当需要设计、验证或重校准线索评分模型，或诊断销售拒绝…

适用于 B2B sales-led、PLG 和 B2C 的 lead scoring 设计、回测、阈值/层级/衰减/治理与坏模型诊断。

适用场景

解决思路

1. 把评分拆成两个独立轴：fit（能否购买：firmographic、demographic、technographic）和 engagement（是否即将购买：behavioral、in-product）。
2. 把验证和治理纳入设计本身，而不是事后补充：没有销售签核、没有重校准、把 MQL 数量当目标，是评分失败的主因。
3. 设计前先做 Interview，每条消息只问一个问题，尽量给多选，用户已答则跳过；依次问：哪种 motion：sales-led B2B、PLG/self-serve with sales assist、还是 B2C transactional。
4. Interview 问题：每月新 leads 约多少，过去 12-24 个月有多少 closed-won 和 closed-lost 结果；这决定规则式还是预测式，以及回测空间。
5. Interview 问题：lead 记录创建时实际有什么，包括每个 fit 字段的 enrichment 覆盖、表单字段、产品事件；分数下游是数据质量。
6. Interview 问题：是否已有模型；若有，是重新设计还是先诊断。
7. Interview 问题：销售每周实际能处理多少 leads；这是诚实的阈值约束。
8. Interview 问题：谁签字，哪个销售领导，以及他们会对模型持守什么 acceptance-rate 下限。
9. Interview 问题：有无 EU 或 consent 约束；行为评分在 GDPR 下是 profiling，lawful basis 必须记录。
10. Interview 问题：模型必须何时上线评分，什么在等待它；两周内排除 enrichment 采购和 conversion-band threshold 方法，一个季度可负担两者。
11. Interview 问题：一次性胜利还是复利资产；单一活动列表止步于 v1 权重和能力阈值，复利任务才值得 enrichment、完整回测和重校准节奏。
12. Interview 问题：努力上限是什么，包括分析师小时、CRM/营销自动化管理员权限、数据合同采购和法律路径、能花多少销售注意力；无分析师排除从 won/lost 重推权重和 conversion-band 方法，无采购路径直接删除 enrichment 阶梯而不是排最后。
13. 把最后三个答案，即上线日期/等待事项、一次性还是复利、努力上限，带入本技能及参考中的所有排序；它们是唯一会重排默认值的输入。
14. 每次推荐阶梯前重新排序默认值，例如：已有 enrichment 合同则将该阶梯塌缩为字段映射并升到顶部；CRM 的 fit 字段以高覆盖自报在表单上则移除覆盖菜单；无分析师则提升所有 CRM 管理员可独自交付的阶梯，并降低所有需要 cohort 分析的阶梯。
15. 审计数据：测量过去 90 天 leads 每个 fit 字段的 enrichment coverage；fit 字段低于约 70% coverage 表示大多数数据库永远达不到阈值，即 enrichment-ceiling failure。
16. coverage 不足时按 efficiency 排序处理：未知值评 0 分 > enrich the field > drop the field。
17. coverage 不足时按 value 排序处理，即模型能实际作用的 fit signal：enrich the field > 未知值评 0 分 > drop the field。
18. coverage 不足时按 effort 排序处理：enrich the field > drop the field > 未知值评 0 分。
19. coverage 不足时按 compliance cost 排序处理：enrich the field > 未知值评 0 分 == drop the field。
20. 评估努力量级：未知值评 0 分近乎零，是评分配置更改且一键可逆；drop the field 约一小时且最不可逆，因为信号停止收集，下次重校准无法重推其权重除非先重建历史；enrich the field 在第一个 lead 评分前需要采购和合同步骤，之后是持续 per-record 依赖和要永远监控的 coverage 数字。
21. 默认选择未知值评 0 分：它保持每个薄记录可基于 engagement 评分，并可本周上线；合规平局理由是 0 规则和删除都不引入新数据源，所以都不触发 consent 或 provenance 审查，而 enrichment 会，因为第三方 fit 数据是 GDPR 下的 profiling 输入，其 lawful basis 和 provenance 必须记录后才能评分。
22. 命名默认带来的 bias：未知值评 0 分会降低因非 fit 原因而记录薄的记录，例如 SMB、非美国、隐私意识买家；所以单独跟踪其转化作为 cohort，若仍转化则重推权重。
