名單評分 AI 別先買工具：台灣 SME 先修 5 個跟進斷點

直接答案：名單評分 AI 不是先買一套昂貴 CRM 或把所有客戶丟給模型打分數，而是先把「誰該先回、為什麼先回、回完有沒有結果」整理成可追蹤流程。台灣 SME 最容易漏掉的不是 AI 模型，而是表單、LINE、電話、Meta lead form 和官網詢問各自散落，業務只挑自己熟的回，最後熱名單被拖過黃金時間。先修 5 個跟進斷點，再談 AI 自動評分。

名單評分 AI 要解決的，不是分數，是跟進順序

很多中小企業一聽到 lead scoring，就想到很複雜的 CRM、資料科學模型或大型業務團隊。但對多數台灣服務業、B2B、電商高單價商品、課程、診所行政、裝修、顧問和在地門市來說，最先需要的不是完美分數，而是每天早上打開名單後能回答三件事：誰最可能成交、誰最需要今天回、誰缺資料不能亂追。

HubSpot 的 AI lead score 文件把 AI 評分建立在聯絡人的互動與適配資料上，並要求先選定生命週期階段變化與評估期間；Salesforce Einstein Lead Scoring 則說明系統會依過去轉換模式預測目前名單優先順序，並顯示影響分數的欄位。這兩個官方文件透露同一個核心：AI 不是憑空猜，它需要乾淨的名單狀態、互動紀錄與成交回饋。

這篇適合誰，不適合誰

這篇適合已經有穩定名單來源，卻常出現「表單很多但業務追不到」、「LINE 私訊一多就漏回」、「廣告名單品質難判斷」、「老闆不知道業務到底先追誰」的台灣 SME。若你的名單來自官網表單、Meta lead form、LINE 官方帳號、一頁式活動、門市 QR code、Google 商家檔案或電話詢問，都可以用這套方法先做最小版評分。

這篇不適合完全沒有名單量、每週只有一兩筆詢問、或業務流程還沒有固定負責人的團隊。這種情況要先做好基本回覆 SOP 與表單欄位，不必急著導入 AI。名單太少時，分數會看起來很精密，實際上只是把個案包裝成規則。

先修 5 個跟進斷點，再導入名單評分 AI

1. 來源斷點：名單從哪裡來，不能只寫「網路」

名單來源如果只分成網路、介紹、門市，AI 很難判斷跟進順序。你至少要知道它來自 Google 搜尋、Meta 廣告、LINE rich menu、官網表單、活動頁、舊客轉介紹或門市 QR code。Google Analytics 的 lead generation 教學提醒，表單位置、表單觸達、開始填寫與送出都能用事件理解漏斗。這對 SME 的意義是：來源不只是報表欄位，而是判斷客戶意圖的第一層證據。

例如「Google 搜尋來的裝修估價」和「IG 抽獎來的私訊」都叫名單，但前者可能已經有明確需求，後者可能只是低成本互動。如果你把兩者混在同一張表，AI 分數再漂亮也會把業務帶到錯的地方。

2. 意圖斷點：不要只問聯絡方式，要問下一步

中小企業常把表單做得很短，只收姓名、電話、Email。短表單能提高送出率，但也讓業務不知道對方要報價、預約、詢問方案、售後服務、合作提案還是單純拿資料。Meta Blueprint 的 Conversions API for CRM 訓練把 CRM 資料串接、qualified leads 優化與整合狀態監控放在同一套流程中討論；這表示名單品質不是只有廣告端決定，後端欄位同樣重要。

最小做法是加一個「你現在最想完成什麼」的選項，搭配自由欄位。選項可以很少：想預約、想報價、想比較方案、已有預算、只是先了解。這些不是為了刁難客戶，而是讓團隊知道第一句回覆要怎麼說。

3. 時效斷點：分數高但兩天後才回，仍然浪費

名單評分 AI 最怕被當成「排序報表」而不是「回覆工作流」。如果高分名單沒有 SLA，分數只會提醒你錯過了誰。台灣 SME 可以先設簡單規則：高意圖名單 30 分鐘內回、一般詢問 4 小時內回、資料不足名單先自動補問一題、客服型問題不要丟給業務。

這裡的 AI 可以做兩件事：第一，根據來源、問題與歷史成交標記，提示優先順序；第二，幫忙產生第一則回覆草稿。但 AI 不應自行承諾價格、療效、交期或庫存，這些要回到內部規範與人工確認。

4. LINE 斷點：標籤和備註不整理，私訊越多越亂

LINE 官方帳號是台灣 SME 常用的跟進入口，但很多團隊只把它當聊天工具。LINE Official Account Help 說明，聊天室可以用標籤分組管理使用者，也可以用備註記錄資訊；未購買 Chat Pro 時，標籤和備註數量有明確限制。這代表小團隊更需要先設計少而準的標籤，而不是看到什麼就加什麼。

