潛在客戶評分不是要讓 AI 替業務決定誰一定會成交，而是把每一筆表單、LINE、私訊、電話或廣告線索，先依照「適合度、需求明確度、互動行為、成交時程、資料完整度」分成可行動的優先順序。對台灣中小企業來說，最實用的做法是先用 AI 摘要線索內容，再由人設定五種分級：立即追、合格培養、待補資料、長期內容培養、排除。這樣業務不用平均追所有名單，行銷也能知道哪些來源帶來真正可成交的詢問。
為什麼名單很多，業務還是追錯人？
很多中小企業的問題不是沒有名單，而是所有名單都被當成同一種名單。廣告表單、官網諮詢、展場掃碼、LINE 私訊與舊客介紹，進來時看起來都像「有人詢問」，但背後的成交可能性差很多。有人只是比價，有人沒有預算，有人需求急但資料不完整，也有人已經符合服務條件，只差安排諮詢。
HubSpot 的 lead scoring 文件把分數拆成屬性與行為：可以用公司規模、產業、地區等屬性判斷適合度，也可以用活動互動、會議、銷售接觸等事件判斷參與度。這個方向值得借鏡，但台灣 SME 不一定要一開始就買完整平台；更務實的第一步，是把 CRM 或試算表裡已經存在的欄位，改成能被 AI 摘要、能被業務理解、能被 GA4 或廣告平台回傳的狀態。
潛在客戶評分先分 5 種，不要一開始就追求 100 分模型
中小企業資料量通常不夠大，直接做複雜預測模型容易變成假精準。先用五種分級，會比「0 到 100 分」更容易落地，因為每一級都對應明確下一步。
| 分級 | 判斷條件 | 業務下一步 | AI 可以幫忙什麼 |
|---|---|---|---|
| 立即追 | 需求、預算、時程、聯絡方式都清楚，且符合服務範圍 | 當天回覆、安排諮詢或報價 | 整理痛點、摘要預算與時程、草擬回覆重點 |
| 合格培養 | 符合客群，但時程未定或還在比較方案 | 安排內容跟進、寄案例、設定下次聯絡日 | 推薦案例主題、產生跟進摘要、標記反對理由 |
| 待補資料 | 有需求但缺少預算、地點、品項、公司規模或決策人資料 | 先問 2 到 3 個關鍵問題，不急著報價 | 產生補問清單，避免業務重複問無關問題 |
| 長期內容培養 | 尚未準備購買，但問題與未來需求有關 | 加入內容名單、提供指南或案例，不高頻推銷 | 歸類內容興趣，推薦 FAQ、白皮書或活動主題 |
| 排除 | 不符地區、預算、服務範圍，或明顯垃圾訊息 | 禮貌回覆或不進入業務待辦 | 標記排除理由，讓廣告與表單條件下次修正 |
AI 線索評分要先讀「文字脈絡」，再讀點擊數
傳統 lead scoring 常把表單送出、下載白皮書、開信、點擊頁面等行為加分。這些訊號有用，但對很多台灣服務業、B2B、顧問型、設備型或客製報價生意來說，真正關鍵常藏在文字裡：客戶描述的問題、急迫性、預算語氣、是否已比較過替代方案、是否提到決策者、是否只問最低價。
AI 的實用角色，是把非結構化內容整理成「評分證據」，而不是黑箱給一個分數。建議把每筆線索整理成固定欄位：需求摘要、客戶情境、預算線索、時程、地區、服務適配、缺漏資料、下一步、信心程度、人工覆核結果。業務看到的是「為什麼它被列為立即追」，不是只看到一個分數。
資料來源要串起來：表單、CRM、GA4 與廣告平台
Google Analytics 對 lead generation 已有一組建議事件。官方說明中，generate_lead 可用於表單或資訊請求，lead generation 還包含 qualify_lead、disqualify_lead、working_lead、close_convert_lead 等事件。開發者文件也把 generate_lead 定義為線索產生事件，並提供 lead_source、value、currency 等參數方向。
這代表行銷與業務不應只回報「收到幾筆表單」。比較好的資料路徑是：表單送出記為 generate_lead；人工或 AI 輔助判斷後，合格者記為 qualify_lead；明確不適合者記為 disqualify_lead；業務開始聯絡記為 working_lead；成交後再回填 close_convert_lead。即使一開始只在 CRM 或試算表做，也要先保留 lead source、campaign、landing page、業務分級、排除理由與成交結果。
若有投放 Google Ads，官方的離線轉換匯入與 enhanced conversions for leads 文件提醒，廣告平台可以用網站表單與後續離線成交資料連結，並透過雜湊後的第一方資料改善歸因與出價訊號。Google Ads API 文件也建議在可能時保留 GCLID，並匯入所有可用的離線轉換事件。對中小企業來說，這不是第一天就要全自動串接 API，而是先確保表單、CRM、成交結果有一致的欄位，否則後面沒有資料可以回傳。
台灣中小企業的隱私界線：AI 可以摘要，但不要亂丟個資
只要線索含姓名、電話、Email、公司、職稱、LINE ID 或對話內容，就涉及個人資料管理。台灣個人資料保護法第 8 條要求蒐集個資時明確告知蒐集機關名稱、目的、個資類別、利用期間地區對象方式、當事人權利，以及不提供資料的影響。把線索交給 AI 摘要或分類前，企業應先確認表單或客服流程的告知內容足夠，並避免把不必要的敏感資訊送進模型。
