mcpField

sales-lead-score

github.com/sales-skills营销与增长89 次安装
代码仓库

关于 sales-lead-score

sales-lead-score 是用于设计和调整销售线索评分模型的技能，面向营销与销售团队。它涵盖评分维度、MQL／SQL 阈值、衰减规则及在常见 CRM 和营销自动化平台中的实施。

主要功能

  1. 01设计四类线索评分维度
  2. 02按销售模式调整权重
  3. 03制定 MQL、SQL 和 PQL 阈值
  4. 04设置信号衰减与负向评分
  5. 05提供平台实施与模型校准指南

适用场景

  1. 01从零建立线索评分模型
  2. 02调整未能有效转化的现有模型
  3. 03为 PLG 销售流程加入产品使用信号
  4. 04在 CRM 或营销平台中落实评分规则

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/sales-skills/sales --skill sales-lead-score

安装后在 Claude Code 中输入/sales-lead-score确认已加载。

附带文件references/learnings.mdreferences/platforms.md

详细介绍

设计线索评分模型

帮助用户设计、设置权重并调整线索评分模型——从定义评分维度和分配分值，到设定 MQL/SQL 阈值并在其工具中实施。此技能不限于特定工具，适用于任何 CRM（Salesforce、HubSpot）、MAP（Marketo、Pardot）或数据丰富服务提供商（Apollo、ZoomInfo、Clearbit）。

步骤 1 — 收集背景信息

如果存在 references/learnings.md，请先阅读，了解累积的知识。

询问用户：

  1. 你们销售什么？

    • 产品/服务类别
    • 大致 ACV（影响评分的复杂程度——ACV 为 $5K 时，评分模型应比 ACV 为 $100K 时更简单）

  2. 你们采用哪种销售模式？

    • A) 入站主导——大多数线索来自市场营销（内容、广告、活动）
    • B) 出站主导——大多数线索由 SDR/BDR 寻找
    • C) 产品主导增长（PLG）——用户注册并自行使用，销售团队在达到使用量阈值时介入
    • D) 混合模式——结合入站、出站和 PLG
    • E) 渠道/合作伙伴——线索通过合作伙伴获取

  3. 你们使用哪些工具？

    • CRM：Salesforce、HubSpot、Pipedrive 或其他
    • MAP：Marketo、HubSpot、Pardot、ActiveCampaign 或其他
    • 数据丰富服务：Apollo、ZoomInfo、Clearbit 或其他
    • 产品分析（适用于 PLG）：Amplitude、Mixpanel、Heap、Segment 或其他

  4. 目前的评分情况如何？

    • A) 从零开始——尚无评分模型
    • B) 已有模型，但效果不佳（请描述症状）
    • C) 已有基础模型，希望加以改进
    • D) 因 ICP 变更或新产品发布而重建模型

  5. 你们目前的销售漏斗情况如何？

    • 每月线索量（大致数值）
    • 当前 MQL → SQL 转化率（如已知）
    • 当前 SQL → 成交率（如已知）

如果用户的请求已经提供了大部分背景信息，请直接进入相关步骤。 根据合理假设（明确说明这些假设），先给出尽力而为的回答，然后仅在最后询问最关键的 1 至 2 个澄清问题——不要因为要收集完整背景信息而暂缓回答。

步骤 2 — 定义评分维度

围绕四个维度构建评分模型。默认权重仅作起点——请根据销售模式进行调整。

维度 1：人口特征匹配度（默认 25%）

评估个人与买家画像的匹配程度。

属性高分中等分低分/负分
职位名称与 ICP 职位完全匹配（例如，工程副总裁）相近职位（工程总监、平台负责人）无关职位（向工程部门销售时的 HR 经理）
资历级别对你的产品拥有决策权拥有影响力资历过浅，无法购买或施加影响
部门主要采购部门相邻部门无关部门
职能与你解决的问题直接匹配相关职能毫不相关

分值示例（最高 25 分）：

  • 职位完全匹配：10 分 | 相近：5 分 | 不匹配：0 分
  • 资历级别匹配：8 分 | 相近：4 分 | 资历过浅：0 分
  • 部门匹配：7 分 | 相近：3 分 | 无关：0 分
维度 2：公司特征匹配度（默认 25%）

