私域线索评分模型：从规则到轻量 ML 的演进路径
线索评分的核心不是"跑 AI 模型"，而是把有限的销售精力对准高意向线索。本文从规则评分起步，逐步过渡到统计模型和轻量分类模型，给出冷启动到成熟期的完整演进路径，以及每个阶段的评估指标和常见陷阱。
先说结论：线索评分的作用不是”找最可能买的”，而是”让销售不浪费精力在不会买的”
“AI 引流” 拆解那篇（AI 引流系统拆解）讲了四模块的完整管道：内容引擎 → 私域承接 → 线索评分 → 商机转派。本文深挖第三个模块——线索评分模型。
很多团队一上来就想上 “AI 模型”，结果要么数据不够模型跑不动，要么模型跑出来了但销售不信。正确的做法是从规则开始，一步一步升级。
1. 冷启动阶段：规则评分
没有历史数据时，规则评分是最务实的选择。它的核心是定义一套可解释、可调整的加权公式。
评分维度与权重
总分 = 来源权重 × 0.2 + 行为分 × 0.35 + 留资分 × 0.3 + 时效分 × 0.15来源权重：不同渠道的线索质量天然不同——转介绍最高（10/10），自然搜索（7/10），社交媒体（5/10），泛投广告（3/10）。这个权重靠行业经验设定，后续用实际转化数据校正。
行为分：单一浏览 = 2 分，阅读超过 3 分钟 = 5 分，下载资料 = 8 分，留资 = 10 分。行为深度比行为次数重要——一个人把一篇文章读完了，比点了 10 个页面但每页只看了 5 秒的人有价值得多。
留资分：仅邮箱 = 3 分，加手机号 = 6 分，加公司名 = 8 分，加职位 = 10 分。留资越完整，说明意向越强，也说明跟进时的信息越充分。
时效分：24 小时内留资 = 10 分，1 周内 = 7 分，1 月内 = 4 分，更久 = 1 分。热度随时间衰减，过了黄金窗口期的线索需要重新激活。
冷启动的陷阱
- 不要追求完美权重。规则评分的价值在于”跑起来”，不在于”准”。跑起来之后才有数据去验证和调整。
- 不要在一开始就设太多维度。3-5 个维度足够，超过 7 个就开始难以解释和维护。
- 不要直接把结果给销售。规则评分加上”高/中/低”三段标签，而不是赤裸裸的分数——销售需要的是行动指引，不是数据。
2. 成长阶段：统计模型 + 规则混合
当线索库积累到 500+ 条带转化结果的记录时，可以引入统计模型来校准规则权重。
逻辑回归校准
用历史数据训练一个轻量逻辑回归模型，输入还是规则评分那几维特征，输出是”成交概率”。然后把规则评分和模型预测概率加权融合：
最终分 = 规则分 × 0.7 + 模型预测概率 × 0.3这个阶段模型的作用不是替代规则，而是给规则提供数据支持的校准。如果模型发现”来源渠道”的权重应该调高、“行为深度”的权重应该调低，说明规则设定偏离了真实数据。
特征工程入门
除了规则阶段已有的 4 个特征，可以开始加入：
- 内容偏好：用户访问的博客类别（GEO / 架构 / 选型 / 工程），反映关注方向
- 访问时段：工作时间 vs 非工作时间访问（非工作时间访问的线索转化率通常更高，说明是在主动研究）
- 设备信息：移动端 vs 桌面端（桌面端用户更可能是决策者）
这个阶段的陷阱
- 过早优化：500 条数据训练的逻辑回归，和 5000 条数据训练的 XGBoost，效果可能差不了多少。样本量不够时，复杂模型不仅没有优势，还可能过拟合。
- 数据泄露：特征里包含了”未来信息”（比如用成交后的行为预测成交），这是最常见的 ML 错误。防止方法是严格按时间线切分训练集和测试集。
3. 成熟阶段：轻量分类模型
当线索量达到 5000+ 条时，逻辑回归的线性边界可能不够用了。这时候可以引入树模型。
XGBoost / LightGBM
树模型的核心优势是能自动捕捉特征之间的交互关系——比如”来源是转介绍 + 留资完整 + 工作时间访问”这个组合的转化率异常高，规则评分和逻辑回归都很难表达这种非线性组合。
