AI 名單評分的直接答案是：小公司不要先買模型，先把「誰值得追、多久內追、追完要留下什麼紀錄」變成固定欄位。如果 CRM 裡只有姓名、電話和來源，AI 只能把混亂放大。台灣 SME 比較實際的做法，是先用 fit、engagement、urgency、consent、owner 這 5 個欄位做人工分級，再讓 AI 協助摘要、補齊公司資料、提醒 follow-up 和檢查漏回。等資料量和成交紀錄夠乾淨，再談預測式評分。
AI 名單評分先解決交接，不是先追求分數漂亮
很多團隊想做 AI 名單評分，是因為廣告、表單、LINE、展會名片或內容下載進來後，業務不知道先追誰。這個問題看起來像資料科學，其實更常是交接問題：行銷說有名單，業務說不夠準；業務說已經追，行銷看不到結果；老闆只看到名單數，卻不知道哪些真的接近成交。
HubSpot 的文件把 lead score 用在 CRM 物件、工作流程與報表，且區分 engagement、fit 與 combined scores；AI score 還需要用帳戶內的聯絡人資料訓練模型。來源：HubSpot lead scoring tool、HubSpot AI lead scores。這提醒小公司一件事：分數不是獨立報表，它要接到欄位、流程、通知、負責人和回填。
這套做法適合誰，不適合誰
適合已經有官網表單、LINE 官方帳號、廣告名單、展會名片、內容下載或門市詢問的台灣 SME。每月名單量不一定要很大，但至少要有人負責回覆、有人看 CRM、有人能判斷成交或未成交原因。
不適合完全沒有固定名單來源、沒有 CRM 或試算表紀錄、業務不願意回填結果，或把 AI 當成代替銷售判斷的團隊。若一筆名單追完後只留下「已聯繫」三個字，模型下次仍然不知道它為什麼成交或為什麼流失。
先補 5 個交接欄位，再談 AI 名單評分
第一個欄位是 fit，也就是這個人或公司是否符合你想服務的客群。B2B 可看產業、公司規模、職務、地區與預算層級；在地服務業可看服務區域、需求類型、預約時段和是否真的能服務。不要把「有填表」直接當成高分。
第二個欄位是 engagement。它不是單純看點擊，而是看接近成交的行為，例如看過價格頁、案例頁、規格頁、預約頁、報價說明，或在 LINE 裡問到交期、庫存、付款、試用、維修、安裝。Salesforce 對 lead scoring 的說明也把人口統計與行為資料都放進評分邏輯，並強調要用成交率回頭校正屬性。來源：Salesforce：What Is Lead Scoring?。
第三個欄位是 urgency。台灣 SME 很常漏掉這一格：客戶是今天要報價、月底前要上線、只是蒐集資料，還是問完就消失。急迫性會決定 SLA。如果高 fit 又高 urgency，應該在同一天內有負責人追蹤；如果只是低急迫研究型名單，就放進培育內容，不要逼業務每天重複打擾。
第四個欄位是 consent 與來源。名單從哪裡來、對方是否知道會收到後續聯繫、是否曾經表示不要再收行銷訊息，都要留在欄位裡。台灣個資法要求非公務機關使用個人資料應在特定目的必要範圍內；第一次作行銷使用時也要提供拒絕方式，對方反對後應停止行銷使用。來源：全國法規資料庫：Personal Data Protection Act。
第五個欄位是 owner 與 next action。這一格最無聊，卻最容易讓分數失效。每筆高分名單都要有負責人、下一步、期限和結果選項，例如已約會議、已報價、等客戶資料、無效名單、不適合、拒絕再聯繫。AI 可以提醒漏追，但不能替團隊承擔責任。
| 欄位 | 低成熟度寫法 | 可交接寫法 |
|---|---|---|
| fit | 客戶類型：其他 | B2B 製造業、20 到 50 人、需要官網詢價流程 |
| engagement | 來源：廣告 | 看過案例頁與價格頁，表單問到上線時間 |
| urgency | 很急 | 希望 2 週內取得報價，下月前完成決策 |
| consent | 有電話 | 表單同意聯繫，尚未反對行銷使用 |
| owner | 業務處理 | Peggy 8/22 17:00 前電話，回填結果選單 |
手動、規則式、AI 評分怎麼選
一開始名單量少、成交樣本少，先用手動分級。A 級是符合客群、行為接近成交、時間明確；B 級是符合客群但還在比較；C 級是不確定或需要培育；D 級是無效、重複或不適合。這比一開始就做 1 到 100 分更容易讓業務採用。
