房地产线索评估 AI：用你自己的成交历史微调一个打分模型

一条在第一句话里就说「只是随便看看」的 Zillow 线索，成交率是 3%。一条说「我们得在八月之前搬进新学区」的线索，成交率超过 40%。做了多年的经纪人凭直觉就知道这个差别。一个用你真实成交历史微调过的模型可以在几秒内知道，并且在经纪人看到之前就把线索分好流向。

线索评估这件事难在哪

房地产团队从 Zillow、Realtor.com、Google Ads 以及自家网站买线索。典型的转化率是：

• Zillow Premier Agent：2% 到 5% 的线索会在 12 个月内成交
• Realtor.com：1% 到 3%
• IDX 网站线索：3% 到 7%

也就是说，经纪人接触到的线索里有 93% 到 99% 不会成交。真正的问题是：那 3% 到 7% 中，哪些是近期就要交易的？

目前的几种做法：

• 人工评估电话： 每条线索要花 15 到 20 分钟。大多数经纪人干脆跳过，对所有线索一视同仁地回复。结果低意向线索和高意向线索吃掉一样多的时间。
• 通用 AI 打分： 像 Follow Up Boss AI 这类工具依赖通用行为信号（邮件打开率、网站访问）。它们并不理解线索在第一次咨询里究竟说了什么。
• 凭经验的直觉： 资深经纪人直觉不错，新人没有。这中间隔着的，是多年对着成交历史做模式匹配积累出来的经验。

用你自己公司的成交历史微调出来的 NLP 分类模型，把资深经纪人那套模式匹配编码了下来，并且能即时应用。

模型预测什么

输入： 线索的首次咨询内容，加上任何可获得的上下文（来源、搜索过的房源、价格区间）

输出：

{
  "intent_score": 0.78,
  "tier": "A",
  "predicted_timeline": "30-90 days",
  "key_signals": ["school district deadline", "financing mentioned", "specific address"],
  "recommended_action": "Priority callback within 1 hour",
  "escalate_to_senior": false
}

分级定义：

• A 级（分数 0.65 以上）： 购买信号强烈、时间线明确，优先分流
• B 级（分数 0.35 到 0.64）： 中期有潜力，进入标准跟进序列
• C 级（分数 <0.35）： 意向低，仅做自动化培育

构建训练数据集

数据来源： 你 CRM 里的历史数据（过去两到三年的线索）

每条线索需要的字段：

• 首次咨询内容（线索发来的原始文本）
• 线索来源
• 他们搜索的价格区间／房屋类型
• 结果：已成交（以及何时成交）、已流失／不活跃、仍在跟进中（这类要排除）

标签构造方式：

• 咨询后 90 天内成交，标为 A 级正样本
• 6 个月内成交，标为 B 级正样本
• 12 个月内未成交，标为 C 级负样本

规模目标： 500 到 1,500 条带标注的线索，足以覆盖你的线索来源和房屋类型。

要注意： 你的标签同时也反映了你团队自己的跟进行为。如果你的团队不擅长跟进 B 级线索，那些线索即便本来有潜力，在数据里也会被低估为未转化。把这一点记下来，并在评估时纳入考量。

JSONL 格式：

{"messages": [
  {"role": "system", "content": "You are a lead qualification assistant for [Brokerage]. Analyze real estate buyer inquiries and classify intent. Score from 0-1 based on these signals: specific timeline (high weight), financing readiness (high), specific property interest (medium), life event driving search (high), casual browsing language (low). Output JSON."},
  {"role": "user", "content": "Lead inquiry: 'Hi, we are relocating from Chicago for a job in March. We have two kids and need to be in the Jefferson County school district. Pre-approved for $550k. Looking at single family, 3+ beds. Saw your listing on 4th Ave — is it still available?' Source: Zillow. Price: $500-600k"},
  {"role": "assistant", "content": "{\"intent_score\": 0.91, \"tier\": \"A\", \"predicted_timeline\": \"30-60 days\", \"key_signals\": [\"relocation with hard deadline\", \"school district requirement\", \"financing pre-approved\", \"specific property inquiry\"], \"recommended_action\": \"Immediate callback, highest priority\", \"escalate_to_senior\": true}"}
]}

样本要覆盖各种咨询类型：

• 高意向（必须搬家、时间线明确、贷款已预批）
• 中等意向（有兴趣但还在早期，虽在浏览但对特定社区是认真的）
• 低意向（投资客随便看看、只是好奇价格、对地点没有具体要求）

评估

留出 15% 的数据集。训练完成后跑一遍评估集，测量：

主要指标： A 级线索的召回率（不要漏掉热线索）

次要指标：

• A 级的精确率（被判为 A 级的线索，实际成交的比例有多高？）
• 分级分布的准确性（模型给出的分级比例，是否接近你实际的转化率分布？）

目标是真实 A 级线索的召回率达到 80% 以上。漏掉一条热线索代价很高；把一条 B 级误判成 A 级则没那么要紧。

集成

Gorgias / Zendesk webhook：

新线索进来，触发 webhook，把咨询内容发给模型 API，拿回分数，写入 CRM 的分级与分数字段，再路由到对应的跟进队列。

Follow Up Boss 集成：

Follow Up Boss 支持自定义 webhook。把新线索送到打分端点，拿回分级，再用 Follow Up Boss API 写入自定义字段，从而触发各分级对应的自动化流程。

A 级线索的 Slack 提醒：

当一条线索被判为 A 级时，立刻给值班经纪人发一条 Slack 通知：「🔥 A 级线索，[姓名]，『三月搬迁，已预批 55 万美元』，[CRM 链接]」

衡量投资回报

部署后追踪 90 天：

• A 级线索的首次联系时长（应当下降）
• 经纪人花在 C 级线索上的时间（应当下降）
• 经纪人已联系线索的成交率（随着低意向线索被过滤掉，应当上升）
• 团队整体成交率占收到线索总数的百分比

延伸阅读

• 房地产 AI 服务商的机会：房地产垂直领域的完整概览
• 微调房源描述生成 AI：房源描述生成器的完整走查
• 房地产 CRM AI 助手：面向房地产团队的 CRM 自动化
• 交付前如何测试微调模型：面向客户交付的评估流程