房地產潛在客戶資質審核 AI：在您的成交歷史上微調評分模型

在第一條消息中說「只是瀏覽」的 Zillow 潛在客戶成交率為 3%。說「我們需要在八月前進入新學區」的潛在客戶成交率超過 40%。在實地工作多年後，人類經紀人對此有直覺。在您的實際成交歷史上訓練的微調模型可以在幾秒鐘內了解這一點——並在經紀人看到潛在客戶之前相應地路由它們。

潛在客戶資質審核問題

房地產團隊從 Zillow、Realtor.com、Google Ads 和自己的網站購買潛在客戶。典型成交率：

• Zillow Premier Agent：2–5% 的潛在客戶在 12 個月內成交
• Realtor.com：1–3%
• IDX 網站潛在客戶：3–7%

這意味著 93–99% 的經紀人接觸的潛在客戶不會成交。問題是：哪些 3–7% 很快就準備好交易了？

目前的方法：

• 手動資質審核電話： 每個潛在客戶需要 15–20 分鐘。大多數經紀人跳過它，對所有潛在客戶一視同仁。低意向潛在客戶消耗與高意向潛在客戶相同的時間。
• 通用 AI 評分： Follow Up Boss AI 等工具使用通用行為信號（電子郵件開啟、網站訪問）。它們不了解潛在客戶在初始詢問中說了什麼。
• 基於經驗的直覺： 高級經紀人有很好的直覺。初級經紀人沒有。差異是多年與成交歷史的模式匹配。

在您的經紀公司自己的成交歷史上訓練的微調 NLP 分類器，編碼了高級經紀人的模式匹配，並立即應用它。

模型預測什麼

輸入： 潛在客戶的初始詢問消息 + 任何可用背景（來源、搜索的房產、價格範圍）

輸出：

{
  "intent_score": 0.78,
  "tier": "A",
  "predicted_timeline": "30-90 天",
  "key_signals": ["學區截止日期", "提到融資", "具體地址"],
  "recommended_action": "1 小時內優先回電",
  "escalate_to_senior": false
}

層級定義：

• A 層（分數 0.65 以上）： 強烈的購買信號、具體時間線、優先路由
• B 層（分數 0.35–0.64）： 中期潛力、標準後續跟進序列
• C 層（分數低於 0.35）： 低意向、僅自動化培育

構建訓練資料集

來源： 您的 CRM 歷史資料（過去 2–3 年的潛在客戶）

每個潛在客戶所需的資料：

• 初始詢問消息（潛在客戶發送的原始文字）
• 潛在客戶來源
• 他們搜索的價格範圍/房產類型
• 結果：已成交（及何時）、死亡/非活躍、仍在活躍（排除這些）

標籤構建：

• 詢問後 90 天內成交 → A 層正面示例
• 6 個月內成交 → B 層正面示例
• 12 個月內未成交 → C 層負面示例

大小目標： 500–1,500 個標注的潛在客戶（足以涵蓋您的潛在客戶來源和房產類型）

重要： 您的標籤也需要反映您的團隊的跟進行為。如果您的團隊對 B 層潛在客戶的跟進很差，那些潛在客戶將被少算為成交，即使他們有潛力。記錄這一點並在評估中考慮它。

JSONL 格式：

{"messages": [
  {"role": "system", "content": "您是 [經紀公司] 的潛在客戶資質審核助手。分析房地產買家詢問並分類意向。根據以下信號評分 0–1：具體時間線（高權重）、融資準備（高）、具體房產興趣（中）、驅動搜索的生活事件（高）、隨意瀏覽語言（低）。輸出 JSON。"},
  {"role": "user", "content": "潛在客戶詢問：'嗨，我們正在三月因工作從芝加哥搬遷。我們有兩個孩子，需要進入 Jefferson County 學區。已預批 $550,000。尋找獨棟房屋，3 間以上臥室。在 4th Ave 看到您的房源——還有嗎？' 來源：Zillow。價格：$500,000–600,000"},
  {"role": "assistant", "content": "{\"intent_score\": 0.91, \"tier\": \"A\", \"predicted_timeline\": \"30-60 天\", \"key_signals\": [\"有硬性截止日期的搬遷\", \"學區要求\", \"融資已預批\", \"具體房產詢問\"], \"recommended_action\": \"立即回電，最高優先級\", \"escalate_to_senior\": true}"}
]}

包含各種詢問類型：

• 高意向（必須搬家、具體時間線、已預批）
• 中等意向（感興趣但尚早、認真瀏覽但特定社區）
• 低意向（投資者只是看看、只是對價格好奇、沒有地點特異性）

評估

保留 15% 的資料集。訓練後，運行評估集並測量：

主要指標： A 層潛在客戶的召回率（不要錯過熱門潛在客戶）

次要指標：

• A 層的精確率（A 層分類實際上多久會成交？）
• 層級分布精確度（模型按與您實際成交率相似的比例分配層級嗎？）

針對真正的 A 層潛在客戶目標 80% 以上的召回率。錯過熱門潛在客戶代價高昂；被錯誤分類的中等潛在客戶（路由到 A 層，但實際上是 B 層）危害較小。

整合

Gorgias / Zendesk webhook： 當新潛在客戶到達 → webhook 觸發 → 將詢問發送到模型 API → 返回分數 → CRM 用層級 + 分數更新 → 路由到適當的後續跟進佇列

Follow Up Boss 整合： Follow Up Boss 支援自定義 webhook。將新潛在客戶路由到評分端點，返回層級，使用 Follow Up Boss API 將其寫入自定義字段。為每個層級觸發適當的自動化。

A 層 Slack 警報： 當 A 層潛在客戶被評分時，向值班經紀人發送即時 Slack 通知：「🔥 A 層潛在客戶——[潛在客戶姓名]——『三月搬遷，預批 $550,000』——[CRM 連結]」

衡量投資回報

部署後追蹤 90 天：

• A 層潛在客戶的首次聯繫時間（應縮短）
• 經紀人在 C 層潛在客戶上花費的時間（應縮短）
• 被接觸潛在客戶的成交率（隨著低意向潛在客戶被過濾出去，應增加）
• 佔收到的潛在客戶總數百分比的團隊整體成交率

---

延伸閱讀

• 房地產 AI 代理商機遇 — 完整的房地產垂直領域概述
• 微調房源描述 AI — 房源描述生成器演示
• 房地產 CRM AI 助手 — 房地產團隊的 CRM 自動化
• 交付前對微調模型進行 QA — 客戶交付的評估流程