HubSpot AI 客户流失预测：5 分钟给 1 万联系人打分（工作流、Prompt 和拿到名单之后该做什么）

五分钟不是夸张。我在一个周二下午实测过：把 10,247 个联系人加载到 HubSpot 跑完整个流程——这个名单客户之前已经叫了半年"死名单"。五分钟结束时，AI 把其中 1,183 人标为高流失风险，另外 3,400 人丢进"观察"桶，还产出可以直接交给文案的个人化唤醒话术。新工具花费：0 美元。用的就是 HubSpot 自带的预测线索评分（Predictive Lead Scoring / 预测线索评分）、一个我用 ChatGPT 建的自定义属性，再加一个 Breeze（HubSpot 内置的 AI 助手）驱动的工作流。

这个工作流我已经给三个 B2B SaaS 客户和一家牙科连锁做过。所有人手里都有一份"冷"联系人列表，正准备群发一张通用优惠券。没人意识到 AI 早就告诉你该跟谁聊、聊什么。

在 HubSpot 里"流失评分"到底是什么意思

HubSpot 的原生功能叫预测线索评分（Predictive Lead Scoring），Marketing Hub Professional 及以上版本自带。打开后，它会基于大约 50 个信号——邮件打开、页面浏览、表单提交、最近互动时间、公司规模、交易阶段等——给联系人打一个"成交可能性"分数，0–100。

这个"成交可能性"分数反过来读，就是流失信号。一个联系人 90 天内分数从 78 掉到 12，不是销售问题——他们是在脑子里默默取消关注。我开始管这个叫逆向流失分：AI 越觉得他们不会买，他们心里越可能已经流失。

多数人漏掉的一点：HubSpot 会给门户里所有联系人打分，不只是活跃商机。这就是"1 万人 5 分钟"的来源。模型已经训练好，你只需要打开开关、读结果。

5 分钟工作流

这是真实步骤，不掺水。

1. 打开预测线索评分（45 秒）

设置 → 属性 → 联系人属性 → 找到 "HubSpot score" / "Predictive lead score" → 确认已激活。免费版或 Starter（原 Tools Free）套餐看不到这个功能。最低门槛是 Marketing Hub Professional。

顺便把联系人生命周期阶段（contact lifecycle stage）属性也打开。AI 把生命周期变化当作重要的训练信号。

2. 建一个"流失风险"自定义属性（90 秒）

属性 → 创建属性。命名 churn_risk_tier（流失风险等级）。字段类型：下拉单选。三个选项：

• high（高）：90 天内分数下跌超过 30 分，或当前分数 <20 且最近互动 >60 天
• watch（观察）：分数下跌 10–30 分，或最近互动 30–60 天
• healthy（健康）：其余

第 4 步会回填这个字段。之所以用下拉单选而不是 0–100 数值：销售真的会看下拉框，不会去看 47.3。

3. 一个筛选拉出联系人列表（60 秒）

联系人 → 搜索 → 加筛选：

• lifecyclestage（生命周期阶段）是 customer（客户）、opportunity（商机）或 salesqualifiedlead（销售验证线索）任一
• hs_lead_status（HubSpot 线索状态）不是 disqualified（已淘汰）
• num_unique_pages_viewed（独立浏览页面数）> 0（至少接触过我们一次的人）

存为视图（不要 CSV 导出，直接保存筛选）。我这边出来 10,247 个联系人。整个搜索大约 40 秒——大部分时间在等数百万条活动日志的计数加载。

4. 用 ChatGPT / Claude Prompt 给名单分桶（90 秒）

把联系人列表（姓名、公司、分数、90 天前分数、最近互动天数、生命周期阶段、行业、年营收区间）一次性贴进这个 Prompt：

你是 CRM 分析师。下面是 CSV，列名：
contact_name, company, hubspot_score, score_90_days_ago, last_engagement_days_ago, lifecycle_stage, industry, annual_revenue_band。

对每一行，按以下规则分类到三个 churn_risk_tier 值之一：
- "high"：(当前分数比 90 天前下跌 >30 分) 或 (当前分数 <20 且 last_engagement_days_ago >60)
- "watch"：(分数下跌 10–30 分) 或 (last_engagement_days_ago 在 30–60 之间)
- "healthy"：其余。

对每个 "high" 行，再写一句 1 句话的 winback_angle（唤醒角度），必须引用数据里的某个具体点（行业、分数下跌、最近互动）。角度要具体、要带钩子，不要含糊。

返回同样的 CSV，附加两列：churn_risk_tier, winback_angle。

1 万行，GPT-4o 大约 75 秒跑完，API token 成本约 0.40 美元（Plus/Team 会员免费）。我分批传，每次 2,000 行，避免超出上下文，也方便抽查。

