接触过销售类工作的人都对“线索”这个词不会感到陌生，特别是在销量不是很理想的时候，所有人都自然而然的去讲“线索不够”，要“增大线索量”。但往往就是挂在嘴边的对象，当我们仔细思考的时候会发现也许并不是很理解它，它的“面貌”、特性都很模糊。下面就以汽车行业为例，来看看当我们谈论“线索”的时候，究竟在谈论什么。

“线索-客户-车主-用户”的区分

线索是一条信息，也是一个潜在的用户。对于销售员来讲，线索就是包含了潜在客户联系方式和相关特点的信息，而对于企业来说，线索就是潜在客户本身。单纯用静态的眼光看线索是没有意义的，其中最关键的是其包含了企业和潜在客户自身的两种动力。企业的动力是将线索转化为用户，而潜在客户的动力则是选择一个能够满足自己的产品。

这么一来，就有必要区分“线索、客户、用户”之间的关系，特别是在汽车行业中，还有一个“车主”的概念。当我们理清这些定义，实际上也就搞明白了它们之间的转化关系。

虽然没有明确的定义，但通常来说，在汽车领域，“线索”就是没有接触过汽车产品，但有购车意向的人；而“客户”可以更精确的定义为到了门店，并体验过产品的人，其中有些人可能会购买，也有一些人最终会放弃选择；一旦用户下了订单后真的提了车，就会变成“车主”，这个概念很好理解。但在这之外，还有一个“用户”的概念，这是指购买过产品或者享受过服务的人，对于汽车行业来说，车主一定是用户，但用户不完全是车主，因为车企还有很多服务，比如网站、APP、小程序等线上平台以及精品商城、售后服务等，这些服务也对非车主开放。

基于这种分类，我们可以得到上图当中“线索-客户-车主-用户”之间的动态和静态关系，只有分清楚这样的关系，我们才可以进一步的去理解和操作。值得注意的是，大多数时候，我们会把还未成交的状态中的潜在客户都称作线索，这样也可以简化这个关系为“线索-车主-用户”三者之间，在这样的关系中，我们接下来就着重看一下线索。

线索的八种状态

当我们要理解一件事情的时候，最好的办法就是将其细分，并分步理解。对于线索来说，市场上有一套较为清晰的分类方式，可以帮我们对线索有一个更深入了解。

首先是原始线索RL（Raw leads)，这就是企业通过各种方式收集到的潜在客户的基本数据。在这些基本数据里面，会有很多重复、混乱的信息，一般来说，要经过一个自动化的清洗过程，让其变成真正可用的线索，即自动清洗线索AQL（Auto Qualified Leads）。

在AQL的基础上，企业的市场部门需要对线索进行进一步的筛选，比如判断出潜在客户的用车地、预算、选购周期等内容。筛选后具备给到销售条件的线索，叫做市场认可线索MQL（Market Qualified Leads），如果不具备马上下发的条件，但是可以培育一段时间的话，就可以称作市场培育线索MRL（Marketing Ready Leads）。

进入销售体系之后，经过清洗筛选，也同样可以分成销售跟进线索SQL（Sales Qualified Leads)和销售培育线索SRL（Sales Ready Leads）。在销售跟进线索SQL中，那些具备成交条件的，可以叫作成交潜力线索OPP（Opportunity），而最终的落单就可以称作成交线索WIN。

汽车销售中的线索管理

有了这些展开的了解，我们就有机会更加清晰的合并内容，在汽车领域构建一个简单可操作的线索模型：消费者从市场线索ML（Market Leads）成为销售线索（Sales Leads）进而成为车主/用户（Owner/User）的过程。我们可以参考消费者选车、用车的生命周期来细化这个模型。

一般来说，消费者首先要有购车需求，然后进入信息筛选阶段，并可能会成为线上的留资线索或者线下直接到门店的咨询线索。我们可以把用户到店之前都乘坐市场线索ML。到店之后，用户会咨询、试驾、价格谈判等，这个过程到订单之间，就是销售线索SL。当车辆真正交付给用户之后，就可以称其为车主了。

