Marketing

30 分钟搭一套线索打分表:5 个维度、0-100 分(Gemini + Google Sheet)

30 分钟搭一套线索打分表:5 个维度、0-100 分(Gemini + Google Sheet)
目录

去年 Q3,一家 B2B (Business-to-Business, 企业对企业) 客户把 1,400 条 HubSpot 线索导出来给我,问销售团队为什么签不下单。我打开导出表,扫了一遍,给了他们答案:销售对每条线索平均用力,前 20% 的好线索全埋在中段。30 分钟的解法不是 40 个字段的预测模型。是一套 5 维度评分标准、Google 表格里一条 =AI() 公式,以及给结果打颜色分级的纪律。

下面这套我到现在搭过四次。一次 30 分钟,跑过几千行,屡试不爽。

5 个维度(每个 0-20,合计 0-100)

大部分线索评分项目死在第三周,是因为团队想搞 30 个字段。5 个维度是那个魔法数字——多到能区分,少到不值得吵架。每个维度 0-20 分:

  1. 企业画像匹配度 (0-20)——公司规模 + 行业是否匹配 ICP (Ideal Customer Profile, 理想客户画像)?一个 5,000 人的零售商 = 20,一个 5 人的本地水管工 = 0。
  2. 行为 (0-20)——过去 14 天是否完成 2 次以上高意向动作?(定价页、demo 视频、客户案例、ROI 计算器。)不足 2 次 = 0,2-3 次 = 10,4 次及以上 = 20。
  3. 互动新鲜度 (0-20)——最近一次触达在 7 天内 = 20,8-30 天 = 10,31 天以上 = 0。沉睡的线索签不下来。
  4. 来源 (0-20)——自然内容(SEO、推荐) = 20,主动外推(付费广告、SDR 陌拜) = 10,买名单 / 爬数据 = 0。
  5. 购买信号 (0-20)——反复访问定价页 + 申请 demo + 调研竞品,每条都算。一个信号 = 5,两个 = 10,三个及以上 = 20。

每条维度的标准放在表格侧边一个单元格里,原样塞进 AI 提示词。别埋进 Notion 文档——销售每天要读,必须看得见。

公式

Google Sheets 现在内置了一条 =AI() 函数,背后跑的是 Gemini。一条公式、一个单元,跑多少行都行:

=AI("Score this lead 0-100 based on: [paste rubric]. Return: total_score | top_dimension | one_sentence_reason. Field name: "&A2&", Company: "&B2&", Industry: "&C2&", Last touchpoint days ago: "&D2&", Page views last 14d: "&E2&", Source: "&F2&", Pricing visits: "&G2&", Demo requested: "&H2&", Competitor research: "&I2&", Company size: "&J2, A2:J2)

=AI() 接收一段自然语言指令 + 一个数据范围,返回你要求的内容。把这公式丢进 L 列,往下拖 1,400 行,整张表打完全部线索的时间,跟倒杯咖啡差不多。

提示词里最关键的一句是 Field name:——它强制 Gemini 把分数对到具体的行,避免"所有分数长得一样"那种通病——用通用标准时,模型经常懒得在行与行之间做区分。

三个真实例子

  • 线索 A——2,800 人的 SaaS 公司,最近触达 2 天前,14 天内 5 次页面浏览,客户案例文章引流,1 次定价页访问,未申请 demo。返回:84 | behavior | "Strong ICP fit plus recent multi-page engagement; only one buying signal so far." → 绿色,优先跟进。
  • 线索 B——22 人的牙科诊所,最近触达 41 天前,1 次页面浏览,Google 付费广告引流,0 次定价页访问,未申请 demo。返回:8 | source | "Wrong ICP, stale engagement, low-intent paid source; deprioritize." → 红色,丢回培育序列。
  • 线索 C——800 人的零售商,最近触达 9 天前,3 次页面浏览,合作伙伴推荐,2 次定价页访问,已申请 demo。返回:92 | buying_signals | "Demo requested plus repeat pricing visits within 9 days; route to AE (Account Executive, 客户经理) today." → 绿色,优先跟进。

top_dimension + one_sentence_reason 这两个返回值才是这套能用的关键。销售 10 秒钟扫一眼 L 列,就知道为什么这条线索拿了 84——而不只是"它拿了 84"。

颜色怎么用

0-100 的数字本身只是装饰。打分的全部意义在于改变行为。我每次都强制执行两条:

  • 销售只跟绿色的。 70 分以下一律进培育序列,不准进销售队列。第一次上线这套时,销售抱怨"线索不够"——结果第二个月签的单比上一整个季度都多,因为他们跟对了 20%。
  • 每周重新打分。 同样的公式,周一的分数和周五的不一样,因为输入(新鲜度、行为)会动。上周 92 分的线索,触达时间一过,可能就掉到 60。这是特性,不是 bug。

什么时候这套会失灵

三个诚实的边界:

  1. 高流速 B2C (Business-to-Consumer, 企业对消费者)——这套假设有人会逐条看分数。如果漏斗是自助式的、成交周期短,把销售筛选换成自动路由。
  2. 月线索量 < 100——提示词能跑,但你根本不需要公式,直接读就行。
  3. 评分标准会过时——ICP 变、定价页变、"购买信号"的定义也变。每季度审一次标准。搭起来 30 分钟,维护也是 30 分钟,每个季度一次,持续到地老天荒。

"30 分钟"这个定位才是重点。一个要 6 个月才能上线的预测评分系统,永远上不了线。这套 30 分钟上线;ICP 一变,30 分钟重做。能复利的就是这个 30 分钟。