当营销人员采用集客营销时，最关心的两点无非是——如何在渠道中获取足够的线索，以及如何高效的完成用户管理与转化。要实现这两点，就要从大量的销售线索中找到对你企业产品真正感兴趣的潜客，销售线索打分模型能在这一方面很好的助力营销者。
什么是销售线索打分？
所谓销售线索打分，就是企业根据不同属性或事件给销售线索打分的过程，属性可以是潜客提供给企业的信息，也可以是他们如何通过网站与你的企业品牌互动。根据这些分数，可以给销售线索进行一个优先级的排序，当销售线索的某一项分数达到特定值，就给予适当的响应，以此提升用户转化的速度。
图1：销售线索打分
不同企业所适用的销售线索打分模型也是不同的，最常见的就是通过过往潜客与已有客户的数据进行价值系统的创建。首先，根据过往已有客户的数据得出其共同属性。然后，再查看未成为客户的属性，将两者比对后，就能得出潜在客户对你企业的产品有兴趣的属性标签，以此来进行加权。
根据上述介绍，线索评分与管理似乎听起来很容易。但是如果根据你企业的业务模型以及数据库中的潜客规模，线索评分的细节操作就不仅仅是上面描述的那么简单了。为了让营销人员更快上手销售线索打分模型，我们在下面的内容中将逐步指导如何创建线索打分模型，包括了应该参考哪些数据、如何确定属性以及实际计算分数的过程。
销售线索打分模型
销售线索打分模型确保了你分配给潜客的分数确实反应了他们与产品的适配性。每个潜客的分数都是基于0-100的分数范围，但是你创建的打分模型都是围绕核心用户的特定属性。
根据企业通常都能获取的数据，这里有6类不同的销售线索打分模型：
基于人口统计信息
你的企业是否有特定的目标客户人群，比如年轻父母或CIO？那么你可以基于这类人口信息，通过网站表单来向潜客收集信息，通过这些信息来确定他们是否符合企业的理想用户画像。
根据这类信息，你可以将不符合你企业的目标客户的分数减去，打个比方，如果你的企业主要针对于一线城市的客户，那么你就可以给其他城市的潜客打负分，将他们从客户列表中去除。若你还能收集到其他的信息，还可以加入相应的加分项，给更加符合企业用户画像的潜客额外的分数，通过量化来确定销售线索的优先级。
公司信息
你的企业是属于B2B还是B2C呢？如果你是属于B2B企业，那你一定更希望能与具有一定规模、体系更加完善的公司合作，那么你就可以在网站表单上提出相关的问题，来收集公司信息。
线上行为
潜客与你企业的互动其实反映了他们对于你产品的兴趣。例如查看已有客户他们下载了哪些优惠？他们下载了多少报价？在成为客户之前，他们访问了多少网页以及哪些网页？
尤其是表单和网页的数量类型，你可以给访问过高价值网页（报价网页）或表单（演示请求）的销售线索给予较高的分数。
而随着时间的推移，其实潜客的线上行为是在变化的。你就需要时刻注意这些改变，比如潜客停止了访问网站，根据这些行为的改变及时的增减销售线索的分数，便于更加及时有效地进行销售线索管理。
电子邮件互动
根据电子邮件的打开率，可以确定某人是否对你的产品感兴趣，同时根据点击率和打开率，可以清楚的估计他们的兴趣程度。除此之外，你可以给打开高价值邮件的潜客更高的分数，例如演示、优惠。
社交媒体互动
潜客在社交网络上的互动次数，他们的活跃程度都可以成为销售线索打分模型的考虑属性。
垃圾邮件检测
对于潜客来说，他们可能以填写垃圾邮件的方式在填写你的表格。这就会导致他们的信息不完整，甚至存在错误。因此相对于客户群体的电子邮件，营销人员更多的需要考虑潜客的电子邮件种类。
如何筛选数据？
要筛选出可用的数据，我们建议可以将“从销售团队中了解、采访客户、以及分析报告”这三者结合，来汇总哪些属性的权重更高。
一个线索是否仅需要一个分数？
如果你的企业仅仅只有一个核心客户，那么单项分数就够了。但是随着客户数据库的扩大，就会出现新的区域和用户画像，因此你需要创建多个销售线索打分系统，从而可以灵活的限制不同的线索。
打个比方，你的销售团队想要同时评估潜客的适合度以及兴趣程度。而两者属性的优先级相差不多，那么就可以同时创建参与度分数和适合度分数，追加一个交叉分析。
如何计算销售线索分数？
手动计分
- 计算所有潜客的用户转化率
- 选择基于不同属性得出的高质量线索
- 计算每个属性的完成率
- 将每个属性的完成率与整体完成率比较，在进行分数分配
逻辑回归线索计分
上述方法都是比较简单的计分基础。但是，最合理的还是基于数学的逻辑回归方法。可以在Excel中建立一个公式，表明潜客趋近于客户的可能性。以这种技术，可以将多种属性因素都考虑进去，更加准确。
预测线索计分
预测性评分是通过机器学习来分析上千万个数据点，从而确定最佳线索。预测性评分会查看客户的共有信息，以及潜在客户的共有信息，并根据客户的潜在潜力提出一个公式，根据重要性排序。这样一来，您和您的销售团队就可以对销售线索进行优先排序。同时，预测线索计分的另外一个好处就是，和任何机器学习应用程序一样，它会变得越来越智能，自动优化自身。