lead scoring 真正要解的，不是把每一筆名單都打上一個看起來很聰明的分數，而是幫你更快分清楚「這個人適不適合」「現在急不急」「該由誰先接」。對台灣 SME 來說，最實用的做法通常不是一開始就買 AI 預測，而是先把 fit、intent、負分訊號、接手時限拆清楚，再讓工具幫你自動計算。只要這一步先做好，業務就不會把所有填表者都當成同一種詢問，行銷也比較知道哪些來源真的值得加碼。
lead scoring 先看結論：它真正要解的是什麼問題
HubSpot 在 2026 年 2 月 20 日更新的 lead scoring 文件裡，直接把它定義成根據 property values 與 event actions，替 contacts、companies 或 deals 指派數值分數，用來判斷誰最適合、誰最投入。這個定義很重要，因為它說明分數的目的不是裝飾 CRM，而是做優先順序。HubSpot Knowledge Base
Salesforce Trailhead 對 lead qualification 的說法也很直白：當業務時間有限時，你需要一套標準，確保被送去 sales 的不是「看起來有填表」的人，而是更接近 sales-ready criteria 的人。它同時區分了 MQL 與 SQL，提醒你 fit 與 readiness 本來就不是同一件事。Salesforce Trailhead
換成台灣 SME 的語言，lead scoring 要回答的是三件事：這筆名單像不像你的理想客戶、他現在有沒有明確行動意圖、如果今天不先追他，機會成本高不高。只要這三件事沒分開，你就很容易把「剛下載資料但根本不適合」的人，和「昨天已經問報價、只差決策」的人，放進同一個待追清單。
為什麼很多台灣 SME 名單很多，業務卻還是追錯人
很多小團隊的問題不是沒有名單，而是所有名單看起來都差不多。表單只留姓名電話、LINE 詢問沒有標來源、網站行為沒接回 CRM、詢價內容又沒有摘要，最後業務只能用直覺判斷誰先追。
這也是為什麼只看「有沒有填表」很危險。HubSpot 官方產品頁雖然把 AI-assisted engagement scoring 當成賣點，但它同時強調 fit 與 engagement 要一起看，而且分數必須在 CRM 記錄裡可被看見與追蹤。換句話說，若團隊只知道有人互動，卻不知道他像不像理想客戶，那個高分也可能只是高噪音。HubSpot Lead Scoring Software
對台灣 SME 來說，最常見的錯誤有三種：第一，所有下載資料的人都被視為高意圖；第二，只看點擊與開信，沒看產業、地區、服務範圍或客單價；第三，業務跟進後沒有回寫結果，導致分數永遠學不到哪些高分其實不會成交。
lead scoring 一定要先拆 fit 與 intent
Salesforce 在 qualification model 教材裡把 scoring 與 grading 分開，原因就是「有興趣」和「適不適合」本來是兩個維度。score 比較像互動與意圖，grade 比較像適配度。這個拆法對台灣 SME 特別有用，因為很多生意不是沒詢問，而是詢問的人不在服務範圍、預算差距過大，或決策模式根本不匹配。Salesforce Trailhead
如果你把 fit 與 intent 混成一個總分，結果通常會失真。像是很符合目標客群、但只是剛加入名單的人，和完全不符合目標客群、卻一直點價格頁的人，可能都拿到差不多的分數。表面上看起來公平，實際上卻讓業務更難排優先順序。
所以第一步不是先問 AI 能不能幫你預測，而是先決定哪些欄位屬於 fit，哪些行為屬於 intent，哪些訊號要扣分。這個規則一旦寫清楚，未來不管你用試算表、CRM 規則還是 predictive lead scoring，都比較不會把錯誤自動化放大。
台灣 SME 最實用的 4 類 lead scoring 訊號
若你是小團隊，最穩的做法不是列 50 個條件，而是先從 4 類訊號開始：基本 fit、明確 intent、負分訊號、時間與回溫訊號。這四類已經足夠讓多數台灣 SME 把名單排序做得比現在清楚很多。
| 訊號類型 | 建議先看什麼 | 為什麼重要 | 建議動作 |
|---|---|---|---|
| Fit 訊號 | 產業、地區、公司規模、服務範圍、客單價帶 | 先判斷是不是理想客戶 | 符合條件可加分，不符合要扣分或退回 nurture |
| Intent 訊號 | 報價表單、預約、查看價格頁、回覆 Email、主動留言 | 反映現在有沒有行動動機 | 高意圖訊號應觸發更快的人工接手 |
| 負分訊號 | 學生求職、非服務區、競品研究、錯誤聯絡方式、只索取免費資訊 | 避免高互動卻低成交機率的噪音 | 直接扣分或排除出業務池 |
| 時間與回溫訊號 | 最近 7 天互動、30 天未回覆、重訪價格頁、再次預約 | 判斷優先順序是否要升降 | 設定分數老化與再次升分規則 |
HubSpot 的 scoring 設定裡，不只可以加分，也能扣分，還能設定 group limit 與 score decay。這些功能背後的邏輯很值得借來用：你不能只讓分數一直往上累積，否則一筆兩個月前很熱、現在完全沒動靜的名單，還是會卡在高分區。HubSpot Knowledge Base
Microsoft 的 predictive lead scoring 也補了一個很關鍵的觀念：除了分數，還要看 trend 與 top reasons。若一筆 lead 從 65 掉到 45，或高分背後只是一個偶然事件，那就不該和近期持續升溫的名單被當成同等優先。Microsoft Learn
分數門檻、老化規則與接手 SLA 怎麼定
