AI 客户画像：从行为数据到 ABC 意向分层

很多团队手里都躺着大量客户行为数据：谁访问过定价页、谁下载了白皮书、谁在客服窗口问过报价。但这些数据往往散在各个工具里，没人看得过来，销售跟进全凭感觉。AI 客户画像要解决的，正是把这堆零散行为变成一份能直接指导跟进的客户清单。

AI 客户画像是指用机器自动汇总客户的行为、属性与交易数据，提炼成可计算的特征，并对每个客户的购买意向打分、分层，再随新行为动态更新的一套客户洞察方法。 它和传统的几张虚拟用户卡片不同，输出的是针对每一个真实客户的、可直接派工的意向分级。本文拆解它的构建步骤和落地要点。

构建 AI 客户画像的五个步骤

整个流程可以归纳为下面这张表，再逐项展开。

步骤	做什么	产出
1 汇总数据源	把多渠道行为归到统一客户标识	单客户的完整行为档案
2 特征工程	把原始行为提炼成可计算特征	一组结构化特征
3 意向打分	用规则或模型算出意向值	每个客户一个意向分
4 ABC 分层	按分数把客户分成三档	可派工的客户分级
5 动态更新	随新行为持续刷新画像	始终鲜活的画像

第一步：汇总数据源

画像的地基是数据，而数据的第一关是归一。常见的数据来源包括：

• 行为数据：官网访问、页面停留、资料下载、演示预约、邮件打开与点击
• 属性数据：行业、规模、地区、职位等相对静态的信息
• 交互数据：客服对话、在线咨询里透露的需求与痛点
• 交易数据：是否付费、客单价、续费与复购情况

关键不在于数据多全，而在于能否把它们归到同一个客户身上。如果同一个人在表单里是一条记录、在客服里是另一条记录，画像就会碎裂。中小团队可以先从最容易打通的两三个渠道起步，跑出第一版再逐步补齐。

第二步：特征工程

原始行为本身没法直接喂给模型，要先提炼成可计算的特征。这一步是把”访问了三次定价页”翻译成机器能理解的数值：

• 访问频次、最近一次访问距今天数
• 浏览深度，比如是否看过定价页、案例页这类高意向页面
• 关键动作计数，比如下载资料数、预约次数
• 互动强度，比如邮件点击率、客服对话轮次

特征设计得是否贴合业务，直接决定后面打分准不准。这一步建议销售一线深度参与，因为他们最清楚哪些动作是真正的买单前兆。

第三步：意向打分

有了特征，就可以输出一个连续的意向分。打分方式由简到繁有两类：

1. 规则打分：人工给每个关键动作赋分再加总，透明、可解释，适合冷启动
2. 模型打分：用历史成交数据训练模型，让它自己学出哪些特征组合更易转化

中小团队完全可以先用规则打分跑起来，积累足够的成交样本后再过渡到模型。打分的本质是把”这个客户值不值得现在跟”压缩成一个可比较的数字。线索打分的具体设计方法，见线索评分怎么做。

第四步：ABC 意向分层

连续的分数不便于直接派工，要切成几档。最常用的是 ABC 三层：

分层	含义	建议动作
A 高意向	分数最高、关键动作密集	销售优先人工跟进
B 中意向	有兴趣但信号不够强	内容培育、定期触达
C 低意向	仅浅层浏览或长期沉默	自动化轻触达，暂不占用人力

分层的价值是把有限的销售人力，集中投到最可能成交的 A 类客户身上，而不是平均用力。分层标准没有绝对值，要结合自身转化漏斗调出合适的分界线。

第五步：动态更新

客户的意向是会变的：今天还是 C 类，下周连看三次定价页就该升到 A 类。所以画像不能是一次性快照，要设定刷新规则：

• 新行为发生时实时或定时重算分数
• 长期无动作的客户分数自动衰减
• 分层跨档时触发提醒，让销售及时跟进或释放

动态更新是 AI 画像区别于传统画像的核心能力——它让画像始终反映客户此刻的真实状态。

衰减这一步最容易被漏掉，却最影响体验。一个常见做法是给分数设”半衰期”：客户超过一定天数没有任何新动作，就每周扣掉一部分分数。比如设 14 天无动作后每周衰减 20%，一个原本 70 分的 A 类客户，沉默一个月后会掉到 45 分上下，自然滑进 B 类，销售也就不会再把精力浪费在一个早已凉掉的机会上。反过来，只要客户重新活跃，分数立刻回补。少了衰减，你的 A 类名单会越积越长，最后销售根本跟不完，分层等于白分。

