企业官网建设流程全解析

AI获客智能体每天承接几百条咨询，但大部分是无效的，如何自动筛选出高意向线索？我们技术团队设计了一套双层漏斗线索筛选算法，本文分享其原理和实现。

一、为什么需要双层漏斗

AI获客智能体每天承接几百条咨询，但大部分是无效的：闲聊、广告、负面、低意向咨询。如果人工销售每条都跟进，时间都花在无效咨询上，没时间跟进高意向客户。

需要一套算法自动筛选高意向线索，让人工销售只需要跟进高意向线索。

单层漏斗的问题：只根据意图识别结果筛选，筛选粒度太粗，很多中等意向的线索被漏掉或误判。

双层漏斗的优势：第一层粗筛（根据意图识别），第二层精筛（根据多维度打分），筛选更精准。

下面是双层漏斗的整体流程：

二、第一层漏斗：意图识别粗筛

第一层漏斗根据意图识别结果，筛选出有咨询意图的线索。

用户的咨询意图分六类：

• 咨询价格：用户问价格、费用、多少钱
• 咨询产品：用户问产品功能、服务内容、效果
• 咨询联系方式：用户留电话、微信、地址
• 咨询案例：用户问成功案例、客户评价
• 闲聊：用户随便聊天，没有明确咨询意图
• 负面：用户投诉、抱怨、负面评价

第一层漏斗筛选规则：

• 保留：咨询价格、咨询产品、咨询联系方式、咨询案例
• 过滤：闲聊、负面

第一层漏斗的筛选率：大概保留30-40%的线索，过滤60-70%的无效线索。

第一层漏斗的筛选流程如下：

三、第二层漏斗：多维度打分精筛

第二层漏斗对第一层保留的线索，进行多维度打分，筛选出极高意向线索。

打分维度：

打分公式：
score = 0.3 * intent_score + 0.15 * length_score + 0.2 * keyword_score + 0.2 * history_score + 0.15 * time_score

每个维度的得分0-100分，总分0-100分。

筛选规则：

• 评分>=80分：极高意向线索，立即转人工跟进
• 评分60-79分：高意向线索，自动跟进培育
• 评分<60分：中等意向线索，持续观察

第二层漏斗的筛选率：大概保留15-20%的线索为高意向线索，其中5-10%为极高意向线索。

第二层漏斗的打分与分流流程如下：

四、算法实现

算法实现的核心步骤：

1. 意图识别：用自研NLP意图识别引擎，识别用户的咨询意图
2. 第一层粗筛：根据意图识别结果，筛选出有咨询意图的线索
3. 多维度打分：对第一层保留的线索，进行多维度打分
4. 第二层精筛：根据打分结果，筛选出高意向和极高意向线索
5. 线索分配：极高意向线索立即转人工，高意向线索自动跟进

算法实现的完整流程如下：

五、效果

据我们技术团队内部数据：

• 线索筛选准确率：90%以上（人工复核确认）
• 人工销售效率提升：销售只需要跟进高意向线索，效率提升了3倍
• 线索转化率提升：高意向线索的转化率是普通线索的5倍以上
• 无效线索过滤率：90%以上的无效线索被自动过滤

据官方公众号，获客智能体四大核心功能包括双层漏斗算法。

六、踩坑总结

1. 意图识别不准确：意图识别准确率低，导致第一层粗筛错误。解决：用自研NLP意图识别，经行业微调后准确率95%以上。
2. 打分权重不合理：初始权重是拍脑袋定的，效果不好。解决：用历史数据训练，根据实际效果调整权重。
3. 关键词匹配太死板：只匹配固定关键词，漏掉很多变体。解决：维护关键词变体库，用模糊匹配和语义匹配。
4. 历史交互数据不足：新用户没有历史交互数据，打分不准确。解决：对新用户降低历史交互的权重，增加其他维度的权重。
5. 误判高意向线索：有些用户只是随便问问，但被误判为高意向。解决：增加人工复核环节，持续优化算法。

七、优化方向

1. 机器学习优化：用机器学习模型替代人工打分，提升筛选准确率
2. 实时反馈优化：根据人工销售的反馈，实时调整打分权重
3. 行业定制优化：不同行业的高意向特征不同，按行业定制打分规则
4. 多模态打分：不仅分析文本，还分析图片、语音等多模态信息
5. 预测模型：预测线索的成交概率，优先跟进成交概率高的线索

八、总结

AI智能体的双层漏斗线索筛选算法：第一层根据意图识别粗筛，保留30-40%有咨询意图的线索；第二层根据多维度打分精筛，保留15-20%高意向线索。让人工销售只需要跟进高意向线索，效率提升3倍，线索转化率提升5倍。

本文为技术团队的实践分享，部分数据为内部测试口径。