Salesforce Trailhead 在 threshold 的建議裡，會先給一個起點，例如 score threshold 從 100 分開始，再依業務回饋往上或往下調整。它強調的是「先有門檻，再用回饋微調」，而不是期待第一天就找到完美數字。Salesforce Trailhead
對台灣 SME 來說，比起迷信絕對分數，更重要的是先把接手規則寫清楚。例如 80 分以上且最近 7 天有高意圖行為，1 小時內由業務回覆；50 到 79 分由客服或行銷先補資料；50 分以下先進 nurture，不急著交業務。這樣分數才會真的接回營運，而不是只停在報表上。
老化規則也不能省。若某筆名單一個月前看過價格頁、現在完全沒反應，就不該永遠卡在高分。HubSpot 的 score decay 就是在提醒你：時間本身就是訊號。對小團隊最簡單的做法，是設定 14 或 30 天內無高價值行為就逐步降分，避免待辦清單被過期熱度占滿。
哪些情況不要只靠 AI 或高分就直接交業務
高分不代表一定該立刻交業務，尤其當資料欄位還不完整時更是如此。若表單沒有地區、服務類型、預算帶，或詢問內容根本看不出需求，AI 再會摘要，也只能把模糊資訊整理得更像一篇完整句子，不代表它已經變成可成交商機。
Microsoft 的 predictive lead scoring 文件之所以強調 top positive 與 negative reasons，就是因為分數需要可解釋性。你至少要知道這筆高分是因為連續三次高價值互動，還是只是某個單一事件偶然被放大。若你連原因都看不到，就不該把它當成自動排程的唯一依據。Microsoft Learn
另外，像價格例外、代理或轉介紹、法遵敏感問題、醫療與金融場景、跨區需求，這些都不適合只靠分數決定。lead scoring 最適合做的是排序，不是替公司做最後判斷。真正高風險的承諾、折扣、交期與例外條件，仍應保留人工確認。
7 天把 lead scoring 上線的簡化 SOP
第 1 天，先列出最近 20 到 30 筆詢問，包含表單、LINE、電話、Email 與預約來源，找出哪些條件其實最常影響成交與不成交。
第 2 天，把條件拆成四欄：fit、intent、負分、時間。先不用追求很細，能讓團隊一致判斷就夠了。
第 3 天，替每一欄寫出簡單加減分規則，例如地區符合加分、價格頁重訪加分、錯誤電話扣分、30 天無互動降分。
第 4 天，定接手門檻與 SLA。至少先分三層：高分立即回、中分補資料、低分 nurture。
第 5 天，找業務與客服一起回看最近 10 筆名單，確認這套規則有沒有把真正值得追的人排前面。
第 6 天，如果要用 AI，先只讓它做兩件事：摘要詢問脈絡、標記可能原因。不要一開始就把成交機率全交給模型決定。
第 7 天，正式跑一週，並要求回寫結果：是否接通、是否報價、是否成交、為何失單。這些回寫資料才是你下次調整 lead scoring 的真正依據。
資料更新與來源
本文於 2026 年 8 月 1 日 整理並檢查 HubSpot、Salesforce Trailhead 與 Microsoft Learn 的公開內容。這些來源多來自 SaaS 與 CRM 場景，但它們提供的 fit / engagement、score / grade、threshold、trend、decay 邏輯，仍然很適合翻成台灣 SME 的實務名單分級流程。
- HubSpot Knowledge Base: Build lead scores to qualify contacts, companies, and deals
- HubSpot: Lead Scoring Software
- Salesforce Trailhead: Get to Know Lead Qualification
- Salesforce Trailhead: Create a Lead Qualification Model
- Salesforce Trailhead: Support a Lead Qualification Model with Account Engagement
- Microsoft Learn: Prioritize leads through predictive scores
需要注意的是，Microsoft 頁面的完整產品設定細節部分受授權限制；本文只引用公開可見的 score、trend、grade 與 reasons 訊號。實際平台欄位、可用方案與刷新頻率，仍應以你自己的 CRM 帳戶設定為準。
結論
lead scoring 做得好，團隊得到的不是一個更漂亮的分數欄位，而是一個更清楚的接手順序。對台灣 SME 來說，先把 fit、intent、負分訊號、老化規則與 SLA 寫清楚，再讓工具幫你算，通常比直接追求 AI 黑盒預測更快見效，也更容易真的提升回覆效率與成交品質。
FAQ
lead scoring 和 MQL、SQL 有什麼差別？
lead scoring 是評估優先順序的方法，MQL 與 SQL 則是你對名單階段的定義。分數可以幫你判斷誰接近 MQL 或 SQL，但兩者不是同一個欄位。
台灣 SME 沒有完整 CRM，也能先做 lead scoring 嗎？
可以。先用試算表或簡單表單把 fit、intent、負分與時間訊號寫清楚，再訂接手門檻與回寫規則，之後再搬進 CRM 也不晚。
lead scoring 一開始就需要 AI 嗎？
不需要。最重要的是規則與資料欄位先清楚。AI 比較適合先做摘要、標記原因與協助排序，而不是在基礎欄位都還混亂時直接預測成交機率。
哪些訊號最值得先扣分？
像是非服務區、錯誤聯絡資訊、學生求職、競品研究、只想索取免費資料卻沒有進一步需求，這些都很適合先列入負分或排除規則。
分數門檻應該多久調一次？
剛上線時建議每週看一次，至少連跑 2 到 4 週後再調整。重點不是天天改數字，而是看高分名單最後是否真的比較快回覆、較容易報價或較容易成交。