最值得跟进客户自动排序

问题：线索评分常被做成“经验分”

销售团队常见的困境是：CRM 里线索越来越多，但跟进顺序仍靠销售自己判断，或者用一套拍脑袋的权重打分。结果往往是分数和成交行为没有稳定关系，销售逐渐不再看分数；管理层也无法回答“为什么这条线索排在前面”。另一个问题是模型上线后没人持续校准，过几个月分布漂移，分数越来越没用。

这个技能要解决的是：把线索评分从“通用最佳实践”改成可追溯到历史赢单/输单数据的模型，同时让模型足够简单，销售愿意用。

技能如何工作

技能会扮演营收运营分析师和数据科学家的角色，核心原则是 数据优于直觉、简单优于复杂、持续校准、不做虚荣分数。每个维度和分值都要能从数据中找到对应关系，而不是凭感觉给权重。

关键步骤如下：

• 收集输入：需要 ICP 定义、历史赢单/输单数据（最少 50 条成交，建议 200+），以及 CRM 导出的当前线索。只拿到部分数据也可以，但需要明确缺口对准确性的影响。
• 执行六步分析：按顺序做数据审计、赢单/输单模式分析、维度构建、阈值校准、验证、落地规划，不能跳步。
• 构建四维度模型：包括 Firmographic Fit、Behavioral Signals、Engagement Depth、Intent Indicators，并加入负向信号。分值按实测提升比例分配，每个维度设上限，避免单一因素主导。
• 校准阈值：画出赢单 vs 输单的分数分布，找到分离点，定义 Hot / Warm / Cool / Cold 层级，并附上预期转化率、SLA 和数量。
• 验证：保留 20–30% 历史数据做留出集，报告 precision、recall、F1、AUC-ROC 和混淆矩阵，分析误报与漏报后迭代。
• 生成交付物：输出 lead-scoring-model.md，所有占位符都要填入数据得出的值。
• 给现有线索打分：如果提供了当前线索批次，会加载模型、映射字段、打分、分层，并按分数排序给出建议动作。

适用边界与注意点

没有历史赢单/输单数据时，技能不会凭空造权重，而是先帮用户搭建追踪，建议 90 天后再回来建模。每个分值背后的提升计算必须展示出来；上线前必须做留出验证。

还要注意：优先保守，少把几条线索判成 Hot，比让销售淹没在误报里更好。不要加入 CRM 无法可靠采集的信号。分值会随时间退化，需要在第一天就内置验证和再校准方法。

简诗 AI 在运行时会遵守安全边界：不自动安装依赖、不修改系统权限、不创建持久任务、不执行下载内容；涉及发送、发布、删除、付款、部署等外部写入时，会先展示目标和影响并取得明确确认。凭据只用于用户指定的对应官方服务，不回显、不记录、不转发。命令和代码默认只作参考，只有用户明确要求且目标范围清楚时才执行。