Lead Scoring 指南：香港中小企 2×2 評分、7 步流程與驗收表
直接答案：Lead Scoring 適合已經有穩定查詢、清楚服務範圍及基本 CRM 階段，但銷售人員未能即時判斷跟進次序的香港中小企。它不應代替人工資格審查，也不等於同意接收推廣。最實用的起點是把「客戶是否適合」的 Fit Score 與「近期是否有行動」的 Engagement Score 分開，再用 2×2 分流、跟進時限和每月驗證結果；若查詢量很少、成交／流失原因沒有記錄，先整理流程會比建立複雜分數更有效。
Lead Scoring 適合香港中小企嗎？先看 6 個條件
| 現況 | 判斷 | 原因 | 建議 |
|---|---|---|---|
| 每週有多個查詢，跟進次序經常靠感覺 | 適合開始 | 規則可把高配合度、高互動查詢先送給銷售 | 先用簡單規則，不急於採用 AI 模型 |
| 有「合資格、報價、成交、流失」等 CRM 狀態 | 適合驗證 | 可比較不同分數層的實際合資格率與成交率 | 補齊流失原因及最後跟進日期 |
| 每個查詢都必須即時回覆 | 只宜用作排序 | 分數不應成為延遲或拒絕服務的理由 | 維持基本回應 SLA，再分配深度跟進 |
| 查詢量低、成交周期長、樣本很少 | 先用人工規則 | 預測模型容易把偶然現象當成規律 | 用 Fit／Engagement 標籤累積可核對歷史 |
| 表單欄位、來源、服務名稱不一致 | 暫緩 | 輸入資料不穩定，分數只會放大分類錯誤 | 先統一欄位、UTM、重複資料及 CRM 階段 |
| 想用分數自動拒絕、定價或判斷信用 | 不適合此用途 | 行銷優先次序不等於公平、信用或法律判斷 | 保留人工覆核，另行處理合規與風險 |
HubSpot 官方把 scoring 分為 engagement、fit 及 combined score，並容許正負分、條件群組、上限、門檻與分數衰減；Salesforce 的預測式方案則會拿現有 leads 與過往已轉化 leads 比較。這些功能說明一個重點：Lead Scoring 是「優先次序假設」，不是對個人的事實判決，必須用真實結果持續驗證。
先分開 Fit Score 與 Engagement Score
| 分數 | 回答問題 | 可用資料例子 | 不應直接使用 |
|---|---|---|---|
| Fit Score（配合度） | 這個查詢是否屬於公司能服務及希望服務的範圍？ | 服務地區、公司類型、所需服務、合理規模、主動提供的時間表 | 族裔、健康、家庭狀況、身份證號碼等敏感或不必要資料 |
| Engagement Score（互動度） | 對方近期是否出現與購買決策相關的行動？ | 預約會議、提交高意向表單、重訪服務／收費頁、回覆電郵 | 單次一般瀏覽、開信一次或來源不明的追蹤訊號 |
| Qualification（資格審查） | 銷售確認需求、決策角色、可行性及下一步了嗎？ | 通話／會議紀錄、已確認需求、預算範圍、預計開始日期 | 只由分數自動推斷 |
| Consent（同意） | 公司可否把個人資料用於直接促銷？ | 有紀錄的通知、同意／不反對、渠道與用途 | 高分、沒有回覆或瀏覽網站本身 |
2×2 Lead Scoring 分流表
| 象限 | Fit | Engagement | 建議動作 | 建議時限 |
|---|---|---|---|---|
| A1 優先跟進 | 高 | 高 | 指派銷售，核實需求並約下一步；分數只作提示 | 營業時間內盡快，按公司 SLA |
| A3 培育 | 高 | 低 | 提供相關案例、指南或檢查清單，等待明確訊號 | 按同意及合理頻率培育 |
| C1 先核實 | 低 | 高 | 確認地區、需要及資格，避免因互動多便誤判 | 一般查詢時限內 |
| C3 低優先 | 低 | 低 | 保持紀錄或結束不合適個案，不自動加入推廣名單 | 按服務政策處理 |
矩陣比單一總分更容易解釋：一位研究資料很勤力的學生可能 Engagement 很高，但不是目標客戶；一間完全符合服務範圍的公司亦可能仍在早期研究。兩者需要不同跟進，不應被同一個「70 分」掩蓋。
一套可落地的起步評分規則
| 群組 | 條件例子 | 示例分數 | 上限／衰減 | 人工核實 |
