本文档概述了人工智能驱动的买家意图评分模型的概念和操作结构，旨在量化 B2B 买家做出购买决策的概率。
该框架集成了行为信号、语义解释、历史模式匹配和概率加权来生成动态意图得分。
下面的蓝图以类似于内部技术规范的格式描述了模型架构。
模型目标
计算连续概率得分 (0–100)，该得分代表买家从当前参与阶段转向实际购买的可能性。
分数必须：
实时适应新信号
反映行为经济学原理
处理不确定性和不完整的信息
根据买家原型进行调整
跨行业概括
信号架构概述
买家意图并非源自单一事件，而是由多类信号重构而来：
A 类信号：行为频率信号
测量操作的密度和一致性。
-
重访间隔
-
会话持续时间模式
-
重复查询
-
对同一规范持续感兴趣
B 类信号：语义内容信号
从沟通和查询模式中提取含义。
问题的特殊性
约束参考
面向决策的措辞
表示确定或犹豫的情绪
C 类信号：比较评估信号
反映竞争分析行为。
跨供应商比较
公差范围检查
定价/交货时间基准
D 类信号：风险评估信号
表明感知到的不确定性。
认证请求
与风险相关的问题
物流可行性问题
E 类信号：时间信号
捕获计时模式。
消息加速
延迟间隔
响应能力变化
每个类别根据权重校准做出不同的贡献。
特征权重框架
模型使用混合方法分配权重：
基本体重 (Wb)
代表各个行业中每个信号类别的全球影响力。
上下文权重 (Wc)
根据产品类型、买家细分和行业行为规范进行调整。
行为权重 (Wbvr)
源自行为经济模式，例如损失厌恶或决策惯性。
历史重量（Wh）
根据过去的买家旅程汇总计算。
个性化体重 (Wp)
随着系统观察个人买家倾向而完善。
某个功能的最终得分贡献为：
功能得分 = Wb + Wc + Wbvr + Wh + Wp
意图概率曲线
系统不会将意图视为线性进展。
相反，它将买家行为映射到反映现实世界决策动态的非线性概率曲线。
使用三种曲线类型：
1.累积曲线
随着信号的积累，意图稳步上升。
2.阈值曲线
意图保持较低水平，直到关键信号出现，然后迅速上升。
3.振荡曲线
意图因清晰度和不确定性的交替而变化。
系统会根据信号行为自动为买家分配曲线类型。
校准机制
校准可确保模型反映当前的市场行为。
买家间校准
根据类似买家的行为模式调整评分。
时间校准
根据季节性、项目周期或采购节奏进行调整。
行业校准
标准化不同行业的得分差异（例如电子产品与包装）。
降噪校准
抑制误报（例如，意外的页面访问、肤浅的查询）。
置信层集成
系统包含一个置信层，用于量化分数的不确定性。
信心受以下因素影响：
数据完整性
买家行为的波动性
信号一致性
关键指标是否存在
高意图 + 低置信度 ≠ 可靠的预测
中等意图 + 高置信度 = 有意义的预测
这可以防止对不完整数据的过度解释。
行为解释引擎
除了数字评分之外，系统还生成分析输出：
舞台投影
估计买家在决策过程中所处的位置。
动量指数
意图加速或减速的度量。
风险概况
指示风险感知是上升还是下降。
比较方向
显示买家是否正在隔离一个供应商或扩大搜索范围。
这些上下文层使分数具有可操作性。
SaleAI 实施（非促销）
消息语义
浏览日志
比较分析信号
风险相关查询
行为序列
代理使用上述框架将这些映射到意图分数。
此说明仅反映系统操作原则，而不是促销声明。
实际用例
意图评分模型支持：
潜在客户资格
自动跟进优先级
预测
买家细分
风险评估
确定购买阈值
它可以实现数据驱动的销售操作，而无需依赖主观解释。
结论
买家意图是由行为、背景、风险评估和决策一致性形成的概率结构。
结构化评分模型允许 AI 将这些因素解释为可衡量的指数，从而在人类观察通常不明确的环境中提供清晰的信息。
此蓝图为理解 AI 如何将分散的买家活动转化为连贯的购买概率奠定了基础。