线索在不断向前推进的过程，其实就是一个企业不断地了解消费者的过程。前面我们也提到了，线索既是信息，又是人，是信息和人的一个映射关系。所以如果想要管理好线索，最核心的就是要搞清楚，究竟要了解消费者的哪些信息才能有助于成交。

我们可以从“属性-意向-行为”三个维度来丰富客户信息，同时结合市场线索、销售线索和车主三个阶段，来明确各个阶段“最好”要了解消费者到什么程度。属性，即消费者的基本信息，可以分为两个模块，第一个大的模块是账号信息，即消费者的姓名、ID以及电话联系方式，最好可以获取到一些他们各个平台的社交媒体信息。另一个大的模块是个人信息，随着销售过程的不断深入，可以了解到消费者的年龄、性别、居住地、家庭成员、住房情况、拥车情况、工作和经济情况、兴趣爱好等等。当他成为车主之后，还可以增加其购车、拥车信息以及与企业互动的内容。

基本属性可以让我们了解这条线索背后的人，但意向和行为信息才是真正能反映出消费者对于产品的偏好。在意向维度，主要是选购意向和体验意向，要回答的问题是，用户想买什么车以及用户想不想体验我们的车。而行为则是在这样意向指引之下，用户在线上的行动是什么以及在线下的行动是什么。

给线索建立合适的标签并持续更新标签，仅仅是对线索管理的基本动作。除了标签，还要关注至少三个方面，即限速处理的“流程”，线索的“转化”推进，以及不断地对线索进行各个层面的“评估”。

再次强调的是，线索是信息，同时也是人。所以给线索打标签实际上是不断地完善人的画像的过程，但人不是静态的，需要设计一个流程，促进这个人从“市场线索”转化到“销售线索”最终转化为“车主”。所以流程和推动转化，是在线索标签的基础上的两个关键要素，二者相辅相成。

所谓流程，就是一个体验的过程，即消费者从留下个人资料，成为线索之后，如何一路向前，成为车主。传统意义上，就是类似于用户留资之后多久要打电话触达，多长时间跟进一次等等。但在这流程当中，最关键的是要针对消费者进行转化的操作，比如通过接触，对消费者进行分类，然后基于历史数据，对消费者购车意向度进行预测，结合前面的信息，选择合适的销售脚本与用户进行沟通，最后进行向车主的转化。

如今到了一个AI的时代，很多行业、很多工作都在思考AI如何能帮助业务的发展。在线索方面，AI同样有着可以发挥的空间。AI最擅长的事情就是做预测，如果能够基于线索已有的标签信息，对线索做出快速的分类和预测，也许可以做到使用更有针对性地脚本和提高转化率。

怎么做？举个最简单例子，基于企业内部数据以及公开数据，我们可以制作一组以月为单位的车辆上险背后的用户数据统计。比如按照年龄段和性别划分，以特斯拉举例，可以拉出一个每款车型分年龄、性别的购买比例，这样就可以基于用户这两种信息，进行一个概率性的预测——有多大可能会购买？当然如果能够喂给AI的历史信息越多，就会得到更精确的预测。

（数据为2025年5月上险量）

另外基于用户的预算、需求和竞争情况，结合其购买周期，还可以构建一个BNC-T模型（Budget-Need-Competition-Time frame）。具体来说，消费者购买汽车产品，基本上会有一个决策周期，这个周期虽然随着智能化消费化变得越来越短，但我们还是可以将3个月作为一个限度。那么在这三个月中，消费者的预算、需求以及备选的产品并不是一成不变的。

