一場活動帶來二百個聯絡人，銷售團隊卻只有時間深入跟進其中一部分。應先聯絡看過最多文章的人，還是直接提出實施問題的人？
潛客評分的用途，是協助安排跟進優次。當企業導入 AI，最重要的仍然是清楚定義「值得跟進」代表甚麼，以及讓銷售知道每個建議的原因。
把企業適配度與購買意向分開看
企業適配度關乎對方的需要是否符合您的服務，例如使用場景、服務地區、整合要求及項目規模。購買意向則關乎對方正在做甚麼，例如主動要求示範、提供實施時間，或詢問採購文件。
兩者不應混成一個無法解釋的數字。一間很適合的公司可能仍在初步研究；一位頻繁下載資料的人，也可能只是做市場調查。建議保留兩個維度，以及導致評估結果的具體資訊。
企業規模與職銜可以是背景資料，但不能單靠它們判斷機會。小型公司可能已有明確預算，大型公司的聯絡人則未必正在採購。
資料未成熟時，先用可解釋的規則
可以先建立簡單的分級：主動要求討論項目的個案優先檢視；有明確需求但未有時間表的個案持續培育；資料不完整的個案先補充資訊。
這個做法不一定需要機器學習。AI 可以協助閱讀查詢文字、找出客戶明確提及的需求，再交由既定規則與同事判斷。
例如「我們希望三個月內推出新市場網站」是已表達的時間線；「對方大概有充足預算」則是推測。系統應讓兩者清楚分開，不能因句子寫得流暢便當成已知事實。
甚麼時候才值得使用預測模型？
當企業有足夠、可用且有一致結果標記的歷史資料，才比較適合評估預測模型。Microsoft 的 Dynamics 365 文件說明，其預測潛客評分利用模型及相關訊號協助排列機會，並提供影響分數的原因。不同產品的資料門檻與設定需另行核對。參考：Microsoft 預測潛客評分
即使畫面顯示 80 分，也不應自行解讀為「有 80% 機會成交」。只有模型明確提供經適當校準的機率，才可以作相應解釋；一般分數更適合作相對優次參考。
還要先決定預測的目標，是成為合資格商機、完成首次會議，還是最終成交。這些結果不能混用。
歷史資料可能複製過去的跟進偏好
假如銷售過去只積極跟進大公司，資料便可能顯示大公司更容易成為商機，但其中一部分差異來自投入的跟進資源。模型未必能自行分辨。
另外，訓練資料只能使用評分當時已知的資訊。若把成交後才填寫的合約欄位加入模型，離線結果可能看起來很好，實際預測卻無法使用。
較穩妥的測試方法，是用較早期資料建立模型，再以之後一段時間的個案驗證，並檢查不同來源、地區與企業類型的結果。保留一部分低分個案進行人工抽查，也有助發現被忽略的機會。
評分之後，必須接上銷售工作
再好的分數，如果沒有負責人與處理時限，也不會改善跟進。每個高優先個案至少要有原因摘要、原始資料連結、負責人，以及建議下一步。
讓銷售能回報「資料不準確」「需求不符」「時間未到」等原因，比只有一個接受或拒絕按鈕更有用。這些回饋可以改善流程，也能指出哪些分數不值得信任。
量度時，同時看優先名單中的合資格商機比例，以及整體合資格商機有多少被漏掉。只追求名單命中率，可能令系統愈來愈保守，把值得探索的機會都排除。
想把 CRM 查詢變成更清楚的銷售優次？ 與 Martech HK 討論潛客分類與跟進流程，先定義商機，再決定是否需要 AI 評分。