|---|---|---|---|---|
| Fit：服務範圍 | 所在地區及服務需要屬公司可承接範圍 | +20 | 群組上限 30 | 檢查實際需要，不靠地區一項決定 |
| Fit：業務情境 | 公司類型、規模或使用情境與理想客戶輪廓相符 | +10 | 群組上限 20 | 資料必須必要及由對方合理提供 |
| Engagement：高意向 | 預約會議、要求報價、完成高意向表單 | +25 | 同一事件不可重複累加 | 排除測試、垃圾及重複提交 |
| Engagement：研究 | 30 日內多次查看服務、案例或收費相關頁面 | +5 至 +10 | 群組上限 20；30 日後逐步衰減 | 瀏覽不等於同意或購買意圖 |
| 負分 | 聯絡資料無效、取消訂閱、求職／學生、服務區外 | -10 至 -50 | 取消訂閱不應日後自動加回 | 分清不合適與暫未準備 |
| 硬性排除 | 垃圾、內部測試、明確要求停止聯絡 | 不進銷售隊列 | 不以正分抵銷 | 保留原因、日期及操作人 |
以上分數只是示例，不是行業標準。每個條件要有 owner、資料來源、更新頻率及例外規則。為避免「開信十次便超越真正報價查詢」，同類行為要設群組上限；為避免半年前的行為長期維持高分，應按購買周期設定 decay。若資料量不足，先以低／中／高標籤運作，通常比假裝精準到個位數更可靠。
7 步建立 Lead Scoring 流程
1. 定義結果與漏斗階段
先寫清楚什麼叫新查詢、可聯絡、合資格、銷售機會、報價、成交與流失。評分要預測的結果只選一個，例如「14 日內成為合資格機會」，不要同時把開信、成交與客戶價值混成同一目標。
2. 審核資料、同意與缺失值
盤點表單、電話、WhatsApp、活動報名、CRM、網站事件與 UTM。記錄每個欄位的來源、用途、必填與否、保存期及誰可存取；缺失資料應顯示為 unknown，不應一律當作低質。
3. 分開 Fit 與 Engagement
與銷售、客服及市場推廣團隊共同列出「配合服務能力」及「近期行動」證據。刪除無法解釋、無法穩定取得或與業務結果沒有合理關係的條件。
4. 設正負分、上限與衰減
高意向行動權重應高於一般瀏覽；重複行為設上限；舊互動逐步衰減；取消訂閱、測試及垃圾設為排除。每次規則修改要有版本、日期、原因及批准人。
5. 設門檻、隊列與 SLA
為 2×2 象限指定 owner、通知渠道、首次回應時限、重試次數與升級規則。高分不代表一定成交，低分亦不代表可以完全不回覆；基本服務承諾與評分隊列要分開。
6. 用歷史與新個案測試
先回放過往已知結果，再以一段新資料盲測。抽查高分未轉化、低分卻成交、資料缺失及人工改判個案。HubSpot 亦提供逐筆測試及 score history／performance 工具，反映正式啟用前後都需要核對記錄。
7. 每月驗證及修訂
每月比較分數層的合資格率、成交率、回應時間、分布及錯判，記錄來源偏差與 override 原因。只在有證據時改一組規則，保留前後版本，避免每月因短期波動全面調分。
每月 Lead Scoring 驗收表
| 指標 | 要回答的問題 | 警號 | 下一步 |
|---|---|---|---|
| Qualified rate by score band | 高分組是否真的較常合資格？ | 高、中、低分差異很小或倒轉 | 重查權重、標籤及資格定義 |
| Conversion rate by score band | 分數與最終結果有沒有方向一致？ | 只提升會議數，沒有改善成交 | 分開早期資格與成交預測 |
| False positive | 哪些高分個案其實不合適？ | 學生、求職、服務區外或垃圾集中 | 增加排除及人工核實 |
| False negative | 哪些低分個案最後成交？ | 重要客群常因資料缺失被降分 | 修正缺失值及不公平代理欄位 |
| Response time | 排序是否真的縮短高意向查詢等待？ | 高分通知有發出但沒有人接手 | 修正 owner、SLA 與升級流程 |
| Score distribution | 分數是否有辨識力？ | 大部分 leads 擠在同一小段 | 調整上限、門檻或過度重複條件 |
