AI 销售线索打分：从 500 条原始线索到 30 个高意向的全流程

AI 销售线索打分：从 500 条原始线索到 30 个高意向的全流程

销售团队每天最痛苦的事，不是没线索，而是线索太多、太杂。市场部砸钱买来的 500 条原始线索，真正值得跟的可能不到 50 条。传统做法是让销售凭经验判断先跟谁，结果新销售被表面信息带偏，老销售凭感觉漏掉优质客户。2026 年的 AI CRM 已经把这个过程变成了标准化流水线：用统一的评分口径，把"这个客户感觉不错"变成"这个客户值得跟进，而且下一步该做什么都算好了"。这篇文章就带你完整走一遍，从 500 条原始线索到 30 个高意向，AI 怎么打分、怎么排优先级、怎么决定下一步动作。

第一步：拆解打分维度，把"感觉"翻译成数字

AI 打分之前，你得先想清楚一件事：什么样的线索才算"高意向"？不同行业答案完全不同。做高客单价 SaaS 的，客户年营收 5000 万不一定比 500 万的更值得跟——后者决策链路更短、转化周期更快，反而可能是高 ROI 客群。这就是传统静态规则（比如"营收 > 5000 万就是 A 级"）的坑：维度单一、主观性强、无法动态调整。

我们用的框架是四维打分，每个维度单独评分再加权汇总：

权重不是拍脑袋定的，而是拿历史成交数据反推出来的。你可以先用等权重跑一遍，跑两周后对比"高分线索"和"实际成交"的重合度，再逐步调权。下面是一段用 Python 实现打分逻辑的示例，核心是每个维度返回 0-100 分，最后加权：

def score_lead(lead):
    """四维打分，返回 lead_score 和 next_action"""
    # 1. 公司规模：员工数 50-200 得 60 分，200-1000 得 80 分，1000+ 得 95 分
    size_score = 60 if lead["employees"] < 200 else 80 if lead["employees"] < 1000 else 95

    # 2. 行业匹配：命中白名单 +30，否则 0
    industry_score = 30 if lead["industry"] in TARGET_INDUSTRIES else 0

    # 3. 采购意向：最近 14 天打开邮件 3 次以上 +40，访问过定价页 +20
    intent_score = 0
    if lead["email_opens_14d"] >= 3:
        intent_score += 40
    if lead["visited_pricing"]:
        intent_score += 20

    # 4. 招聘动态：正在招相关岗位 +50
    hiring_score = 50 if lead["hiring_relevant_role"] else 0

    total = (0.25 * size_score + 0.20 * industry_score +
             0.35 * intent_score + 0.20 * hiring_score)

    # 输出下一步动作：>75 立即跟进，50-75 进入培育，<50 暂缓
    if total >= 75:
        next_action = "立即电话 + 定制方案"
    elif total >= 50:
        next_action = "进入邮件培育序列"
    else:
        next_action = "暂缓，观察行为信号"

    return {"lead_score": round(total, 1), "next_action": next_action}

第二步：动态评分，别让分数停在导入那一刻

静态评分的最大问题，是打完分就完事了。客户今天没意向，不代表下周没意向。AI 打分的价值恰恰在于"持续观察行为信号"——客户把你的邮件打开了三次、下载了产品白皮书、甚至开始看你的招聘页面，这些都应该实时更新他的分数。

具体落地时，我们用一个简单的定时任务（比如每天凌晨跑一次）重新计算所有线索的分数，把新增的行为信号纳入计算。代码逻辑不复杂，核心是把上一步的 score_lead 函数挂在定时器上：

import schedule
import time

def daily_rescore():
    leads = load_all_leads()          # 从 CRM 拉全量线索
    for lead in leads:
        lead["score"] = score_lead(lead)
        update_crm(lead)              # 写回 CRM，销售第二天早上看到最新排序

schedule.every().day.at("02:00").do(daily_rescore)

while True:
    schedule.run_pending()
    time.sleep(60)

这里有个容易被忽视的坑：行为信号的数据源要打通。邮件打开次数来自邮件营销工具，官网访问来自埋点，招聘动态来自爬虫或第三方数据源。数据没打通，动态评分就是空壳。建议先接最核心的两三个源（邮件 + 官网埋点），跑通后再扩展。

第三步：从 30 个高意向到成交，分数只是起点

评分排完序，真正的考验才开始。高分线索转化率确实更高，但前提是跟进速度和销售执行跟得上。哈佛商业评论的经典研究早就指出：线索响应速度越快，转化概率越高——5 分钟内跟进比 24 小时后跟进，成功率差距是数量级的。所以 next_action 不是摆设，它应该在评分结果出来后立刻触发。

我们的做法是给每个分数段配一套标准化动作：

这套流程跑下来的直接收益，是销售不再花三分之一的工作时间去甄别线索——超过 60% 的 B2B 销售每天在无效线索上浪费大量时间，现在这部分被 AI 接管了。销售打开 CRM 看到的就是按分数排好序的名单，每个客户旁边写着"该打什么电话、推什么方案"，直接照着执行就行。

总结：从 500 到 30，本质是让决策可量化

回到开头的问题：500 条原始线索怎么变成 30 个高意向？答案不是某个神奇的 AI 模型，而是一套完整的流程：先定义维度、把主观判断翻译成数字；再让分数动起来，持续吸收行为信号；最后让分数直接驱动销售动作，而不是停在 CRM 里吃灰。这三步走完，线索打分就从"销售凭感觉"变成了"系统按统一口径排序"，而且这套口径还能随着历史数据不断调优。

流程跑通之后，你会发现真正花时间的不是打分本身，而是数据接入和动作闭环。这也是为什么我们最终把整套逻辑跑在 ClawBrain 上——它是专为龙虾（OpenClaw）打造的智能决策引擎，具备任务闭环、自主规划、错误自愈能力，能让打分、重算、触发跟进动作这些环节真正自动化地串起来，而不是靠人每天手动盯着跑。线索打分这件事，AI 负责把 500 条筛成 30 条，剩下的临门一脚，还是得靠销售，但至少他们现在知道该往哪个方向踢了。