OpenAI 的 API data controls 文件說明，API 資料自 2023 年 3 月 1 日起預設不會用來訓練或改善模型，並說明 abuse monitoring logs、保留與進階資料控制。這類文件可以作為供應商評估的一部分，但不能取代企業自己的告知、權限控管、資料最小化與人工覆核。實務上，送進 AI 的內容應先遮蔽不必要的電話、Email、身分證字號、病歷、財務細節等資料，只保留判斷線索所需的商業脈絡。
七天導入法：不用等 CRM 全部重建才開始
第 1 天：定義什麼叫「值得追」
先請老闆、業務、客服各寫出過去 10 筆好客戶與 10 筆不適合客戶的差異。不要只寫「預算高」；要拆成地區、需求類型、決策速度、服務毛利、付款風險、售後負擔、是否符合公司定位。
第 2 天：把表單問題改成能判斷的問題
不要只問姓名電話。至少加入需求類型、預計時程、預算範圍、地區或服務範圍、目前卡住的問題。每題都要有理由，否則只會增加填寫阻力。
第 3 天：建立五種線索狀態
在 CRM、試算表或客服系統中新增五種狀態：立即追、合格培養、待補資料、長期內容培養、排除。每種狀態都要有下一步與 SLA，例如立即追 4 小時內回覆、待補資料 24 小時內補問。
第 4 天：讓 AI 只做摘要與建議，不做最終裁決
把客戶訊息、來源、表單欄位交給 AI，請它輸出摘要、建議分級、分級理由、缺漏資料、下一步訊息草稿。業務或負責人必須可以改分級，並留下改動原因。
第 5 天：把 GA4 lead events 與 CRM 狀態對齊
表單送出對應 generate_lead；合格變成 qualify_lead；排除變成 disqualify_lead；業務開始追蹤變成 working_lead；成交後回填 close_convert_lead。低流量網站可以先每週整理，不必一開始就全自動。
第 6 天：檢查隱私告知與資料遮蔽
確認表單、LINE 自動回覆或諮詢頁面有清楚說明資料用途。輸入 AI 前，先移除不必要的個資欄位；只有需要業務判斷的商業條件才進入摘要。
第 7 天：回顧分級是否真的節省時間
檢查三個數字：立即追線索是否更快被回覆、排除線索是否減少業務干擾、合格培養線索是否有下一步內容或再聯絡日。如果只是多了一個欄位卻沒有改變業務行動，就要重修分級規則。
適用與不適用情境
這套方法適合需要人工判斷的服務業、B2B、醫療自費諮詢、教育課程、顧問、裝修、設備、批發、客製電商與高單價本地服務。這些生意的成交不只看點擊，而是看需求條件、信任、時程與後續溝通。
它不適合把 AI 當成完全自動拒絕客戶的黑箱，也不適合資料非常少卻想做精準預測的團隊。如果每週只有幾筆線索，先做人工標籤與回顧即可；如果產業涉及高度敏感個資，必須先處理法遵、權限、資料最小化與供應商契約，再談 AI 評分。
資料更新與適用性
本文依 2026 年 6 月可查的官方文件與公開頁面整理。重要來源包括 Google Analytics 的 recommended events、Google Analytics Developers 的 lead generation events、Google Ads 的 offline conversion imports、Google Ads API 的 enhanced conversions for leads、HubSpot 的 lead scores documentation、OpenAI 的 API data controls，以及台灣個人資料保護委員會籌備處的 個資法第 8 條英文頁。平台功能、法規解釋與廣告歸因機制可能更新，實作前仍應確認帳戶後台與法務意見。
結論：先讓名單變成決策，再讓 AI 加速
潛在客戶評分的價值，不在於做出看起來很聰明的分數，而在於讓每筆線索都有清楚下一步。台灣中小企業可以先用 AI 摘要客戶脈絡，用五種分級降低業務追錯人的時間，再用 GA4 與 CRM 狀態回頭修正行銷來源。當資料品質、告知、人工覆核與成交回填都穩定後，再考慮更進階的自動化與預測模型，才不會只是把混亂流程自動化。
FAQ
潛在客戶評分一定要買 CRM 才能做嗎？
不一定。每週線索量不大時，可以先用試算表建立五種狀態、來源、需求摘要、下一步與成交結果。等規則穩定後，再搬到 CRM 或自動化工具。
AI 線索評分可以直接決定誰要被業務聯絡嗎？
不建議。AI 適合摘要、分級建議與提醒缺漏資料，最終是否追蹤、排除或報價，仍應由業務或負責人覆核，尤其是高單價與敏感產業。
潛在客戶評分要用 100 分制還是分級制？
中小企業初期建議用分級制，因為立即追、合格培養、待補資料、長期培養、排除都能對應明確行動。100 分制可以等資料量與成交回填穩定後再做。
GA4 的 generate_lead 和 qualify_lead 差在哪裡？
generate_lead 是線索產生，例如表單送出；qualify_lead 是後續被判定符合合格線索條件。前者看名單量，後者才開始接近名單品質。
把客戶對話丟給 AI 做評分有個資風險嗎？
有可能。建議先確認蒐集告知、資料用途、權限與供應商資料政策，並在送入 AI 前遮蔽不必要個資，只保留評分所需的商業脈絡。