评估公司与 ICP 的匹配程度。

属性高分中等分低分／负分
公司规模理想范围（例如，100-500 名员工）邻近范围（50-100 人或 500-1000 人）远超目标范围
行业主要目标行业相邻行业不提供服务的行业
收入符合定价的收入范围邻近范围无力购买产品
地理位置主要市场可服务市场不支持的地区
技术栈使用互补技术中性技术栈使用竞争产品（可能带来替换机会）

示例分值（最高 25 分）：

  • 公司规模符合理想范围：8 分 | 邻近范围：4 分 | 超出范围：0 分
  • 行业匹配：7 分 | 相邻行业：3 分 | 不匹配：0 分
  • 收入匹配：5 分 | 邻近范围：2 分 | 超出范围：0 分
  • 地理位置：3 分 | 可服务：1 分 | 不支持：0 分
  • 技术栈匹配：2 分
维度 3：行为信号（默认 30%）

评估潜在客户正在做什么——对大多数团队来说，这是预测性最强的维度。

信号分值衰减
请求演示／试用15 分不衰减——这是明确的转化事件
访问定价页面10 分14 天后衰减至 5 分
多次访问网站（7 天内 3 次以上）8 分14 天后衰减至 4 分
下载内容（电子书、白皮书）5 分30 天后衰减至 2 分
电子邮件互动（打开 + 点击）每次互动 3 分30 天后衰减至 0 分
参加网络研讨会／活动8 分30 天后衰减至 4 分
意向数据——正在研究你的品类10 分14 天后衰减至 5 分（意向具有时效性）
G2／评论网站的竞品对比浏览8 分14 天后衰减至 4 分

对于 PLG／产品驱动模式，添加产品使用信号：

信号分值衰减
注册免费版／试用版10 分不衰减
完成新手引导8 分不衰减
达到使用量阈值（例如，100 次 API 调用、5 名团队成员）15 分不衰减
邀请团队成员10 分不衰减
使用高级功能（触发付费墙）12 分30 天后衰减至 6 分
每日活跃使用（过去 14 天中使用 5 天以上）10 分滚动计算——每周重新计算
维度 4：时机信号（默认 20%）

评估近期性和紧迫性信号。

信号分值衰减
刚入职当前职位（不足 90 天）10 分90 天后衰减至 5 分，180 天后降至 0 分
近期获得融资8 分90 天后衰减至 4 分
招聘与你的产品所支持职位的员工6 分30 天后衰减至 3 分（招聘信息具有时效性）
公司增长（6 个月内员工人数增长 20% 以上）5 分90 天后衰减至 2 分
竞品合同续约窗口期10 分窗口期结束后衰减至 0 分
根据销售模式调整权重
模式人口统计公司特征行为时机
入站驱动20%20%40%20%
出站驱动25%30%20%25%
PLG15%15%50%20%
企业级／ABM25%25%25%25%

步骤 3 — 设置阈值和阶段

校准 MQL/SQL 阈值

先采用以下默认值，再根据转化数据进行调整：

阈值默认值触发操作
MQL（Marketing Qualified Lead，营销合格线索）得分最高的 20% 线索加强营销培育，通知 SDR
SQL（Sales Qualified Lead，销售合格线索）得分最高的 5% 线索SDR 外联、移交给 AE，或由销售跟进
PQL（Product Qualified Lead，产品合格线索，仅适用于 PLG）达到使用量阈值 + 公司特征匹配销售联系活跃的免费用户

如何设置初始阈值：

  1. 回溯评估最近 100 笔已成交订单的得分
  2. 找出中位数得分——这大致就是 SQL 阈值
  3. 将 MQL 阈值设为 SQL 阈值的 60-70%
  4. 在获得 30 天的实时数据后进行调整
评分衰减规则

行为信号会随着时间推移而失去参考价值。实施衰减机制，防止分数虚高：

  • 快速衰减（7-14 天）：意向数据、定价页面访问、对比选购
  • 中速衰减（30 天）：内容下载、邮件互动、网络研讨会出席
  • 缓慢衰减（90 天）：职位变动、融资事件、招聘信号
  • 不衰减：演示请求、试用注册、企业特征/人口统计匹配度
负向评分

