中小企业如何把规则式邮件自动化升级为模型打分式触达：从数据整理到评分触发的6步流程

你的邮件自动化已经跑起来了：新用户注册后第1天发欢迎信，第3天发产品介绍，第7天发优惠券，第14天发唤醒邮件。流程图画得整整齐齐，可打开率却一路往下掉，第7封邮件的转化几乎归零。问题不在你发得不够勤，而在于所有人收到的是同一套固定序列——一个加购了三次却没付款的高意向用户，和一个注册后再没登录过的沉默用户，收到的内容一模一样。这篇就讲怎么把"按天数发信"升级成"按意向打分决定下一步动作"，六步走完，让每个用户收到的下一封邮件由他的真实意向分数决定，而不是由日历决定。

先搞清楚：规则式和打分式差在哪个场景

规则式触达的逻辑是"时间+单一动作触发下一步"，比如"打开邮件就进入下一旅程"。这套在用户行为高度一致时够用，比如纯粹的入职引导序列。但一旦用户意向出现分化，它就失灵了。

打分式的区别在于：它不看"第几天"，而看"这个人现在值多少分"。纷享销客的资料里提到一个典型做法——电商平台用加购频率、客单价浏览记录、优惠券使用倾向这些指标量化用户，高评分用户推限时折扣，中低评分用户接内容种草，这种差异化就是打分式的核心。什么时候该升级？给你三个判断信号：

• 你的用户来源不止一个渠道（官网、广告、私域、线下），行为差异大；
• 同一封邮件的打开率在不同用户群之间差超过两倍；
• 销售或客服反馈"跟进了一堆根本没意向的线索"。

命中两条以上，就该往下走了。要提醒的是，下面六步讲的是从规则到评分的升级路径，不展开模型算法本身——起步阶段用可解释的规则打分完全够用，效果靠小样本对照来验证，而不是靠复杂模型。

第一步：把分散的数据源整合进一个池子

打分的前提是你知道用户干了什么。现在你的数据大概率散在好几个地方：邮件平台记着打开和点击，电商后台记着浏览和下单，表单工具记着留资，私域里还有企微的互动。先做的不是建模型，是把这些行为归到同一个人身上。

ICT行业的选型资料里把这叫OneID——基于手机号、邮箱、企微UnionID做身份映射，让同一个人的多次行为能对上号。中小团队没必要上重型CRM，起步可以这样做：

• 以邮箱为主键，把邮件平台的事件表、电商后台的行为表、表单工具的留资表导出成CSV；
• 用邮箱做关联，把同一邮箱的行为合并成一行用户记录；
• 对不上号的（比如只留了手机号没留邮箱）单独列一张待补全表。

这一步不追求完美，能覆盖70%的活跃用户行为就能开始打分了。

第二步：补全评分需要的关键字段

整合完你会发现很多字段是空的——有人注册时没填公司规模，有人加购了但没记录客单价。字段缺太多，分数就不可信。补全分两类：

属性类字段（谁），能从留资表、企微档案里拿到的尽量补：行业、公司规模、职位（B2B尤其看决策角色）、来源渠道。补不到的用"未知"占位，别用默认值硬填，否则会污染分数。

行为类字段（干了什么），这是打分的主力。至少准备这几列可以直接改写的评分字段：

纷享销客的资料特别点出一点：要定义负向扣分字段，比如"30天无互动"，用来识别僵尸线索。这列别漏，否则你的高分里会混进一堆早就凉了的用户。

第三步：定一套能解释的意向评分口径

重点来了，也是最容易跑偏的一步。很多人一上来就想做"机器学习自动调权重"，但起步阶段，一套能用人话解释清楚的加分规则远比黑盒模型实用——因为它可改、可查、出了问题能定位。

参考资料里给的分层权重思路可以直接借用：基础属性约占30%，行为数据约占50%，实时互动约占20%。落到可改写的规则就是这样：

• 完成一次关键页面浏览（如定价页）：+10分
• 加购未付款：+20分
• 下载资料/参加线上活动：+15分
• 近30天打开邮件4次以上：+10分
• 行业/规模匹配目标客户画像：+15分
• 30天无任何互动：-5分
• 60天无任何互动：-15分

