AI怎么判断谁是高意向客户？先搞清楚这件事
很多做私域的人卡在同一个地方：群里几百个人，不知道该先跟谁说话。发条消息出去，回应寥寥，转化也没有。根本原因不是话术不好，是没办法区分”随便看看”和”快要买了”这两类人。AI自动识别高意向客户、做智能评分与分层，解决的就是这件事——让你把有限的时间和精力，用在真正值得跟进的人身上。
但这件事落地没那么简单，不是接个工具、开个开关就能跑起来的。很多团队接了系统，跑了一个月发现跟进名单跟靠感觉选没什么区别，问题几乎都出在数据准备和规则配置上，不是工具本身不行。下面从真实运营场景出发，说清楚准备什么、怎么配置、哪些地方容易掉坑。
开始前必须准备好的四件事
在让AI做评分之前，你得先把”数据喂进去”的条件备好。没有数据，模型就是空转，评分再花哨也没用。这步很多人急着跳过，后来发现跑出来的结果一塌糊涂，再回头补数据又多耗了两三周。
- 统一用户ID体系：微信号、手机号、门店会员号，要能关联到同一个人。这步很多中小商家没做，后果是同一个客户的行为分散在三个地方，AI根本看不到全貌。一个用户在小程序里看了报价页，又在企微里问了问题，如果这两条记录对不上，系统给他的分就是残缺的——而且是那种”看起来正常、其实差很多”的残缺，排查起来很费劲。
- 先手动定义你的”高意向”：是加了企微就算？还是看过报价页算？还是到店咨询过才算？不同行业的判断标准差异极大，本地门店和知识付费的成交路径完全不是一个逻辑。要先把自己的标准列出来，再让系统去追踪，而不是全靠系统猜。系统猜出来的，往往是”普遍意义上的热度”，不是你这个业务的成交信号。
- 行为埋点覆盖主要触点：至少要覆盖公众号点击、小程序页面停留、社群关键词发言、企微客服对话这四个来源。覆盖不全，就会有大量有价值的信号被漏掉，评分失真。有些团队只埋了小程序，完全没接企微对话数据，结果那些”在私聊里问过价格”的高意向用户，评分一直排在队尾。
- 准备历史成交数据：至少需要近3个月的成交记录，用来训练或校验评分模型的准确性。数据越干净，模型越可信。如果历史数据里有大量无效录入或者渠道混乱，建议先做一轮清洗再用——哪怕只是把明显的测试账号和内部号过滤掉，准确率也会有肉眼可见的提升。
AI智能评分与分层：5步走的操作路径
第1步：定义评分维度，别全靠系统默认
大多数智能评分工具会给你一套默认权重，比如”打开消息+2分，点击链接+5分”。这套默认值是基于通用电商行为设计的，对本地门店或教培行业来说往往不准。举个具体的例子：咨询过价格比单纯点击链接意向高得多，但默认权重可能是一样的，甚至反过来。
建议做法：先列出你们业务里”快要成交”前通常会发生的3到5个动作，把这几个动作的权重调到最高。比如美容门店，”问了什么时候有空档”这个动作几乎是成交前必有的信号，权重应该比”点击了活动海报”高出一个数量级。教培机构里，”要求看课程大纲”和”问了分期方式”这两个行为，几乎可以直接标记为高意向，不用等其他信号叠加。其他行为作为辅助信号存在，不要让它们反客为主，稀释真正重要的权重。
第2步：接入行为数据，做好来源标记
每条行为数据进来，都要带着”来源渠道”标签。从朋友圈广告扫码进来的人，和从老客户转介绍进来的人，基础意向本来就不一样，不能混在一起打分。广告来源的人可能只是被优惠吸引，转介绍来的人往往已经有了基本信任，后者的相同行为应该对应更高的评分权重。
渠道标签这步很多人图省事跳过了，后来发现高分段里来源乱七八糟，有的是老客转介绍，有的是某次薅羊毛活动扫进来的，根本没办法针对性地设计跟进策略。同一套话术发出去，一半人觉得刚好，另一半人觉得莫名其妙。
第3步：跑一轮手动校验，再交给AI全面运转
第一次出分之后，不要直接用。随机抽取高分段（比如80分以上）里的20个人，让熟悉业务的运营人员看一下这些人的对话记录和行为轨迹，判断是否符合你们经验里的高意向特征。
如果发现高分段里有大量”看上去很活跃但从来没问过实质问题”的用户，说明评分维度出了问题。这时候应该回去调权重，而不是直接上线让运营跟进一堆无效用户。手动校验这步通常需要一到两天，但能省掉后面好几周的无效跟进——更重要的是，能避免运营人员在”跟了一圈没人买”之后开始质疑整套系统的价值，然后悄悄放弃用它。
第4步：按分层设计差异化跟进策略
分层本身不是目的，分层之后的差异化动作才是。如果拿到了评分结果，所有人还是发同一条群发消息，那评分就毫无意义。一个可以直接参考的框架：
- 高意向（80分以上）：1小时内人工跟进，发个性化内容，不要用模板。提到他上次看的具体内容，或者直接切入他问过的那个问题，效果远好于”您好，我是客服XXX，请问有什么可以帮您？”这类开场。高意向用户往往已经在做最后比较，反应慢或者给出的内容太泛，很可能就流失了。
- 中意向（50到79分）：24小时内发一条有针对性的推送，内容匹配他上次浏览的方向。不要群发，也不要让人明显感觉是自动消息。这个阶段的用户还在观望，给的内容足够贴合，有机会直接推进到高意向。