一个可以直接照抄的打分表

很多团队卡在”知道要打分，但不知道每个动作给几分”。这里给一份规则打分的起步模板，数字不是标准答案，而是让你有个能马上开跑、再照着实际转化去调的锚点。

客户动作	建议赋分	上限
官网普通页面访问	+2 / 次	20
访问定价页	+15 / 次	45
下载白皮书、案例、报价单	+10 / 份	30
邮件打开并点击	+5 / 次	25
预约演示 / 申请试用	+40	—
客服里问报价、合同、实施周期	+30	—
14 天无任何动作	每周 -20%	—

给高价值页面设上限（比如定价页封顶 45 分），是为了防止一个客户反复刷同一个页面就把分数刷爆——这在真实数据里很常见，可能只是他把页面开着忘了关。分层门槛可以先定成：A 类 ≥ 60 分、B 类 25 到 59 分、C 类低于 25 分。

举个能对着算的例子。某制造业客户一周内的行为是：官网访问 3 次（+6），点开定价页 2 次（+30），下载了一份行业案例（+10），还在客服窗口问过”最快多久能上线”（+30）。加起来 76 分，直接进 A 类，系统当天就把他派给了对应销售。销售一看行为轨迹——问过实施周期、看过定价，判断是接近决策期的真需求，当天电话跟进，比等他自己填表单要早了整整一周。这就是画像的价值：不是多算出一个数字，而是让销售在客户最热的那几天里被叫醒。

反面例子同样有用。另一个客户三个月前下载过一次白皮书（+10），之后再没动静，靠属性数据看规模也不小。如果没有衰减规则，他会一直挂在名单里占位；有了衰减，他的分数早就归零沉到 C 类，销售不会被这种”纸面大客户”分散注意力。

什么时候不该急着上 AI 画像

AI 画像不是所有团队都该马上做。有几种情况，硬上反而是负担：

• 客户总量太小：如果你手上活跃客户就几十个，销售挨个都能记住名字，一张 Excel 比任何打分模型都好使，别为了”上 AI”而上。
• 成交周期极短、客单价极低：像即时下单的小额生意，客户来了就买、买完就走，没有可供观察的行为链路，分层意义不大。
• 数据完全没打通：连同一个人在表单和客服里都对不上号时，先花力气解决客户标识归一，而不是急着套模型——脏数据喂出来的画像只会误导销售。

判断标准很朴素：当你的销售人力开始”跟不过来”、需要有人替他们排优先级时，AI 画像才真正值得投入。在那之前，规则打分的一张表就够用了。

落地时容易踩的坑

• 数据没打通就急着建模：客户标识不统一，画像必然失真，先解决归一问题。
• 特征脱离一线认知：闭门造特征，往往算出的高意向客户销售并不认可。
• 分层后没有配套动作：分了 ABC 却仍然一视同仁地跟进，分层就失去了意义。
• 把画像当真相：意向分是概率参考而非定论，仍要给销售留人工判断的空间。

一个好的起点，是先用传统方法定义清楚自己的理想客户长什么样，再让 AI 把这套标准自动套到每个真实客户上。理想客户的定义方法，见ICP/目标客户画像。

小结

AI 客户画像把零散的客户行为变成可派工的意向分层，落地五步：汇总并归一数据源、做特征工程、对意向打分、按 ABC 分层、设定动态更新。它和传统画像的区别在于颗粒度和时效——前者针对个体、实时刷新，后者面向群体、相对静态，两者可以配合使用。先用规则打分冷启动，再随数据积累升级到模型，是中小团队最务实的路径。

企客连连正在打磨面向中小团队的客户洞察与 AI 获客工具，欢迎访问 /product/ 加入内测候补名单，提前体验客户画像与意向分层能力。