对不符合条件的信号扣分：

信号分数
取消订阅邮件-20 分
竞争对手员工-50 分（或自动取消资格）
学生/教育邮箱（.edu）-30 分
面向 B2B 产品的个人邮箱（gmail、yahoo）-10 分
职位名称包含 "intern" 或 "student"-20 分
公司规模远低于最低要求-15 分
邮件退回-10 分
标记为 "do not contact"自动取消资格

第 4 步 — 实施指南

HubSpot
  1. 属性 > 创建自定义的“Lead Score”数值属性
  2. 工作流 > 创建评分工作流，根据触发条件加分/扣分
  3. 对于行为评分，使用“Contact activity”触发条件（页面浏览、表单填写、邮件点击）
  4. 对于衰减，创建基于时间的工作流，在 X 天后降低分数
  5. 当分数超过阈值时，将生命周期阶段更改为 MQL
Salesforce
  1. 设置 > Lead Scoring（如果使用 Einstein Lead Scoring），或使用自定义字段 + Process Builder/Flow
  2. 在 Lead 和 Contact 对象上创建“Lead Score”数值字段
  3. 使用 Flow Builder，根据字段变更和活动增加/减少分数
  4. 对于行为评分，与跟踪互动情况的 MAP（Marketo、Pardot）集成
  5. 创建分配规则，将 SQL 分配给合适的销售代表
Marketo
  1. 管理员 > 评分 > 新建评分模型
  2. 分别定义人口统计评分（个人属性）和行为评分（活动）
  3. 设置智能营销活动，为每个触发条件加分/扣分
  4. 使用计划批量营销活动配置评分衰减
  5. 将分数同步到 Salesforce，以便进行分配和查看
Apollo
  1. 使用 Apollo 内置的潜在客户评分（设置 > 评分）进行基础 ICP 匹配度评分
  2. 对于行为评分，使用 MAP 补充——Apollo 的原生评分主要依据人口统计/企业特征
  3. 将 Apollo 的意向数据作为 MAP 中行为评分的输入
  4. 将评分后的潜在客户导出到 CRM，以便进行分配

如需了解特定平台的评分设置（GetResponse、Kit、Clearbit、Clay、RB2B、6sense、ActiveCampaign、Swan、SweepLift），请参阅 references/platforms.md。

测试模型

上线前：

  1. 回测：对过去 6 个月的潜在客户追溯评分。检查：成交客户的分数是否高于未成交客户？
  2. 阈值检查：在拟定的 MQL 阈值下，有多少比例的潜在客户符合条件？（目标：15-25%）
  3. 误报检查：抽查 20 个高于 MQL 阈值的潜在客户——销售代表真的会想联系他们吗？
  4. 漏报检查：抽查 20 个已成交客户——他们在成交前的分数是否高于 MQL 阈值？

第 5 步 — 调整与维护

月度审核频率

每月审核：

  1. 各分数区间的转化率：高分潜在客户的实际转化率是否更高？
  2. MQL → SQL 转化率：如果低于 30%，说明 MQL 阈值过低（不合格的 MQL 太多）
  3. SQL → 商机转化率：如果低于 50%，说明 SQL 阈值过低
  4. 分数分布：分布是否合理，还是大多数潜在客户的分数都集中在同一区间？
  5. 销售反馈：销售代表是否忽略 MQL？如果是，说明模型未能筛选出优质潜在客户。
权重调整方法
  1. 导出过去 90 天内所有潜在客户及其分数和结果（已转化或未转化）
  2. 针对每个评分维度，按分数区间计算转化率
  3. 如果某个维度与转化率无关 → 降低其权重
  4. 如果某个维度与转化率高度相关 → 提高其权重
  5. 重新归一化，使权重总和 = 100%
常见失败模式
症状原因修复方法
MQL 过多，销售团队忽略它们MQL 门槛过低提高门槛，增加行为维度的权重
MQL 过少，销售管道缺乏线索门槛过高或评分限制过严降低门槛，检查企业特征筛选条件是否过窄
高分线索无法转化人口统计匹配度权重过高，行为维度权重过低提高行为维度的权重，为过时信号添加衰减机制
分数随时间虚高没有衰减规则，分数只增不减为所有行为信号实施衰减机制
模型适用于入站线索，但不适用于出站线索模型只有行为信号添加企业特征和时机维度
销售和市场团队对 MQL 定义意见不一建模时没有征求销售团队意见与销售领导层共同制定门槛，每月审查
季度重新校准

