线索评分是什么
线索评分（lead scoring）是给每一条线索打一个分数，用这个分数决定销售该先跟进谁、以及自动化系统该把谁分配给谁。
没有评分时，销售通常按「谁先提交表单」跟进，这等于随机——因为提交顺序和成交概率几乎无关。评分的价值是把销售的有限时间，优先投给成交概率最高的那批人。
两种打分逻辑
基于行为（行为评分）
看这个人已经做了什么：访问了多少次官网、看了价格页没有、下载过白皮书没有、打开过几次邮件、点了邮件里的哪个链接。
典型权重梯度：
- 访问定价页 +40，打开产品文档 +25，观看产品视频 +30
- 下载白皮书 +15，订阅邮件 +10，参加线上活动 +20
- 公司邮箱 +10，个人邮箱 −15（个人邮箱在 ToB 场景里是明显的高价值线索）
- 行业不匹配 −30，公司规模不达标 −25
行为评分的核心假设是：意向高的行为是可观测的。这个假设在 ToB 成立，在长决策链路的 ToC 和强关系型销售里不成立。
基于属性（属性评分）
看这个人是谁，而不是做了什么：公司规模、行业、职位、地区、融资阶段、使用的技术栈。
属性评分不需要行为数据，所以适合新线索刚进来、还没有任何互动记录时使用。两个分数通常相加得到总分。
关键：负向事件比正向事件更有区分度
实践中一个反直觉但可靠的规律是：标记「明确不匹配」比标记「高度匹配」更能拉开成交率。
原因在于大多数线索的分数会挤在中段。所有人都打开过 2 次邮件，行为分的区分度很低；但如果能把「个人邮箱 + 规模不达标 + 行业无关」这批人直接压到负分，剩下的高分线索的成交率会明显上升。
所以调优评分模型的正确顺序是：先优化减分项，再优化加分项。
实际怎么用：四步
第一步：先定分数怎么用
分数必须绑定具体动作，否则就是一张好看的报表。先想清楚：
- 多少分以上自动进入销售分配队列？
- 多少分以下自动进入长周期培育，不再占用人力？
- 中间分数段的销售跟进 SLA 是多久？
第二步：从历史数据倒推初始权重
拉出过去 12 个月已成交和已明确流失的线索，看他们在每个行为上的差异。例如成交线索中 70% 看过定价页，流失线索中只有 12% 看过——那么「看定价页」就是一个高区分度事件，可以给高权重。
第三步：用回测验证，不要凭感觉
把模型套在历史数据上，看分数最高的那 20% 线索，实际成交率是不是显著高于大盘。如果区分度不够，说明权重没调好，回到第二步。
第四步：每季度复盘一次
线索构成会变，权重会失效。特别是当产品定价、目标客户画像或主渠道发生变化时，历史权重不再适用。
适用边界
- 评分不预测「谁会买」，只排序「谁更可能买」。 用来做资源分配，不要用来做「低于 X 分就自动放弃」这种硬门槛，销售漏斗里的意外成交往往来自低分线索
- 行为数据不足时准确率很低。 客户只来过网站一次时，他的分数基本是噪声，此时应该以属性分为主
- ToB 长决策链路要按角色分别建模。 使用者、决策者、付款人行为完全不同，用一套权重覆盖三种角色必然失真
- 分数不可跨渠道直接比较。 展会名单的 60 分和官网表单的 60 分含金量不同，需要按来源做归一化
与相邻概念的区别
| 概念 | 作用对象 | 与线索评分的区别 |
|---|---|---|
| 线索评分 | 售前线索 | — |
| 客户分群 | 已成单客户 | 面向留存，不面向转化 |
| propensity（购买倾向） | 通用 | 常是机器学习模型，线索评分多为规则 |
| CRM 阶段 | 销售流程位置 | 阶段是人工维护的状态，评分是自动计算的值 |
| 表单评分（Form scoring） | 单条提交 | 只看提交这一瞬间，线索评分看累计行为 |
参考来源
线索评分与评分模型的商业化应用，可参考 Chris Baggott 关于营销自动化的专著《SMTP—The Simpler, the Better》（中文版常译作《营销自动化精要》）；基于行为与属性双轨打分的方法在 Pardot / Marketo 一类的营销自动化产品文档中长期作为标准实践；回测与模型区分度（AUC、lift）的概念来自《数据挖掘：概念与技术》与统计学习领域的通用方法。