| Source bias | 某來源是否因追蹤較多而天然高分？ | 廣告或電郵 leads 不合理地長期佔優 | 比較同等結果，校正可觀察度差異 |
| Override reasons | 前線為何不同意模型或規則？ | 同一原因反覆出現 | 把有效前線知識寫回規則 |
常見失效情況與診斷
| 症狀 | 較可能原因 | 檢查 | 處理 |
|---|---|---|---|
| 所有 leads 都是高分 | 每個普通行為都加分，沒有上限或負分 | 查看各條件貢獻及重複事件 | 提高高意向訊號權重，加入群組上限 |
| 舊 leads 長期排在最前 | 沒有分數衰減 | 比較最後互動日期與分數 | 按合理購買周期設定 decay |
| 銷售不相信分數 | 規則不透明或結果沒有回寫 | 抽查高低分案例及 override 紀錄 | 展示理由，讓前線回報但要分類 |
| 高分後仍漏單 | 通知、指派或 SLA 沒有落地 | 由門檻觸發一路追到首次聯絡 | 修正 workflow、後備 owner 及超時提示 |
| 分數突然失準 | 表單、追蹤、服務或市場組合變更 | 比較變更日期與分布 | 回滾規則或重新驗證，不即時重訓 |
| 某類客戶持續被低估 | 缺失值或代理欄位造成偏差 | 按來源、地區及客群比較錯判 | 刪除不必要欄位，加入人工覆核 |
CRM 評分與銷售欄位英文對照
| 欄位 | 工作定義 | 記錄要求 |
|---|---|---|
| Lead source | 最初取得查詢的來源 | 保留原始值，不以最後一次互動覆蓋 |
| UTM source / medium | 活動來源與媒介 | 按統一命名規則儲存原始參數 |
| Service interest | 對方主動選擇或確認的服務需要 | 使用固定選項並容許 unknown |
| Fit score | 與服務能力及理想客戶輪廓的配合度 | 顯示各條件貢獻，不只保留總分 |
| Engagement score | 近期高意向互動的強度 | 記錄事件日期、上限及 decay |
| Score band | 低、中、高或 2×2 象限 | 保存門檻版本及生效日期 |
| Lifecycle stage | 客戶由查詢至成交的整體階段 | 定義誰可改動及何時回退 |
| Lead status | 目前跟進狀態 | 例如 New、Working、Connected、Disqualified |
| Qualification reason | 確認為合資格的主要證據 | 使用原因代碼並附必要備註 |
| Disqualification reason | 不合資格或結束跟進的原因 | 分開服務區外、無效資料、暫未準備及垃圾 |
| Assigned owner | 現時負責跟進的人員或隊伍 | 包括後備 owner 及轉派時間 |
| First response time | 收到查詢至首次有效回應的時間 | 分清自動確認訊息與人工聯絡 |
| Next activity date | 已承諾的下一個跟進日期 | 不可只寫在自由文字備註 |
| Override reason | 前線更改分數或優先次序的理由 | 用固定分類供每月驗證規則 |
| Consent status | 指定用途及渠道的同意／不反對狀態 | 保存通知版本、日期、來源及撤回 |
| Score last updated | 最後計分時間 | 用於監察 workflow 失效及過期分數 |
欄位名稱可以配合所用平台調整，但定義不應因團隊或報告而改變。例如 Lead source 與 UTM source 可能回答不同歸因問題；Lifecycle stage 與 Lead status 亦屬不同層次。資料字典亦應列出 sales pipeline owner、validation date、approval status、data source 及 update frequency。建立字典後，Dashboard、workflow、銷售會議及內容培育才會使用同一套語言。
香港個人資料與直接促銷界線