- 低意向（50分以下）：进入培育序列，定期推有价值的内容，不主动打扰，等待信号升温。这部分用户强行跟进，大概率换来的是拉黑或者屏蔽，反而断掉了后续培育的可能性。
第5步：每月复盘，让评分越来越准
每个月至少做一次回溯：上个月高分的人，最终转化率是多少？低分的人里有没有漏掉的黑马？中分段里是否有人突然转化，说明某个信号权重被低估了？
这些数据要反哺给评分模型，让它越来越贴合你们行业的实际成交规律。不复盘的评分系统，半年后基本就失效了——用户行为在变，你的产品和活动也在变，一套静态权重不可能一直准确。很多团队搭好系统之后就再没动过配置，等发现转化率下滑才去查，往往已经浪费了好几个月的跟进资源。
一个真实卡点的拆解：礼貌性回复 vs 购买信号
某家做本地家政服务的老板，在朋友圈投了广告，用户扫码进企微后会自动发一条欢迎语。系统的设计逻辑是：用户回复了任何内容，就记为”有互动”，加10分。结果跑了一个月，高分段里有大量人只回了一个”好”或者一个表情，之后再也没有任何动作。运营跟进下去，对方几乎没有任何购买意图，有的甚至直接说”我就随便看看”。
问题出在哪？”回复”这个行为太宽泛，礼貌性回复和真实询问被混为一谈了。这两类行为在表面上是一样的——都是”发送了一条消息”——但背后的意义完全不同。礼貌性回复是社交惯性，很多人面对自动欢迎语就条件反射地回一个字，并不代表有任何购买兴趣。
他们后来做了一个具体改动：只有回复中包含关键词（价格、什么时候、几个人、地址、多少钱）才计入有效互动，分值从+10调到+20。同时，如果用户在48小时内主动发了第二条消息，不管内容是什么，额外再加15分——因为主动发第二条说明他没忘这件事，主动性本身就是一个强信号。调整之后，高分段跟进的转化率明显提升，运营也不再抱怨”加了一堆人没有一个买的”。
这个改动看起来很小，但背后的逻辑是：让系统学会区分”社交礼貌”和”购买信号”。大部分评分系统的初始配置，根本没有考虑过这个差别。你需要把自己对业务的理解翻译成系统能识别的规则，这件事没有人能替你做。
容易被忽略但很关键：分值衰减机制
大部分人配置智能评分时，只关注”加分项”，却忽略了”衰减机制”。一个用户三个月前看过你的报价页，那时候确实有意向，但之后再也没有任何互动。如果没有时间衰减，他到今天依然是高分，系统还在把他列为优先跟进对象——运营去联系，大概率已经买了别家，或者根本不记得当初是怎么找到你的。
正确的做法是：给每条行为数据设置有效期。比如”浏览报价页”这个行为，30天内全额计分，超过30天分值减半，超过60天清零。”加过企微”这种强信号可以适当延长有效期，但也不应该永久有效，毕竟加了企微一年没说过一句话的人，很难说还有什么当前意向。这样评分反映的才是”当前意向状态”，而不是”历史行为记录”。
还有一个容易忽略的场景：用户已经成交了，但还留在你的私域里。如果不把已成交用户单独标记并从意向评分池里移出去，系统会持续把他识别为高分用户，运营反复跟进，既造成打扰，也占用了本该用在真正潜客身上的资源。更尴尬的情况是，运营不知道对方已经是老客户，发了一条”您还没下单，现在有优惠”的消息过去……这种事在没有标记机制的团队里并不罕见。
一条可以直接用的取舍建议
如果你现在只有精力做一件事，先把”成交前最后一个信号动作”找出来，专门针对这个动作做高权重触发，而不是去搭一套复杂的多维度评分体系。
复杂系统需要大量数据校验和持续维护成本，中小体量的私域往往撑不住——数据量不够，校验结果置信度低；人手不足，复盘机制形同虚设。从一个高准确率的单信号开始，比从一套运转不起来的复杂模型开始，实际效果好得多。很多团队第一个月靠一条关键词触发规则，转化率就已经有了明显变化，反而是搭了复杂系统却没人维护的那些，三个月后还在原地。
可以直接落地的操作：找到你们成交率最高的那个”信号动作”（比如”问过到店时间”或”点击过套餐对比页”），把这一条单独拉出来做高优先级提醒，立刻通知对应运营人员跟进。这一条做到位，比什么都强。后续再逐步叠加其他维度，系统会越来越稳，也不会因为一次性太复杂而中途放弃。
上线前的自查清单
- 用户行为数据来源是否覆盖了至少3个主要触点，没有明显盲区？
- 评分权重是否根据自己行业的成交路径手动调整过，而非直接使用默认值？
- 是否区分了来源渠道，避免广告流量和转介绍流量混在一起打分？
- 是否设置了分值衰减机制，避免历史行为持续拉高当前评分？
- 高分段是否经过人工抽样校验，确认与实际业务经验吻合？
- 已成交用户是否单独标记，从意向评分池中移出，避免被重复跟进？
- 不同分层的跟进策略是否已经明确，运营人员清楚各层级该做什么、不该做什么？
- 是否定好了每月复盘的时间节点和负责人，而不是等到”发现问题了”再回头看？
- 关键词触发规则是否已经结合真实业务场景做过本地化调整，不是直接沿用工具示例？