23. 理解该顺序会饿死 enrichment：它价值第一、努力第一，所以比率从不买它，而它是唯一恢复信号而非绕过信号的阶梯；仅在以下情况提升 enrichment：字段是 ICP 门本身，例如企业 ACV 的员工数；coverage 整个数据库低而非一个 segment；合同已存在。
24. 当 Interview 没给采购路径时，删除 enrichment 阶梯并明确说已删除，避免停在列表底部的阶梯作为没人批准的季度供应商电话回来。
25. 在 B2C/PLG 中，将 decay、阈值、rescore 频率和 recalibration 调得更快，因为主导信号源是产品内行为而非表单和内容，没有购买委员会，周期以天计而非季度。
26. 从结果推导信号，而非直觉：拉 12-24 个月 closed-won 和 closed-lost 记录；比较两组信号频率；保留相对基线有真实转化差的信号。
27. 验证每个信号在评分时已存在；陷阱是字段在 won 交易上看起来完整，因为销售在 close 前填写。
28. 从 references/signal-taxonomy.md 构建信号目录：fit 和 engagement 作为两个独立分数；硬 disqualifiers 作为 exclusions，绝不作为负分；软降级作为负分；decay 仅作用于 engagement。
29. 按 references/weighting-and-thresholds.md 加权：sales-led 从约 60/40 fit/engagement 开始；hybrid 为 50/50；PLG 和 B2C 行为主导时为 30-40 fit / 60-70 engagement。
30. 给每个信号类别设上限，使任何单一渠道不能独自跨过阈值。
31. 设定阈值：先按销售能力，再按转化带，百分位作为 sanity check；这是三种方法的效率排名，不只是顺序；按同一 reference 在选择前说明每种方法的价值和努力。
32. 定义层级，每个层级映射到不同 play。
33. 按 references/validation-and-kpis.md 回测：对历史 retro-score；计算按分数带的转化；计算 top band 相对未评分基线的 lift；运行 spot-check holdout set。
34. 迭代信号、权重和阈值，直到通过 pass threshold。
35. 获得销售对信号列表、阈值和 acceptance floor 的书面签字；没有它构建的模型是该领域最常被引用的失败，即营销独自构建、销售拒绝一半 leads、双方互相指责。
36. 发出 spec 文档，使用模板：SCORING MODEL SPEC - <company/product>, <date>, v<n>；Motion: sales-led | PLG | B2C - fit/engagement weight split, scale；Fit signals: attribute -> points | data source | coverage % | evidence；Engagement: signal -> points | decay rule | per-category cap | evidence；Exclusions: hard disqualifiers；Negative pts: soft demotions -> points；Threshold: MQL/PQL score + capacity math；Tiers: band -> play；Backtest: period, conversion by band, top-band lift vs baseline, false-negative %；Guardrails: sales acceptance floor, score-distribution inflation alarm；Governance: owner, sales sign-off, v2 review date, change-log location。
37. 分阶段推出：先给实时 flow 评分，再批量为 backlog 评分；并在启动前预约启动后 60 天的 v2 审查。
38. 如果你的 harness 有持久记忆，记忆已批准 spec，包括信号、权重、阈值、版本、审查日期，这样后续重校准和诊断运行从它开始，而不是重新访谈。
39. Spec 规则：每个分值携带证据，例如“Pricing page 2+ visits +20: converted 2.8x baseline in last-FY won analysis”可审查；裸数字是等待被 game 的 folklore。
40. Spec 规则：spec 有 pass threshold；回测中 top score band 必须转化为 opportunity 至少是未评分 all-leads 基线的 2x；false-positive rate 必须使 agreed sales acceptance floor，60% 是常见实践目标且是约定而非研究常数，合理；迭代直到两者通过；拒绝发布不能击败未评分基线的模型。
41. Spec 规则：模型有版本；v1 是起始位置；v2 审查在 v1 发布前预约；每次更改记录并通知销售；无法解释的分数比错误分数更快杀死代表采用。
42. 诊断坏模型时，在提议重建前检查每个症状；检查很便宜，大多数坏设置失败两三个而不是一个。