香港個人資料私隱專員公署的直接促銷指引指出，在使用個人資料作直接促銷前，要向資料當事人提供訂明資訊，並取得同意或不反對；沒有回覆不應當作同意。Lead Score 只可幫助安排內部跟進，不能把未同意的人自動放入電郵、電話或 WhatsApp 推廣流程。
- 只收集與服務及跟進真正有關、由對方合理提供的資料；
- 避免把香港身份證號碼、健康、家庭或其他敏感／不必要資料放入評分；
- 把「評分依據」顯示給前線，保留人工更改及原因；
- 不把分數作唯一自動拒絕、定價、信用或重大決策依據；
- 同意、取消訂閱、停止聯絡、保存期及刪除要求要獨立管理；
- 限制 CRM 權限，記錄匯出、規則修改及第三方工具資料流向。
交收前 12 項清單
- 已寫清楚評分要預測的單一業務結果；
- CRM 階段、合資格及流失原因有一致定義；
- Fit 與 Engagement 分開顯示；
- 每個條件有資料來源、owner、理由及例子；
- 正分、負分、硬性排除、群組上限及衰減已設定；
- unknown 與不合資格分開，沒有以缺失資料武斷扣分；
- 2×2 象限有負責人、SLA、後備人及升級規則；
- 通知、指派、重複資料與測試提交已實測；
- 已用歷史個案回放及新個案盲測；
- 有高分錯判、低分成交及人工 override 報告；
- 直接促銷同意、取消訂閱、保存及刪除流程已核對；
- 每月覆核日期、版本紀錄、批准人及停用方案已列明。
常見問題
最少要有幾多 leads 才可以做 Lead Scoring？
沒有適用所有公司的單一數字。小量資料可先做可解釋的規則式評分，但不應宣稱具有精準預測能力。不同產品的 AI 模型有各自門檻：HubSpot 官方示例要求至少 50 個 contacts，當中 25 個已轉化及 25 個未轉化；Salesforce 某些 Einstein Lead Scoring 設定則要求更多近期 leads 與 conversions。這些是產品要求，不是通用統計保證。
Lead Scoring 與 Lead Qualification 有甚麼分別？
Scoring 以已知資料及行為排序；Qualification 是銷售透過溝通確認需求、角色、可行性及下一步。高分應觸發更快核實，不應直接等同 Qualified Lead。
應由 Marketing 還是 Sales 負責？
業務 owner 最好由 Sales 與 Marketing 共同負責：Marketing 管理來源、互動訊號及培育，Sales 定義資格、結果及錯判原因；CRM／營運人員負責欄位、workflow、權限和版本。只有一方設計通常會偏向自己最容易量度的訊號。
可否直接交給 AI 自動評分？
可以在有足夠、乾淨、已標記結果及持續監察時測試預測式評分，但仍要保留可解釋欄位、人工覆核、偏差檢查及回退方案。模型輸出是概率或排序，不是因果證明，也不應用於超出原先用途的重大決策。
官方參考：HubSpot：理解 Lead Scoring 工具、建立 Lead Scores、Score history 與 performance、測試評分記錄、Salesforce：Einstein Lead Scoring、Adobe Marketo：Lead Scoring、Microsoft Dynamics 365：Predictive Lead Scoring及香港私隱專員公署：直接促銷指引。
如仍未建立 CRM 階段，先閱讀中小企 CRM 系統與成交流程指南；要設計培育訊息，可參考Email Marketing 與 CRM Lead Nurturing 指南；要統一來源欄位，參考UTM 參數與 GA4 命名指南；要建立每月驗收畫面，可閱讀Looker Studio 報告指南。需要把網站查詢、CRM、評分與跟進流程接通，可了解ITOB Group 數碼營銷服務。
編輯與審閱：ITOB Group 編輯團隊；由ITOB Group 數碼營銷顧問團隊審閱。最後實質更新：2026 年 7 月 20 日。
本文依據 HubSpot、Salesforce、Adobe、Microsoft 及香港私隱專員公署官方資料，配合 ITOB Group 的 CRM 與數據驗收流程整理。產品功能、模型要求及法規指引會更新；示例分數並非行業標準，亦不保證查詢、成交或收入結果。實際設定須按資料量、服務流程、合約及個人資料用途審核。詳見編輯政策與資料更正原則。
