为什么写这篇：和客户聊线索管理，十家有八家都建过"线索评分"，但真正跑起来的不到两家。剩下的要么是表里躺着一列永远没人看的分数，要么是销售嫌分数不准、自己另搞一套。问题通常不在"评分"这个动作本身，而在建模时拍脑袋、落地时没动作、跑偏后没校准。这篇把这三段都拆开讲：维度怎么选、分值怎么定、分数出来之后接什么动作，以及 AI 在里面真正能帮上忙的位置。
一、先分清：线索评分不是线索分配，也不是线索培育
很多团队把这三件事混在一起谈，结果哪个都做不透。它们的分工其实很清楚：
| 环节 | 回答的问题 | 输出物 |
|---|---|---|
| 线索评分 | 这条线索值不值得马上跟进 | 一个分数 + 优先级 |
| 线索分配 | 这条线索该给谁跟 | 负责人 + 时限 |
| 线索培育 | 还没准备好买的线索怎么养 | 触达序列 + 转化率 |
评分是三件事的起点：分数定不准，分配就会把好线索塞给空闲的人而不是合适的人，培育池里也会混进本该当天就打电话的热线索。反过来说，如果你的团队还在纠结"先做分配规则还是先做培育 SOP"，可以先用最粗的评分（比如只按是否留了手机号分两档）把三者的接口打通，再逐步细化——先跑通，再调准。
二、评分维度：行为分和属性分要拆开算
一个能用的评分模型，维度基本都落在这两类里：
| 维度类型 | 典型信号 | 说明 |
|---|---|---|
| 属性分（它是谁） | 行业、公司规模、职位、地区、来源渠道 | 一次采集，中长期不变，决定"值不值得跟" |
| 行为分（它做了什么） | 打开资料、看完案例、反复问价格、参加直播 | 持续累积，短期变化，决定"什么时候跟" |
两类分数必须分开记录、分开看，因为它们的用法完全不同：属性分高但行为分低的线索，是培育序列的典型对象；行为分突然飙升的线索，不管属性分高低都应该当天响应。混在一个总分里算，这两种信号会互相淹没。
选维度时有一个实用原则：每个维度都要能对应一个跟进动作。如果某个维度的分数变化不会让任何人做任何不同的事，就先删掉它——维度越多模型越"准"是错觉，只会让销售更看不懂。
三、分值怎么定：从拍脑袋到有依据
初版模型的分值可以人工定，但要有依据地定，而不是直接写 10 分 20 分。一个可操作的做法：
- 先拉历史成交数据：把过去半年到一年的成交客户找出来，回看他们在成交前普遍做过什么。
- 按信号强度倒推分值：成交前 90% 的客户都做过的事（比如下载过报价单）给高分；只有 30% 客户做过的事给低分。
- 让负分也存在：只看正向信号会高估一批线索。学生邮箱注册、竞品邮箱、连续三个月零互动，都该扣分。
人工定的初版跑一两个月后，就该让 AI 接手校准了。这不是赶时髦，而是人肉规则有三个天然的坎：
| 人肉规则的坎 | AI 能做什么 |
|---|---|
| 维度一多，销售负责人调不动权重 | 从历史成交/流失数据里学权重，人只做审核 |
| 信号组合效应看不出来（"看过案例 + 问过价格"远比单项叠加值钱） | 识别交叉信号，给组合行为加权 |
| 线索量大后人工标注跟不上 | 对未标注线索批量打分，人只复核边界样本 |
这一步正是数字员工在销售场景里最典型的落点之一：评分、打标签、写跟进建议都是"高频 + 有历史数据可学 + 结果可复核"的工作，交给 AI 的性价比很高。当然，上模型之前先算一笔账——线索量每月不到一百条的团队，人工初版模型可能就够了，别为了自动化而自动化，AI 数字化员工的 ROI 值得先算清楚。
四、分数出来之后：没有动作映射的评分等于没做
这是被跳过最多的一步，也是"评分变摆设"的直接原因。分数必须映射到明确的动作和时限：