每季度：

  1. 使用最新数据重新运行回测
  2. 检查 ICP 是否发生变化（新的垂直行业、新的用户角色）
  3. 根据转化数据审查并更新分值
  4. 根据新的数据源添加或移除评分信号
  5. 验证门槛是否仍与漏斗容量相符

注意事项

  • 不要过度提高人口统计信息的权重。 Claude 默认会给职位名称／资历 50% 以上的权重，因为这些信息很容易匹配。但行为信号（他们在做什么）比人口统计信息（他们是谁）更能预测转化。起步时，行为维度的权重至少应为 30%。

  • 不要跳过负向评分。 线索可能有完美的职位名称，也就职于完美的公司，但实际上是学生、竞争对手，或已经退订。负分可以避免误报，减少销售团队的时间浪费，并维护你在销售团队中的信誉。

  • 不要设置静态门槛后就置之不理。 评分模型会随着 ICP 的变化和市场状况的改变而偏移。6 个月前校准的模型，如今可能会筛选出错误的线索。应使用实际转化数据，每季度审查并重新校准。

  • 不要闭门造车。 销售和市场团队必须就 MQL／SQL 定义达成一致。市场团队在没有征求销售团队意见的情况下构建评分模型，会引发“ MQL 质量差”的抱怨，并损害双方信任。应与销售领导层共同制定模型，并每月一起审查。

  • 持续改进：如果你发现了此处未涵盖的内容，请将其附加到 references/learnings.md，并注明今天的日期。

推荐特定平台技能之前

此技能涵盖跨多个平台的策略领域。在向用户推荐任何特定平台技能之前（即 ## Related skills 中列出的任何 /sales-{platform}，例如 /sales-mailshake、/sales-klaviyo、/sales-apollo），请先阅读该平台技能的实际 SKILL.md。## Related skills 中的一行描述足以识别候选项，但不足以据此确定推荐，也不足以编写能有效调用该技能的提示词。

阅读方法：

  • 如果本地存在 ~/.claude/skills/{skill-name}/SKILL.md，请使用 Read 阅读。
  • 对于 sales-* 技能，请通过 WebFetch 直接从此仓库获取：https://raw.githubusercontent.com/sales-skills/sales/main/skills/{skill-name}/SKILL.md——例如，sales-mailshake 对应的地址是：https://raw.githubusercontent.com/sales-skills/sales/main/skills/sales-mailshake/SKILL.md。
  • 对于非 sales-* 技能（第三方技能），如果已安装，请在 ~/.claude/skills/sales-do/references/skill-sources.md 中查找 {org}/{repo}，然后从该仓库下的相同 skills/{skill-name}/SKILL.md 路径获取文件。

**阅读之后，**请根据 SKILL.md 中的具体内容（其范围、子流程、argument-hint 格式，或“Do NOT use for...”负面触发条件）来制定推荐。生成的调用方式应符合平台技能的 argument-hint。如果平台技能并不适合用户的情况，请改用其他技能，或直接在此处处理问题，而不是推荐不合适的技能。

