诚实维度建立的联系前评分， 胜过基于八个维度、其中六个都是噪声的评分。
评分由什么构成
仅评估资料。以下是可行的默认方案，可根据 ICP 调整：
| 维度 | 最高分 | 依据 |
|---|---|---|
| ICP 匹配度——他们是否属于我们服务的公司类型 | 15 | 他们对自己的描述：网站、公司主页、专业领域 |
| 服务匹配度——他们是否需要我们销售的具体服务 | 15 | 列出的服务、展示的工作、他们明显缺少或明确由内部团队负责的能力 |
每个维度按四个等级评分，因此两个人给同一账户评分时会得出相同分数：
| 分数 | ICP 匹配度 | 服务匹配度 |
|---|---|---|
| 15 | 他们的自我描述明确指出你的细分领域和子行业 | 他们没有这项服务，而且显然有相关工作需求 |
| 10 | 属于你的行业或相邻子行业 | 他们由内部团队负责，但团队只有 1–2 人 |
| 5 | 描述含糊，需要猜测细分领域 | 他们有自己的团队；你的服务只能作为补充 |
| 0 | 无数据 → data-gap 标记 | 无数据 → data-gap 标记 |
**门槛：**设定总分下限（例如 30 分中至少 20 分）。低于门槛的账户不得进入外联， 无论其他情况如何。
| 示例 | 总分 | 决策 |
|---|---|---|
| 15 + 10 | 25 | 进行外联 |
| 10 + 10 | 20 | 进行外联 |
| 15 + 0 | 15 | 补齐数据缺口后重新评分 |
| 5 + 5 | 10 | 不进行外联 |
只有当一个维度 (a) 可以在冷启动时读取、(b) 尚未作为门槛使用，且 (c) 确实会因账户而异时，才添加该维度。 只有当潜在交易规模确实适用于这批账户时，它才符合条件——通常并非如此，见下文的归一化。
信号决定的是队列，而不是分数
这是评分规则容易出错的第二个地方。购买信号不会让账户更匹配—— 它让账户的时机更好。匹配度和时机是不同的维度，不能相加为一个 数字，否则资料完美但没有触发信号的账户，看起来会比碰巧正在招聘但匹配度不高的账户更差。
因此，信号决定队列，而不是分数：
| 队列 | 条件 | 开场白的依据 |
|---|---|---|
| A | 强且仍有效的信号 | 有日期的事件，并附上链接 |
| B | 较弱或较旧的信号 | 提及该事件，但措辞更委婉 |
| D | 没有仍有效的信号 | 来自他们自己网站的一项数据 |
没有信号不代表分数低。它意味着进入 D 队列并设定监测窗口——约 30 天后重新检查， 再判断是否确实没有机会。
一个持续开放 45 天以上的职位，比刚发布的职位更能说明问题——他们招不到合适的人。 只要职位仍然开放，就不要降低该空缺的信号强度。
缺失数据
- 缺失项 → 0，并添加
data-gap标记。绝不猜测，绝不取中间值。 猜测出的公司画像信息会变成别人依赖的预测结果。 - 当某个维度在整个基准中结构性缺失时，进行归一化。 如果基准中没有任何公司有交易规模数据，那么该维度对所有公司都计为 0，上限随之降低，也没有任何公司能通过门槛。保留两个数字：原始总分，以及同一总分占实际有数据维度的百分比。依据第二个数字判断是否通过门槛，但仅限数据可信度为 M 或 H 时。若为 L，则改用原始总分，以免只有两个字段有值的行看起来完美。
- 只有经过验证的数字才能确定等级。 如果员工人数未经确认，等级单元格应填写“需人工核实”——绝不留空，绝不推断。
员工人数陷阱：两个方向都要考虑
值得特别说明，因为显而易见的修正方式会导致相反的问题。
公司网站往往系统性地夸大团队规模：声称有数十名工程师的网站，实际所属公司可能只有三个人。人们自然会想取现有数字中的较小值——但这会立刻让大型公司出问题，因为大型代理机构不会按姓名列出员工，因此按姓名统计会远低于实际人数。
能同时解决这两个问题的做法是：以公司页面上的员工人数为准；其网站上按姓名统计的人数只能用于核对，不能作为来源。 如果按姓名统计的人数少了好几倍，而页面上的人数本身也很少，就标记该行，并将其上限设在最高档以下——需要人工检查，但不能直接丢弃。
将这些数字保存在不同列中。一旦把它们合并到同一个“员工人数”字段中，就再也无法区分经过验证的数字和推断出来的数字。
输出
每个公司占一行：Company · Tier · 各维度得分 · Raw total · Normalised total · Data confidence (H/M/L) · Gate (pass/fail) · Queue (A/B/D) · Missing fields。
另附 data-gap 列表：列出需要补充信息、否则评分毫无意义的公司。未通过门槛的行仍保留在文件中，并注明原因——删除它们意味着一季度后还得重新购买数据、重新研究。
不要
- 不要给已被停止筛选规则判定的对象评分。
- 不要将适配度和时机合并成一个数字。
- 不要在有疑问时向上取整——选择较低档。
- 不要使用未经批准的权重评估真实基准。如果权重尚未确认，请明确说明，并将本次运行标记为草稿预览。
交接
通过门槛 → 分配队列 → 使用 waterfall-enrichment 查找联系人，然后按营销活动使用 sequence-writer。收到回复后，公司进入 lead-scoring，该流程从此画像开始，并补充只有通过对话才能确认的信息。