| 分数区间 | 动作 | 时限 | 责任人 |
|---|---|---|---|
| 高分（如 ≥80） | 直接电话跟进，走跟进 SOP | 当天 | 销售 |
| 中分（50–79） | 进入培育序列，按内容节奏触达 | 48 小时内首次触达 | 运营 |
| 低分（<50） | 沉淀进客户分层体系，低频触达 | 每月批量处理 | 运营 |
| 负分/明显不符 | 归档，不占用任何人力 | — | — |
两个落地细节比阈值本身更重要：
- 分数变化要触发提醒，而不是等人来看。 一条中分线索突然下载了报价单，行为分跳档的那一刻就应该推给销售，而不是等销售下次登录系统翻列表。
- 高分线索要有 SLA。 没有时限约束的高分线索，经常在销售的工作清单里排到三天之后——而线索热度是有半衰期的，这个规律和销售跟进节奏里讲过的一样：同样一条线索，2 小时内跟进和 2 天后跟进，接通后的意向完全不是一个量级。
五、五步落地路径（可直接照抄）
- 第一步：拉历史数据，圈出"好线索"的定义。 用成交客户反推，不要凭感觉列维度。
- 第二步：建初版模型。 属性分 + 行为分拆开，维度不超过 10 个，每个维度对应一个动作。
- 第三步：灰度跑一个月。 只给 1–2 个销售组用，分数和动作映射同时上线，人工记录"分数说该跟进但没成交"和"分数说低优但成交了"的样本。
- 第四步：用 AI 校准权重。 拿灰度期的偏差样本回灌模型，调整维度权重和阈值，这一步之后模型才算"学过"。
- 第五步：接入日常工作流。 评分结果进 CRM 的线索列表排序、进企微的客户标签同步、进每双周的数据复盘会。评分模型不在日常工作流里露面，两周后就会被遗忘。
如果你在评估用什么系统承载评分，可以参考我们对 CRM 与 SCRM 的选型对比：评分需要的行为数据大多产生在微信生态里，只有 CRM 而没有 SCRM 行为采集的团队，行为分基本建不起来。
六、四个高频坑
坑一：一上来追求"精准"，模型复杂到没人懂。 维度 30 个、权重保留两位小数的模型，销售看不懂就不会信，不信就不用。宁可先上一个 6 个维度、销售能口述规则的粗模型，跑起来再进化。
坑二：分数只减不增。 行为分只加不减，会导致一条一年前很活跃、现在早已沉默的线索仍挂着高分。行为分要有衰减机制（比如每 30 天未互动衰减 10%），这也是流失预警信号的另一半用途。
坑三：销售不认账时直接回滚到人工。 销售说"这单我不看分数也拿下来了"，正确的反应不是废掉模型，而是把这单作为偏差样本回灌——模型的作用不是替代销售的判断，而是让团队里普通销售的判断水平向 TOP 销售看齐，这个逻辑和老客户转介绍的机制设计一样，靠的是系统而不是个人灵光。
坑四：把线索评分当成一次性项目。 市场渠道在变、客户行为在变，半年前的权重放到今天可能整体偏移。评分模型至少每季度要回看一次偏差率，这应该写进私域运营的例行机制里，而不是等项目发起人想起来再做。
写在最后：一张自查清单
上线或复盘评分体系时，拿这五个问题过一遍：
- 每个评分维度都能说出"分数变了谁会做什么"吗？
- 行为分和属性分是分开记录的吗？
- 高分线索有当天响应的 SLA 吗？
- 最近一个月有没有往模型里回灌偏差样本？
- 评分结果出现在销售的日常界面里，还是只存在于报表里？
五个问题里有三个答不上来，说明评分大概率在"摆设"状态——按本文第五节的五步重新走一遍灰度即可，不用推倒重来。评分这件事的本质，是让销售漏斗里最贵的资源（销售的注意力）花在最可能成交的线索上，方法可以迭代，这个目标不需要迭代。
本文由泓安智客云官方发布。如果你的团队正在搭建线索评分体系，欢迎在站内留言提问，我们会以官方身份逐一回复常见问题。