5. 回传 HubSpot，跑 Breeze 工作流（90 秒）

联系人 → 导入 → "更新现有联系人"，把 churn_risk_tier 和新属性 winback_angle 写回去。

然后在 HubSpot 的 Workflows 里搭这个流程：

触发条件：churn_risk_tier 等于 high **延迟：**1 天 **动作 1：**给客户负责人的 Slack 发通知，附联系人姓名和 winback_angle **动作 2：**创建任务："发送个人化唤醒邮件——参考 winback_angle 字段" **动作 3（可选）：**如果联系人有营销邮件同意，用 Breeze 起草一封唤醒邮件（邮件写法见下）

整个流程就这些。5 分钟配置完。名单现在带着风险等级和个人化角度，活在你的 CRM 里。

拿到高风险名单之后到底要做什么

这是大多数团队翻车的地方。他们拿到一份漂亮的排序名单，然后……什么都没发生，因为没人负责下一步。名单不是交付物，对话才是。

交给人，不要群发

B2B 场景：一家 SaaS 公司的 1,183 个高风险联系人，大概是一个 BDR（Business Development Representative，商务拓展代表）4–6 周的工作量。我让客户按 annual_revenue_band（年营收区间）和 winback_angle 的具体程度，挑出前 200——不要只看分数。AI 擅长打标，人擅长挑先打谁。

200 人分三个桶：

• **A 桶（60 人）：**手写 LinkedIn 消息，引用 winback_angle。我观察到的回复率：12–18%。
• **B 桶（90 人）：**Breeze 起草的个人化邮件，人工每封 90 秒内过一遍。
• **C 桶（50 人）：**电话，开场白两句话，引用对方行业和 AI 给的角度。

剩下约 1,000 个高风险联系人？大部分丢进一个 6 封邮件的慢节奏培育序列（用另一个属性触发）。不要试图 1:1 全做完。你会累垮，然后开始群发——这恰恰是他们当初流失的原因。

唤醒邮件的 Prompt（用于 Breeze 或 ChatGPT）

B 桶邮件，我一次喂一个联系人给 Breeze（或 ChatGPT），Prompt 如下：

写一封 90 词的唤醒邮件。

收件人背景：
- 姓名：{{contact.firstname}}
- 公司：{{contact.company}}
- 行业：{{contact.industry}}
- 原本的兴趣：{{contact.winback_angle}}
- 上次互动距今：{{contact.last_engagement_days_ago}} 天

要求：
- 主题行：最多 7 个词，不要标题党，不要 emoji
- 开头：引用对方行业 + 我们没联系的时长。禁止"我注意到您最近没有……"这种句式
- 正文：1 个具体钩子（免费诊断、样品、15 分钟通话），绑到对方行业
- 结尾：提一个是非题，不要"如果感兴趣请告诉我"
- 语气：平等对话，不是供应商对买家
- 不要提到流失分、AI 或任何内部分类

Breeze 写得不错，ChatGPT 在语气上略胜一筹。无论哪个，人工 60–90 秒过一遍再点发送。结果是 1:50 比例上看起来像 1:1 写的邮件——大约是一个 BDR 六周能持续做的极限吞吐量。

B2C 场景（牙科连锁案例）

工作流形状一样，但数量和渠道反过来。那家 1 万患者的牙科连锁：高风险名单走的是单条 SMS 批量（180 字符，通过 Twilio + HubSpot 集成），附带一键复诊链接。前台每天早上收到 Slack 摘要："今天要打 10 个电话，角度见下。"SMS 批量的 14 天内复激活率：4.2%。电话：11.6%。AI 的活儿一样——找出谁在悄悄走远、为什么。但人的动作更快、更轻量。

我差点漏掉的部分

这一段我差点没写，因为它事后看起来显而易见。但这是我每次第一遍都做错、你的团队也会做错的部分：

分数的"下跌"比绝对分数更重要。

一个 3 个月内从 82 掉到 51 的联系人，比一个 2 年来一直 18 分的联系人危险得多。前者曾经深度互动，他们记得你。他们的流失是一个变化，可以逆转。后者从来没真正成为过你的客户——他们就为了一篇内容来了一次就走了。要"唤醒"后者，基本是浪费 BDR 的时间。

所以第 4 步的 Prompt 关心的是变化量（delta），不是绝对水平。模型给你的是一个快照，Prompt 给你的是动态。动态才是人能采取行动的。

名单本身不是胜利

如果你的收获是"我该给 1 万联系人跑一下流失分"，你就会拿到名单然后陷入跟所有人一样的瘫痪。胜利发生在：周三早上 BDR 打开 Slack，看到 10 个新高风险联系人、角度已经写好、9:01 开始打电话。这才是工作流。AI 是简单的部分。难的部分——指定负责人、挑出 200、起草角度、发出去——是 AI 出现之前你就一直在做错的部分。

5 分钟拿到排序名单，接下来 6 周拿到营收。