ICP 匹配度评分器

可以。当前 ICP Fit Scorer 对四个维度使用均衡默认权重，真实 ICP 评分模型几乎都需调优。实用升级路径：

• 阶段 1（默认权重）：把分数当方向性信号，用于相对排序而非绝对阈值。
• 阶段 2（手工权重）：积累 1-2 季度 Pipeline 数据后，识别最能预测成交的维度并调高权重。
• 阶段 3（分段权重）：中型 vs 大型、行业 A vs B 通常需要不同权重，拆开建模而非平均。
• 阶段 4（后端下发）：把配置移到后端，权重可 A/B 测试和回滚。

默认权重是不错的起点，价值来自一致运行并按真实结果调整。

应该。共享 Lead Scoring 模型是市场和销售之间最有杠杆的对齐工具，前提是两边都同意标准并定期复盘。

• 单一事实来源：一个模型意味着一个"好线索"定义，不会再有 MQL 和 SQL 的交接争执。
• 共享评分标准：写清楚每个维度（行业、规模、预算、紧迫度）的 0、3、5 分各是什么样，跨成员评分一致。
• 季度校准：按分数区间复盘实际转化，根据数据而不是观点调整。
• Override 日志：销售覆盖分数时记录原因，作为下次标准修订的输入。

分数膨胀通常意味着评分标准过宽，而不是真来了一批完美线索。

1. 收紧维度定义：3 分常见、4 分要靠争取、5 分应稀有。普通线索给到 4-5 就是门槛太低。
2. 加入扣分项：错的行业、低于规模门槛、被竞品锁定应该封顶或归零。
3. 用赢单和败单重新校准：拉最近 50 单重新打分，输的和赢的分数相近说明模型没有区分度。
4. 收缩高分带：60% 线索都到 Tier A 时提高阈值，让它只捕获前 15-25%。
5. 审计输入质量：Enrichment 和表单数据常有上偏，手工抽样验证。

不能。ICP 评分器是优先级层——告诉你先和谁聊、用什么规格资源——但发现和资格判断仍需人。

• 评分擅长：一致排序线索、去除分流主观性、让 Tier A 走比 Tier C 快的路径。
• 评分做不了：购买意向、内部冠军强度、决策流程、预算时机、竞争格局都只在真实对话里浮现。
• 两者协同：用分数决定哪些走高密度 Discovery、哪些走自动化培育；用 Discovery 用定性信号确认或推翻评分。
• 反馈闭环：Discovery 和评分矛盾时把信号反馈回去修订标准。

三层对大多数团队就够了。更多分层看起来精细但增加管理成本，不改变销售实际怎么做。

• Tier A：资深 AE、定制 Playbook、加速 SLA。通常占入站 15-25%。
• Tier B：常规跟进、结构化培育、资格通话确认匹配。通常占 40-50%。
• Tier C：自动化培育、低触达 Sequence、随数据定期重新评分。剩余 25-45%。

想加到四五层时，先问每多一层是否对应不同动作。Tier A 和 Tier A+ 都交给同一 AE 用同一 Playbook，那只是标签不是工作流。模型保持简单，季度复盘分布——占比剧烈漂移通常是数据质量或评分标准问题。