当线索以数据呈现出来后，第一步，要明确“好”线索，即明确哪些是营销合格线索MQLs（Marketing Qualified Leads，简称MQL），哪些是 SQLs销售合格”的线索（Sales Qualified Leads，简称SQL）。

分析线索，一般会有两种形式，定性分析和定量分析。

线索定性分析：打标签，一般会有事实性标签、分析型标签、预测性标签三种形式。

线索定量分析：线索打分，一般经过线索匹配（显性线索打分）、线索兴趣（匿名线索打分）、线索行为打分、购买阶段/时间段打分四步完成。

关于线索打分，可以查看文章： 《2017高客单价企业线索孵化白皮书》（一）｜线索打分：如何自动输出高价值商机？

线索定义，可以重点从定性分析即打标签着手，明确线索性质。

标签，是从信息中抽取出来用于说明其特征的数据，是结构化数据每一个标签，通常是人为规定的特征标识，用高度精炼的特征进行描述，是线索的定性分析。

第一，标签可以使原本无法描述、搜索和定位的数据也可以被描述、搜索和定位；

第二，不同的标签有不同的权重，可以助于后续的线索打分，满足个性化需求；

第三，通过标签可以将信息之间建立某种联系，最终将海量信息建立起相互关联的信息网。

下文，会针对标签的不同类型：事实性标签、分析型标签、预测性标签，分别展开论述。其中事实性标签、分析性标签是客观存在的，属于统计性画像，而预测性画像，更强调预测的准确度。

一、事实型标签

事实性标签，即根据用户的事实性行为打标签，可以通过4W着手，即WHO（谁）；WHEN（什么时候）；WHERE（在哪里）；WHAT（做了什么）。具体分析如下：

1.WHO（谁）

WHO（谁）, 即用户识别，其目的是为了区分用户。互联网主要的用户识别的方式包括Cookie，注册ID，微信微博，手机号等，获取方式由易到难，不同企业的客户信息数据化程度有所不同，用户识别的方式也可按需选取。对于高客单价企业，进入到线索阶段，一般已经具有了基本人口统计、公司信息、BANT信息，用户识别相对简单。

2.WHEN（时间）

WHEN（时间）,这里的时间包含了时间跨度和时间长度两个方面。“时间跨度”一般以天为单位计算的时长，指某行为发生到现在间隔了多长时间；“时间长度”则为了标识用户在某一页面的停留时间长短。在用户行为中，普遍认为近期发生的行为将更反映用户当下的特征，因此过往行为将表现为在标签权重上的衰减，即所谓的“时间衰减因子”。

3.WHERE（在哪里）

WHERE（在哪里）,就是指用户发生行为的接触点，里面包含有内容+网址。内容是指用户作用于的对象标签；网址则指出用户行为发生的具体地点。内容决定标签，网址决定权重。

4.WHAT（做了什么）

WHAT（做了什么）,就是指的用户发生了怎样的行为，用户的行为类型，例如线上搜索、微信阅读、观看直播、参加线下活动、下载白皮书、产品试用等， 根据行为的深入程度添加权重。

从4W着手，我们可以简单勾画出一个用户行为的标签权重公式：

标签权重=时间衰减（何时）×网址权重（何地）×行为权重（做什么）

举个直观的例子，“B用户今天在产品页面试用了产品”反映出的用户标签可能是“获客”；而“A用户一周前在微信收藏了内容营销类文章”反映出的标签可能只是“内容营销0.448”，这些不同用户的标签及相应的权重将在后续的营销决策中发挥指导作用。

二、分析型标签

分析型标签，是对于线索数据的进一步加工。最典型的方式是RFM模型，从最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)这三个维度分析某一个潜在客户的价值。

1.最近一次消费R(Recency)

客户最近一次的购买时间。最近一次消费时间越近的顾客是最有可能对提供的商品或服务最有反应的群体。

如果显示上一次购买很近的客户，人数如增加，则表示该公司是个稳健成长的公司；反之则要预警。

2.消费频率F (Frequency)

客户在限定的期间内所购买的次数。最常购买的顾客，也是满意度最高的顾客。

如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率。

3.消费金额M (Monetary)

客户的购买金额，可分为累积购买及平均每次购买

消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80%的收入来自20%的顾客。

三个变量，可以用三维坐标系进行展示，X轴表示Recency，Y 轴表示Frequency，Z轴表示Monetary，坐标系的8个象限分别表示8类用户，根据上表中的分类，可以用如下图形进行描述：

三、预测型的标签

预测型的标签，需要基于事实性标签和分析型标签，做出预测。

预测性标签的生产流程：特征抽取→监督学习、样本数据→评估→标签产出，是经典的机器学习流程。

在，设计标签是，要注意以下几点：

尽量窄化范围，减少某个标签可能的意义范围。

标签要有统一性：风格一致，活泼的还是严肃的；版面样式一致，字体、字号、颜色、空白、分组方式的一致，视觉上强化标签群组的系统性本质；语法一致：名词"会销"，动词“参会”等同一层级不要混用。

理解性：标签所指示的系统范围应该能够让人充分理解，有助于用户快速扫描，推论出应用所提供的内容。

在线索定性化，打标签的过程中，可以用简单的方法快速走通整个流程，然后再进行分别环节的优化。

同时，在进行线索定性过程中，要及时头脑风暴进行优化：

相关利益者（市场部和销售部）闭门会议，展开头脑风暴。

深入以下问题：目标市场是什么样的？销售人员觉得获得的销售线索数量是多了还是少了？数据库已经有谁？前景好的线索有什么特征？下什么样的线索不受欢迎？

确定“好”是多好：设置基准级别。

确定“好”线索的标准，并定期审查，不断迭代培育机制。

作者：致趣科技 @ Linn

转载请注明来自：致趣科技（ID:BesChannels）