當每月有固定名單、欄位也穩定時，再進入規則式評分。例如案例頁加分、價格頁加分、學生或非服務區域扣分、重複名單合併、已拒絕行銷者排除。HubSpot 文件也提醒 AI 分數有資料門檻，例如 AI score 需要一定數量的已轉換與未轉換聯絡人樣本。小公司要先確認自己不是把 30 筆髒資料丟給模型。
等到 CRM 有連續數月的乾淨成交、未成交、來源、互動和回填資料，再讓 AI 做預測式或輔助式評分。AI 最有價值的地方不一定是最後分數，而是幫你找出漏填欄位、摘要對話、辨識重複名單、提醒 SLA 逾期，或把業務回填整理成下次可用的信號。
| 階段 | 適合條件 | 主要風險 | 台灣 SME 建議 |
|---|---|---|---|
| 人工 A/B/C/D | 名單少、資料不完整 | 每個人標準不同 | 先定義欄位與範例，每週校正一次 |
| 規則式評分 | 來源穩定、行為可追 | 規則太多，沒人維護 | 先做 5 到 8 條高信號規則 |
| AI 預測評分 | 有足夠成交與未成交歷史 | 髒資料讓模型自信地排錯 | 先把 AI 用在摘要、補欄位與漏追提醒 |
7 天內可以先做的導入步驟
第 1 天，拉出最近 30 到 100 筆名單，不要先裝工具。把成交、未成交、無效、未追、待回覆分開，看你現在到底缺的是名單量、名單品質，還是追蹤紀錄。
第 2 天，和業務一起定義 A/B/C/D。每一級只寫 3 到 5 個判斷條件，不要讓表格變成教科書。第 3 天，把 fit、engagement、urgency、consent、owner 放進 CRM 或試算表欄位。第 4 天，補最近名單的最小資料，不追求完美，只追求可交接。
第 5 天，設定第一版 SLA：A 級同日追、B 級 2 個工作天內追、C 級進培育內容、D 級排除或合併。第 6 天，讓 AI 做輔助工作，例如把表單備註摘要成需求、提醒缺欄位、產生第一封跟進草稿，但所有評分理由仍要看得懂。第 7 天，檢查業務有沒有真的照分級追，並把成交或流失原因回填。
資料、個資與模型限制要先講清楚
AI 名單評分會碰到個人資料、商業機密和客戶信任。不要把沒有必要的身分資料、敏感備註、私人對話或未取得授權的名單丟進外部工具。經濟部產業競爭力輔導團頁面說明，相關資源涵蓋 AI、數位轉型、人才培育、金融支持與市場拓展；這代表導入 AI 前，營運資料與流程要先站得住。來源：經濟部產業競爭力輔導團。
如果你用的是外部 CRM、行銷自動化或 AI 工具，至少確認三件事：資料會被存在哪裡、誰可以看、是否會被拿去訓練或改善服務。個資法第 20-1 條也要求非公務機關持有個人資料檔案時，要採取安全維護措施，防止個資被竊取、竄改、毀損、滅失或洩漏。
資料更新與來源
本文於 2026-08-22 更新。Lead scoring 工具功能、AI 評分門檻、CRM 權限與台灣個資主管機關實務可能變動，導入前應回到官方文件與自己的工具後台確認。
- HubSpot：Understand the lead scoring tool
- HubSpot：Build contact lead scores with AI
- HubSpot：Predictive lead scoring
- Salesforce：What Is Lead Scoring?
- 全國法規資料庫：Personal Data Protection Act
- 經濟部產業競爭力輔導團
結論
AI 名單評分真正要改善的不是報表分數，而是讓行銷、業務和老闆看同一個事實：這筆名單為什麼值得追、誰要追、多久內追、追完怎麼回填。台灣 SME 先把 5 個交接欄位補齊，再用 AI 做摘要、提醒、補資料和漏追檢查，通常比直接買一套預測模型更快看到行為改變。分數要能推動下一步，才算有用。
FAQ
AI 名單評分一定要先有 CRM 嗎？
最好有 CRM，至少也要有固定試算表欄位。沒有一致欄位時，AI 只能讀到零散紀錄，分數很難被業務信任。
名單少的公司可以做 AI 名單評分嗎？
可以先做人工 A/B/C/D 分級，再用 AI 輔助摘要、補欄位和提醒漏追。名單少時不建議急著做預測式模型。
AI 名單評分要看哪些資料？
至少看客戶 fit、互動行為、急迫性、來源與同意狀態、負責人和後續結果。只看名單來源或點擊通常不夠。
高分名單多久內要追？
可先設定 A 級同日追、B 級 2 個工作天內追、C 級進培育內容。實際 SLA 要依產品價格、成交週期和人力調整。
AI 名單評分會有個資風險嗎？
會。名單評分會處理個人資料與聯繫紀錄，導入前要確認使用目的、拒絕方式、資料安全、權限和外部工具資料使用條款。