如果我们从客单价和下单频次两个维度，将企业的客户群体做一个切分，可以得到一个四象限图，A、B、C、D、E五个客户群体。

企业的核心诉求之一，便是找到更多的潜在客户群体A，转化为客户群体B，并努力使客户群体B向客户群体E转移，尽量留在E的位置。

以内容为饵料，获取潜在客户之后，需要通过潜客培育策略，将潜在客户变为客户，再将客户转化为高频率、高客单价客户。

客户群体A即线索，企业需要尽可能多的收集A群体的潜在客户数量，才会有更多的机会转化为真正消费的客户。

潜客培育，就是让更多的A转化到E并尽量维持较长时间，在此过程中，要保证完善的客户体验以提升客户满意度。

不同的企业，根据售卖产品和服务的不同，目标客户定位不同，业务流程不同，对A、B、C、D、E五个客户群体的管理模式不尽相同。对于潜在客户群体A（图中红色面积覆盖的区域）向B的转换，是潜客培育的重要环节，B、C、D到E则需要客户成功部门的协作。

潜客培育策略，重点关注新客户的转化，有可能上百条线索只能产生一个转化，尤其是一些B端及高客单价B2大C客户，可能花了很大的精力跟进，最终却没能成单。

当线索以数据呈现出来后，第一步，要明确“好”线索，即明确哪些是营销合格线索MQLs（Marketing Qualified Leads，简称MQL），哪些是 SQLs销售合格”的线索（Sales Qualified Leads，简称SQL）。

分析线索，一般会有两种形式，定性分析和定量分析。

• 线索定性分析：打标签，一般会有事实性标签、分析型标签、预测性标签三种形式。
• 线索定量分析：线索打分，一般经过线索匹配（显性线索打分）、线索兴趣（匿名线索打分）、线索行为打分、购买阶段/时间段打分四步完成。

线索定义，可以重点从定性分析即打标签着手，明确线索性质。

标签，是从信息中抽取出来用于说明其特征的数据，是结构化数据每一个标签，通常是人为规定的特征标识，用高度精炼的特征进行描述，是线索的定性分析。标签分析，一般会从事实性标签、分析型标签、预测性标签三种类型着手，其中事实性标签、分析性标签是客观存在的，属于统计性画像，而预测性画像，更强调预测的准确度。

事实性标签，即根据用户的事实性行为打标签，可以通过4W着手，即WHO（谁）；WHEN（什么时候）；WHERE（在哪里）；WHAT（做了什么）。具体分析如下：

（1）WHO（谁）

WHO（谁）, 即用户识别，其目的是为了区分用户。互联网主要的用户识别的方式包括Cookie，注册ID，微信微博，手机号等，获取方式由易到难，不同企业的客户信息数据化程度有所不同，用户识别的方式也可按需选取。对于高客单价企业，进入到线索阶段，一般已经具有了基本人口统计、公司信息、BANT信息，用户识别相对简单。

（2）WHEN（时间）

WHEN（时间）,这里的时间包含了时间跨度和时间长度两个方面。“时间跨度”一般以天为单位计算的时长，指某行为发生到现在间隔了多长时间；“时间长度”则为了标识用户在某一页面的停留时间长短。在用户行为中，普遍认为近期发生的行为将更反映用户当下的特征，因此过往行为将表现为在标签权重上的衰减，即所谓的“时间衰减因子”。

（3）WHERE（在哪里）

WHERE（在哪里）,就是指用户发生行为的接触点，里面包含有内容+网址。内容是指用户作用于的对象标签；网址则指出用户行为发生的具体地点。内容决定标签，网址决定权重。

（4）WHAT（做了什么）

WHAT（做了什么）,就是指的用户发生了怎样的行为，用户的行为类型，例如线上搜索、微信阅读、观看直播、参加线下活动、下载白皮书、产品试用等， 根据行为的深入程度添加权重。

从4W着手，我们可以简单勾画出一个用户行为的标签权重公式：

标签权重=时间衰减（何时）×网址权重（何地）×行为权重（做什么）

举个直观的例子，“B用户今天在产品页面试用了产品”反映出的用户标签可能是“获客”；而“A用户一周前在微信收藏了内容营销类文章”反映出的标签可能只是“内容营销0.448”，这些不同用户的标签及相应的权重将在后续的营销决策中发挥指导作用。

分析型标签，是对于线索数据的进一步加工。最典型的方式是RFM模型，从最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)这三个维度分析某一个潜在客户的价值。

（1）最近一次消费R(Recency)

客户最近一次的购买时间。最近一次消费时间越近的顾客是最有可能对提供的商品或服务最有反应的群体。

如果显示上一次购买很近的客户，人数如增加，则表示该公司是个稳健成长的公司；反之则要预警。

（2）消费频率F (Frequency)

客户在限定的期间内所购买的次数。最常购买的顾客，也是满意度最高的顾客。

如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率。

（3）消费金额M (Monetary)