建議先用 6 到 8 個標籤：新詢問、已報價、待補資料、已預約、高意圖、舊客、客服問題、暫不追。AI 可以協助把對話摘要成標籤建議，但最終標籤要能被真人看懂。若標籤名稱太抽象，例如「A1」、「暖」、「重要」，新人接手時很快會失真。

5. 回寫斷點：業務結果沒有回到名單，AI 只會越學越偏

Salesforce 的 Einstein 文件提到，系統會分析過去已轉換名單與目前名單的相似性，也會定期重新分析資料。這提醒 SME 一件事：如果業務成交、失敗、無效名單、預算不合、重複詢問都沒有回寫，模型只能看見前端互動，看不見真正結果。

最小回寫欄位不需要複雜：狀態、失敗原因、成交金額區間、下一步日期、負責人。重點不是一開始就做預測模型，而是讓每一次跟進都變成下一次判斷的資料。

30 天手動版：先不用買工具，也能做名單評分

如果你還沒有 CRM 或資料量不大，可以先用 Google Sheets、Airtable、Notion database 或現有客服系統做 30 天手動版。每筆名單只評 5 個欄位，每欄 0 到 2 分，滿分 10 分。

7 分以上今天優先回，4 到 6 分先補資料，3 分以下進培育或客服分流。這張表的目標不是取代業務，而是讓老闆、行銷和業務對「好名單」有同一套語言。

名單評分 AI 與 CRM 工具怎麼選

工具選型可以晚一點，欄位設計要早一點。若 30 天手動版已經能穩定判斷高意圖名單，導入 AI 才會有清楚任務：縮短判斷時間、提醒漏追、產生回覆草稿、找出來源品質差異，而不是把混亂流程自動化。

資料與個資界線：AI 可以看欄位，不一定要看完整個資

台灣個人資料保護法規範個人資料的蒐集、處理與利用。導入名單評分 AI 時，不要把姓名、手機、Email、病史、完整 LINE 對話、訂單備註全部丟進模型，只為了換一個分數。多數評分流程可以先用去識別化資料：來源、需求類型、預算區間、時效、互動次數、狀態、成交與否。

如果使用 LINE Messaging API 或 webhook 串接系統，LINE Developers 文件也提醒 webhook 伺服器要驗證簽章，並建議非同步處理事件。這代表中小企業在做 AI 分流時，除了行銷效率，也要注意資料安全、權限、紀錄保存與錯誤重送。

資料更新與來源

本文於 2026-10-12 依公開官方文件與可查證資料整理。HubSpot、Salesforce、LINE、Meta、Google Analytics 與台灣個資法實務可能更新；正式導入前，仍應回到官方文件、現行法規與自己的資料處理政策確認。

• HubSpot Knowledge Base：Build contact lead scores with AI
• Salesforce Help：Einstein Lead Scoring
• Google Analytics Help：How to generate more leads on your website
• LINE Official Account Help：Chats, tags and notes
• LINE Developers：Receive messages webhook
• Meta Blueprint：Improve lead quality with Meta Conversions API for CRM
• 全國法規資料庫：個人資料保護法

結論：先讓名單可判斷，再讓 AI 幫你排順序

名單評分 AI 最有用的地方，不是把每個客戶變成冷冰冰的分數，而是讓小團隊少漏掉真正該先回的人。先整理來源、意圖、時效、LINE 標籤與業務回寫，再用 AI 協助排序、提醒和產生回覆草稿。當流程乾淨，AI 才能幫你把好名單送到對的人手上，而不是把混亂放大成更快的混亂。

FAQ

名單評分 AI 一定要先買 CRM 嗎？

不一定。若每週名單量不大，可以先用試算表做 30 天手動評分，確認欄位、分數和跟進規則有效後，再評估 AI 或 CRM 工具。

台灣中小企業名單評分最重要的欄位是什麼？

先抓來源、需求明確度、時效、預算或規模、回覆可行性。這 5 個欄位比一開始收集太多細節更容易落地。

LINE 官方帳號可以做名單評分嗎？

可以，但要先設計少而準的標籤和備註規則，例如新詢問、已報價、待補資料、高意圖、客服問題。AI 可協助摘要，但標籤要讓真人接手也看得懂。

AI 名單評分會不會誤判客戶？

會，所以不要讓 AI 單獨決定是否放棄名單。分數應該用來排序跟進、提醒補資料與找出漏追，而不是替代業務判斷。

導入名單評分 AI 要注意個資嗎？

要。多數評分可以先使用去識別化欄位，例如來源、需求類型、預算區間、狀態與成交結果；避免把完整個資或私訊內容直接交給模型。