把每个用户的字段套进去算出总分。这里强调一句：这些分值不是行业标准，是你的起步假设，第六步会用数据来校准它。先能跑起来，比一开始就"算准"更重要。

第四步：按分数切成几段，每段配不同动作

有了分数，就能分组了。不要分太细，中小团队三到四段最好管。参考B2B常见的多级阈值做法（如60分进培育、80分转销售），给你一套可改写的分段：

• 高意向（≥70分）：这是最该花力气的人群。推具体行动号召——限时优惠、专属顾问、直接约demo。
• 中意向（40-69分）：还在观望。推价值内容、客户案例、常见问题解答，帮他建立信任，别急着逼单。
• 低意向（15-39分）：轻触达为主，降低频率，发行业干货维持存在感。
• 沉默/僵尸（<15分或长期负分）:要么放进低频唤醒序列，要么直接从主序列里剔除，省得拉低整体送达率。

每段配一句可以直接改写的话术示例：

• 高意向："看到您对【产品名】挺感兴趣，这周我们有个专属名额，要不要约个20分钟聊聊怎么用在您的场景里？"
• 中意向："同行业的【客户案例】最近用【产品】解决了【具体问题】，整理了一份实操笔记，您可能用得上。"
• 低意向："这个月的【行业趋势】整理好了，三分钟读完，顺手分享给您。"

第五步：改写触发规则，让分数接管流程

现在把触发逻辑从"按天"换成"按分和按行为"。原来的流程是"注册后第N天发第N封"，新流程是"用户进入某个分数段或发生某个行为，触发对应动作"。

具体改法：

• 入口触发：用户分数首次跨过某个阈值（比如从中意向升到高意向），立刻触发高意向序列，而不是等日历。
• 行为触发：发生强信号行为（加购未付款、浏览定价页），即时加分并可能立即触发单封邮件。
• 频率上限：这步千万别漏。阿里云的疲劳度控制资料提到可以限制每日/每周的发送次数——分数一高你可能一天给同一个人发好几封，必须设上限，比如同一用户每天最多1封、每周最多3封，再加节假日免打扰。
• 降级回收：分数掉回低段的用户自动退出高频序列，进入低频唤醒。

这样一来，流程不再是一条直线，而是一张由分数驱动的动态网。

第六步：用小样本对照验证，再迭代口径

最关键的收尾——别信"感觉变好了"，要用对照数据说话。你第三步定的分值全是假设，得验证。

做法是拉一个小样本对照：把一部分用户继续走老的规则式序列（对照组），另一部分走新的打分式触达（实验组），样本量不用大，几百到一两千人就能看出方向。观察这几个指标的差异：

• 分段打开率和点击率：高意向段是不是明显高于低意向段？如果没拉开差距，说明你的评分口径没区分出真实意向，回第三步调权重。
• 高意向段的转化率：这是核心。实验组高意向用户的转化有没有超过对照组？
• 退订和投诉率：有没有因为触达变密而上升？配合第五步的频率上限盯着。

参考资料里的数据可以作为参照方向——有服饰品牌用动态分层把转化率提升27%，有机构靠评分过滤减少了68%的无效跟进成本。要说明的是，这些是别人在特定条件下的真实结果，不是你一定能复现的承诺；你的实际改善幅度取决于用户基数、行业和原来的基础水平。跑完一轮对照，哪条规则有效加权、哪条没用砍掉，循环迭代。等规则稳定了、数据量够了，再考虑引入自动调权，那是后话。

落地时容易踩的三个坑

一是数据没整合就急着打分，结果同一个人被算成好几个低分用户，高意向永远浮不上来——第一步必须做扎实。二是分段太多太细，运营根本维护不过来，三四段足够。三是改了触发规则却忘了设频率上限，高意向用户被狂轰滥炸，反而退订，疲劳度控制和升级同样重要。

【软盟资讯观察】

从趋势看，邮件营销平台正从规则驱动向智能驱动演进，Zoho的年终盘点就明确提到系统将逐步具备自主学习和优化的能力，ActiveCampaign、Pardot这类工具也早把线索评分做进了可视化流程里。这意味着"打分式触达"不是大厂专属，中小团队用现成工具加一套可解释规则就能起步，门槛比想象中低。

从机会与风险看，机会在于分层触达能把有限的运营精力和销售资源压到真正有意向的人身上，参考资料里服饰品牌27%的转化提升、培训机构68%的无效跟进成本下降，都指向同一个方向——精准比勤奋更值钱。风险则在数据质量和过度打扰：身份整合不干净，分数就是空中楼阁；频率不设上限，再精准的内容也会被退订按钮终结。

冷思考一句：评分模型的价值不在算法多先进，而在它是否可解释、可校准。中小团队最该警惕的是跳过小样本对照直接上黑盒模型——分数算错了都不知道错在哪。先用人话能讲清楚的规则跑通闭环，让数据告诉你哪条权重该调，这条升级路径才走得稳、走得久。