模型可解释性
B2B 场景下，销售团队不会盲目相信一个黑盒评分。XGBoost 的 feature_importance 和 SHAP 值可以解释”为什么这个线索得了 85 分”——具体到每个特征贡献了多少分。
建议输出格式：
线索评分：85/100（高意向）
主要加分项：来源转介绍（+30）、下载白皮书（+20）、完整留资（+15）
主要减分项：3 天未活跃（-5）销售看到这个，不是看到一个神秘数字，而是看到了一条可以行动的线索画像。
这个阶段的陷阱
- 模型退化：市场和产品会变，去年的模型可能不再适用。建议每季度重新训练一次，并监控评分分布是否漂移。
- 过度自动化：评分模型再准，也需要销售确认。评分是建议，不是指令。保留销售手动调整线索优先级的能力。
4. 评估指标：三个核心数字
不管在哪个阶段，每天看这三个指标就够了：
| 指标 | 计算方法 | 目标 |
|---|---|---|
| 前 20% 线索转化率 | 评分最高的 20% 线索中成交的比例 | 全体均值的 2 倍以上 |
| 评分分布稳定性 | 每日评分均值的 7 日标准差 | 每周波动 < 10% |
| 销售跟进率 | 销售实际跟进的高分线索比例 | > 90% |
第三个指标可能是最容易被忽视的——模型再准，销售不跟进就没用。如果跟进率低，问题往往不在模型，而在分配流程或销售激励机制。
总结
| 阶段 | 方法 | 数据门槛 | 产出的核心价值 |
|---|---|---|---|
| 冷启动 | 规则评分 | 0 条 | 让评分跑起来 |
| 成长 | 逻辑回归 + 规则混合 | 500+ 条 | 用数据校正规则 |
| 成熟 | XGBoost / LightGBM | 5000+ 条 | 非线性组合自动发现 |
引流的终局不是流量够大，而是销售花的每一分钟都在对的线索上。 评分模型是实现这个目标的工具，不是目的本身。
相关阅读
- AI 引流系统拆解：内容引擎、线索评分与商机转派 —— 评分模型在引流系统中的上下游位置
- AI 应用的可观测性设计：LLM 调用的监控、追踪与调试方法 —— 评分模型中的 LLM 调用质量监控
需要搭建私域线索评分系统？联系我们，说清你的线索量与行业，24 小时内回可行性。
常见问题
线索评分和销售分配是什么关系？
评分是输入，分配是决策。评分模型输出一个分值（0-100），销售分配策略根据分值决定：多少分以上直接转商机跟进、多少分进入培育序列、多少分暂不联系。两者解耦才能各自迭代——评分模型换算法不影响分配逻辑，分配策略调阈值不影响评分算法。
冷启动期间没有历史数据，规则评分需要哪些字段？
四类基础字段就够了：来源渠道（自然搜索 vs 社交媒体 vs 广告 vs 转介绍，各给不同权重）、行为深度（仅浏览 → 阅读超过 3 分钟 → 下载资料 → 留资，递进加分）、留资完整度（仅邮箱 → 加手机号 → 加公司名 → 加职位，越完整越高）、时效性（24 小时内留资加权加分）。这些字段不需要历史数据，定义好规则就能上线跑。
什么时候该从规则升级到 ML 模型？
一个简单的判断标准：当累积的线索中带有转化结果（成交/未成交）的记录超过 500 条，且规则评分的前 20% 线索转化率与后 20% 差异不显著（<15% 差距）时，说明规则已经用尽了分类能力，该引入模型了。不需要一上来就上深度学习，逻辑回归或 XGBoost 在这个阶段效果最好、可解释性也够。
评分模型上线后怎么评估效果？
三个核心指标：① 前 20% 线索的转化率是否显著高于全体均值（目标：2 倍以上）；② 每日评分分布是否稳定（突然偏向高分说明特征漂移或数据源异常）；③ 销售跟进频率与评分排序是否正相关（如果销售总是在追低分线索，要么评分不准，要么分配策略没执行）。