43. 诊断修复按 efficiency 排序，从上到下处理：zero the vanity signals > report the right number > add decay > fix the coverage gap > add the missing buying paths > re-derive inflated weights > full recalibration。
44. 诊断修复按 value 排序，即纠正后的模型赢得或停止失去的 opportunities：full recalibration > add the missing buying paths > re-derive inflated weights > add decay > zero the vanity signals > fix the coverage gap > report the right number。
45. 诊断修复按 effort 排序：full recalibration > re-derive inflated weights > add the missing buying paths > fix the coverage gap > add decay > report the right number > zero the vanity signals。
46. 症状 Newsletter devotees outrank real buyers：可能故障是 vanity signals 带分，email opens 因 inbox 隐私功能结构不可靠；修复是 zero 或 floor low-intent signals，并 cap email category；努力近零，分值已在矩阵中，模型所有者独自编辑。
47. 症状 MQL count celebrated while pipeline flat：可能故障是 Goodhart dynamic，MQL volume 成为目标所以门槛下移；修复是向上报告 MQL-to-opportunity conversion 和 pipeline contribution，绝不报告 raw MQL volume；努力近零小时，但消耗政治资本与设 MQL 目标者。
48. 症状 Stale contacts look as hot as active ones：可能故障是没有 decay，分数永远累积；修复是仅对 engagement 加 decay，机制按 signal-taxonomy 排序；努力是一小时配置，加一次数据库 rescore。
49. 症状 Most of the database can never reach threshold：可能故障是 enrichment ceiling，大多数记录 fit 字段为空；修复是测量 coverage，然后应用 Workflow step 2 的排序菜单，先未知值评 0 分；努力默认阶梯近零，若提升 enrichment 则一个季度和持续工作。
50. 症状 Closed-won deals that never hit MQL：可能故障是 false negatives，模型忽略真实购买路径，例如 referrals、events、product usage；修复是添加缺失路径，并跟踪 false-negative rate 作为 standing KPI；努力一周，在 won 记录中找到路径、加信号、重回测。
51. 症状 MQL volume up, MQL-to-opportunity down：可能故障是 score inflation，权重慷慨或 vanity signals；修复是从 won/lost 数据重推权重，加 category caps，提高阈值；努力是一周分析师工作 on won/lost cohorts，加销售对新门槛重新签字。
52. 症状 High scores stopped predicting wins：可能故障是 stale model，ICP、产品、内容自校准后已变；修复是在最新多季度 cohort 上重校准，并安装 drift triggers；努力是一个季度重建，然后持续工作保持。
53. 该顺序饿死 full recalibration，因为它价值第一、努力第一，所以比率从不排它；当 ICP、定价或产品自上次校准后变了，或上面两行已修但转化仍不追踪分数时，提升它高于一切。
54. 若 Interview 没给分析师，删除两个 cohort-analysis 阶梯，即重推权重和 full recalibration，并说明已删除，而不是留在没人能执行的计划底部；对抗 inflation 时留下 category caps 和 raised threshold，CRM 管理员可独自交付，并买回大部分 precision。

适用边界 · 注意事项

• 不要用于把已评分线索分配给销售代表（routing、territories、rep matching）；应使用 mbfinotti/revops-skills@lead-routing。
• 不要用于定义 account-fit 标准（firmographic 和 technographic ICP tiers）；应使用 mbfinotti/sales-skills@sales-icp-definition。