相关技能

  • /sales-intent — 识别购买信号，为评分模型提供依据
  • /sales-prospect-list — 构建待评分的潜在客户名单
  • /sales-enrich — 使用评分所需的人口统计和公司背景数据丰富潜在客户信息
  • /revops — 围绕评分模型设计更全面的营销到销售交接流程
  • /sales-apollo — 设置 Apollo 的原生评分功能
  • /sales-activecampaign — ActiveCampaign 平台帮助（联系人评分、交易评分、基于自动化的评分与阈值触发器）
  • /sales-clearbit — Clearbit 平台帮助（用于评分的数据丰富、用于行为信号的 Reveal、HubSpot 中的 Breeze Intelligence）
  • /sales-rb2b — RB2B 平台帮助（用于评分触发器的个人级访客识别、热门页面、实时 CRM 集成）
  • /sales-6sense — 6sense 平台帮助（AI 驱动的预测评分、6QA 资格认定、用于行为评分的 Signalverse 意向信号）
  • /sales-getresponse — GetResponse 平台帮助（联系人评分、自动化触发评分、基于互动度的评分）
  • /sales-clay — Clay 平台帮助（用于评分的数据丰富瀑布流、用于自定义信号的 Claygent、用于评分逻辑的 Sculptor）
  • /sales-sweeplift — SweepLift 平台帮助（通过原生 0–10 分为激励式活动带来的潜在客户评分，并将自我报告的资格调查答案作为评分输入）
  • /sales-do — 不确定该使用哪个技能？路由器会根据任何销售目标匹配合适的技能。安装：npx skills add sales-skills/sales --skill sales-do

示例

示例 1：入站型 B2B SaaS 评分模型

用户说：“帮我为 B2B SaaS 产品构建一个潜在客户评分模型。我们的业务主要依靠入站渠道，ACV 为 50,000 美元。” 技能执行：

  1. 设计适合入站业务的 4 维模型（行为占 40%、人口统计占 20%、公司背景占 20%、时机占 20%）
  2. 为每项属性设定分值和具体阈值
  3. 将 MQL 阈值设为约 60 分，SQL 阈值设为约 85 分
  4. 提供 HubSpot/Salesforce 实施步骤
  5. 制定测试和调优计划 结果：完整的评分模型，包括校准后的阈值、实施指南和每月复核安排
示例 2：修复失效的评分模型

用户说：“我们的 MQL 到 SQL 转化率只有 8%。评分模型不起作用。” 技能执行：

  1. 诊断可能的原因（阈值过低、人口统计维度权重过高、没有衰减机制）
  2. 建议开展评分审计，根据近期潜在客户的结果进行回测
  3. 提出权重调整建议（提高行为维度权重，降低人口统计维度权重）
  4. 根据转化数据建议重新校准阈值
  5. 制定为期 30 天的改进计划，并明确要跟踪的指标 结果：诊断评分模型问题，提供具体修复措施和重新校准计划
示例 3：PLG 产品使用情况评分

用户说：“我们是一家 PLG 公司。产品使用情况信号应如何纳入潜在客户评分？” 技能执行：

  1. 设计以行为维度为主的模型（行为维度占 50%，包含产品使用信号）
  2. 根据使用阈值定义 PQL 标准（API 调用次数、团队成员数量、功能采用情况）
  3. 将产品分析事件整合为评分信号
  4. 将 PQL 阈值与 MQL/SQL 阈值分开设定
  5. 设计从产品使用情况到销售跟进的交接触发条件 结果：适配 PLG 的评分模型，包括产品事件评分、PQL 定义和销售交接触发条件

故障排除

销售团队说“这些 MQL 都是垃圾”

原因：MQL 阈值过低，或模型过度看重人口统计匹配度，却没有通过行为信号验证 解决方案：检查销售团队拒绝的最近 50 个 MQL。找出其中的模式——他们的客户画像是否不对？画像正确但互动不足？调整导致误报的维度。通常的解决方法是在总分阈值之外，再增加最低行为分要求。

评分虚高——所有人都是 MQL

原因：没有衰减规则，分数只会累积，从不降低 解决方案：为所有行为信号设置衰减规则（意向信号为 14 天，内容信号为 30 天，时效信号为 90 天）。实施衰减规则后，一次性重新计算评分。

模型对不同细分群体的表现不同

原因：一刀切的模型没有考虑各细分群体特有的购买模式 解决方案：考虑为不同细分群体（企业与 SMB、入站与出站）分别建立评分模型。至少要调整公司属性匹配度评分，避免因互动模式不同而降低企业线索的评分（他们访问的页面较少，但交易金额更高）。

评论

支持 Markdown