比如某个人想要买一辆SUV，最初的预算锚定在15万元，在第一个月，他可能会扩大预算范围在12-18万之间，需求也会要很多，比如想要好看的、空间又很大的、智能强的等等，备选名单也很多。随着时间的推进，在第二个月，由于试驾了几辆车，了解到了更多信息，结合自己的情况，明确了哪些需求是自己真正想要的，同时也缩减了备选名单，就这样在动态的信息收集中不断地进行判断，最终预算、需求和备选产品收敛到2-3个之间，进入最终的决策。

通过构建一个模型，将过往的用户选择、需求调研以及现在市面上的产品放在一个时间维度上不断地进行比较，就可以在不同阶段对应掌握消费者选购时候的心理，更好的给出针对性的建议。这其中最关键的一点就是引入时间变量，不断地去更新用户对购车这件事情的看法，并给出针对性销售策略。

除了概率性预测，基于大语言模型，甚至可以对消费者的标签进行扩展性预测。我们假设利用既有的车主的情况进行大数据训练，对于车主的描述本质上就是一句话，比如“北京的刘先生有两个孩子，家住在顺义，是一名机场工作人员，家庭年收入在100万左右，他平时喜欢钓鱼、高尔夫，最终他选择了一辆XXX车作为座驾”，很显然，这是大预言模型可以生成的东西，如果基于既有标签不断的扩展预测生成，汽车企业的销售人员就可以做出大胆的假设，并且使用更合适的销售脚本来赢得客户。

说到销售脚本，其实在每一位成功的销售员心中，都有一个销售脚本大全，他们会快速判断消费者的状态，并进行分类预测，然后调用其销售脚本库中最合适的，并适当的加以改造，快速的运用在跟消费者的沟通当中。那么如果基于企业产品的特点、销售的经验积累以及对消费者的预测，训练出一批销售脚本，可以随时调用，并可以快速改造的话，一方面可以提升总体销售的标准化和质量，另一方面应该能够极大的帮助提升线索的转化率。

当然以上内容没仅仅是针对线索的一个系统性总结和未来可能性的展望。实际上困扰各个企业的首要问题是——每个线索相关的部门都在抱怨“线索不够”。那么如何去判断线索到底够不够呢？

有一个特别简单的办法，就是看两个率——新增线索转化率和当期销售市占率。线索转化率来看，比如这个月有10,000条线索进入到某一家企业的系统，最终产生了500个成交，那么线索转化率就是5%。月度的市占率则是在细分市场里，某个企业的销量跟总销量的关系。比如企业月销量是500，细分市场总销量是10,000，那么月度销售市占率就是5%。

这个时候，有意思的事情发生了。我们假设一种情况。这个月在细分市场中，一共就1万人想要买车，那么他们会分别按照自己的喜好去各家留咨，成为不同企业的线索。那么问题就又去了，如果一家企业想要判断，线索是不是足够了，只需要去算一下，自己的转化率和市占率之间的关系，如果二者恰好相等，那么就可以粗略的假设，这个月想买这类产品的消费者都来看过我的产品。如果市占率小于转化率，说明还有一些购同类车的用户没有来看过我，而如果市占率大于转化率，说明线索可能溢出了，会有很多无效线索。

当然者仅仅是理想情况，可以供企业做一个基础判断，而且要强调的是新增的线索转化率和当期的销售市占率。在一个竞争充分的市场里，如果我们假设消费者选购周期为3个月的话，那么每一个月当中总体看车的人数应该是当月实际购车人数的1/3左右，也就是说，线索总量应该是销售总量的3倍，这样，总体的转化率和市占率之间的关系，需要通过对细分市场的探索，来重新判断它们之间的比例关系。另外还可以假设，在充分竞争的市场中，如果销量能排在TOP 3，就可以假定消费者只要想买这个细分市场的产品，就能够去留咨和了解，因为信息壁垒已经不存在了。

所以随着市场竞争的不断加剧，线索总量已经不会成为瓶颈，关键的是要打造好内部对线索处理的流程、转化和评估，不断地精细化管理线索，这样才能做到在同样的线索竞争中，获得最大的成交。