客户的购买金额，可分为累积购买及平均每次购买

消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80%的收入来自20%的顾客。

三个变量，可以用三维坐标系进行展示，X轴表示Recency，Y 轴表示Frequency，Z轴表示Monetary，坐标系的8个象限分别表示8类用户，根据上表中的分类，可以用如下图形进行描述：

预测型的标签，需要基于事实性标签和分析型标签，做出预测。

预测性标签的生产流程：特征抽取→监督学习、样本数据→评估→标签产出，是经典的机器学习流程。

在所有有真实联络信息方式的线索中，合理的线索只占少数（感兴趣不等于一定会买），而真正能转化为交易的线索客户更是少之又少（就算我要买，也不一定非你不可），这时，如何从线索中取优就显得很有必要了，线索评分机制，则能识别转化可能性高的线索。

线索打分的目的，在于帮助理解线索是否包含正确的人（显性打分）以及这些人的是否表现出正确的兴趣度（隐性打分）。

有效线索打分的关键在于规划捕捉、测量和评估信息的方法。该方法强调三个领域：人员、流程和技术。

• 人员：指高效执行人员和销售人员的参与。
• 流程：销售和营销需要就线索的定义以及线索从营销移交到销售的方式达成共识。
• 技术：指捕捉信息、便利线索移交和流程反馈的相应软件。

本文，以线索打分流程为主线，分析有效的线索打分方法。

线索评分可以从以下四个维度，确定你应该培养谁，谁能快速跟进，明确不同线索所处阶段：

• 线索匹配：又称显性线索打分，通过在线表格、注册收集到显性或共享信息，可以从人口统计、公司信息、BANT、负面人口统计匹配度四个方面着手。
• 线索兴趣：也称匿名线索打分，是根据跟踪线索行为（如网络行为）来测量其对产品和服务的兴趣度，如线索的IP地址。
• 线索行为：如果比作办案，线索的行为就是指向真相的蛛丝马迹。可以从两个方面着手：直接行为和上下文行为。
• 购买旅程阶段：购买阶段和时间是为了衡量销售周期中的潜在客户 ：她刚刚开始流程，还是准备好做决定？

线索匹配，又称显性线索打分，通过在线表格、注册收集到显性或共享信息。

通过注册信息和网络数据，可以从人口统计、公司信息、BANT、负面人口统计匹配度四个方面，明确线索画像。

（1）人口统计数据

在画像和定义线索时，需要关注人口统计数据——刻画线索人群的量化标识。根据数据，创建线索孵化通道。

人口统计数据包括：头衔、角色、工作年限、位置经验值、地点等

（2）企业统计数据

企业统计描述了机构特征，能帮助找到理想客户。

企业统计包括：公司名称、公司规模、公司位置、营业收入、部门数量、产品/服务数量、服务区域、行业产品／服务数量、融资情况等

（3）BANT（预算 授权 需求 时间）

通过研究BANT（预算 授权 需求 时间），可以得出潜客在购买过程中的位置。

与人口统计数据和企业统计结构分析相比，BANT是线索质量评估的升级版本。

• 预算（Budget:）：线索能支付你的产品或服务吗？
• 权限（Authority）：线索得到授权能购买你的产品吗？
• 需要（Need）：你的产品/服务能解决痛点吗？
• 时间（Time）：线索的购买时间线怎样，该时间线与你的销售周期是否一致？

（4）负面人口统计匹配度打分

还可以考虑根据负面人口统计匹配度打分——当线索的邮箱地址非官方，手机号是空号，公司不存在或购买角色有误时，可以为该线索减分。

应该将孵化工作集中于那些可以成交交易的线索。

以上提到的4个维度的具体的精细化程度，可以根据公司行业而所有差异。

线索兴趣打分，也被称作匿名线索打分，是根据跟踪线索行为（如网络身体语言）来测量其对产品和服务的兴趣度。

匿名线索：指你尚未获得其信息的线索，但他们已就内容或网站与你有所交流。通过营销自动化，能够识别访问网站的匿名线索属性。

如线索的IP地址，隐性线索打分还能推断出潜客的额外信息，假设你是一家具备重点大客户的公司CMO，中石油就是对你客户，那么你也知道中石油过来的IP是多少，那么当从中石油过来的IP访问到官网时，整个官网的可变动信息就被替换为跟石油行业相关的素材，对于一个足够大的单子来说，这是一项值得的投资。

而假设这个匿名的粉丝还没在微信注册，但来自某一场快消品的会议，或者来自官网上跟快消相关的页面的扫码关注了微信，微信系统根据这个已有的粉丝标签信息，对其把标准菜单自动更新为跟零售相关的菜单信息，也是非常有意义的，这点致趣百川SCRM营销自动化的标准产品就天然支持。

匿名线索检测到以下信息：

服务器IP 地址

行业、公司规模、营业收入

访问页面、地理位置

推荐