一、背景：GEO 的终点不是曝光，而是可跟进的客户
很多外贸 B2B 企业开始关注 GEO，也就是 Generative Engine Optimization，生成式引擎优化。原因很直接：客户获取路径正在变化。
过去客户通常在 Google 搜索关键词，进入几个供应商网站后，再提交询盘。现在，一部分海外买家会先向 AI 提问：
Which Chinese manufacturers are reliable for OEM industrial equipment? How to evaluate a packaging machinery supplier from China? What information should I provide before requesting a quotation?
这类问题背后，不只是搜索方式变化，更是采购决策方式变化。
AI 会先帮助客户整理信息、筛选维度、对比供应商，再影响客户后续搜索品牌、访问官网和提交询盘。也就是说，企业做 GEO，不只是为了“被 AI 提到”，而是为了让客户在完成初步判断后，能够进入企业官网，并被销售团队有效承接。
但实际运营中，很多企业会遇到一个常见问题：
内容带来了访问，但不知道客户意图强不强； 询盘数量增加了，但有效客户比例不稳定； 销售只看到表单内容，不知道客户来之前看过什么； 市场团队不知道哪些 GEO 页面真正影响了询盘； CRM 里有客户数据，但没有反向指导内容优化。
这说明 GEO 不能只停留在内容和流量层面。
如果没有线索评分和销售承接机制，GEO 很容易变成“有曝光、无转化”的内容项目。
本文从工程实践角度，拆解如何为外贸 B2B 企业搭建一套 GEO 线索评分系统，把 AI 搜索时代的访问、内容、询盘和 CRM 跟进连接起来。 
二、问题：为什么 GEO 需要线索评分？
传统网站询盘一般只记录几类信息：
姓名 邮箱 电话 国家 产品需求 留言内容
这些信息有价值，但不够完整。
对于外贸 B2B 企业来说，真正影响销售优先级的因素往往包括：
客户来自哪个国家？ 访问了哪个页面？ 是否看过产品页？ 是否看过案例页？ 是否下载过资料？ 是否阅读了报价要求？ 留言中是否出现采购数量、标准、交期等信息？ 是否来自高意向问题页面？ 是否已经被 AI 推荐后搜索品牌进入？
如果不记录这些行为和上下文，销售只能靠留言内容判断客户质量，市场团队也很难知道哪些内容真正有效。
例如，下面两条询盘表面上都叫“咨询产品”，但意图完全不同。
询盘 A：Please send catalog. 询盘 B：We need 3 sets of automatic filling machines for food products. Can you support CE documentation and delivery to Germany within 45 days?
很明显，询盘 B 的购买意图更强，因为它包含产品、数量、行业、认证、国家和交期。
GEO 线索评分要解决的，就是把这些信号结构化，让系统自动判断客户意图，帮助销售优先跟进高价值客户。
三、总体架构：GEO 线索评分系统怎么设计？
一套适合外贸 B2B 的 GEO 线索评分系统，可以设计成下面的链路：
客户问题 ↓ GEO 内容页面 ↓ 网站访问行为 ↓ 询盘表单提交 ↓ 线索特征提取 ↓ 客户意图评分 ↓ CRM 分配跟进 ↓ 成交结果反馈 ↓ 内容与页面优化
对应系统模块可以拆成六个部分：
内容页面标签系统 访问行为采集系统 询盘字段结构化系统 线索评分模型 CRM 跟进状态 GEO 归因看板
这套系统的关键不是算法多复杂，而是要把“客户为什么来、看了什么、问了什么、是否值得优先跟进”记录清楚。
AB客 GEO 在外贸 B2B 项目中强调完整增长闭环，也正是这个逻辑：
GEO 不只是让企业被 AI 理解和推荐，还要把 AI 推荐、搜索访问、内容阅读、询盘提交、销售跟进和数据归因串起来。 
四、第一步：给 GEO 页面打上意图标签
做线索评分之前，先要给内容页面打标签。
因为不同页面代表的客户意图不同。
例如：
| 页面类型 | 示例页面 | 客户意图 |
| 科普文章 | What is a filling machine? | 低意图 |
| 产品页 | Automatic filling machine | 中高意图 |
| 采购指南 | How to choose a filling machine supplier? | 高意图 |
| 供应商评估 | How to verify a Chinese manufacturer? | 高意图 |
| 报价清单 | What information is needed for quotation? | 很高意图 |
| 案例页 | Food packaging project in Germany | 高意图 |
| 联系我们 | Request a quote | 很高意图 |
可以用 JSON 为页面建立标签：
{ "page_url": "/guide/how-to-verify-chinese-machinery-manufacturer", "page_type": "supplier_evaluation", "intent_level": "high", "target_product": "packaging machinery", "buyer_stage": "evaluation", "related_questions": [ "How to verify a Chinese machinery manufacturer?", "What documents should buyers check before placing an order?" ], "conversion_goal": "request_quote" }
这些标签后续可以进入 CRM，帮助销售理解客户访问背景。
例如，如果一个客户提交询盘前访问了“报价资料清单”和“供应商验厂指南”，说明他大概率已经进入采购评估阶段，不是普通浏览用户。
五、第二步：采集访问行为和转化事件
GEO 线索评分需要采集用户行为事件。
常见事件包括：
page_view：页面访问 product_view：产品页访问 case_view：案例页访问 faq_view：FAQ 阅读 download：资料下载 whatsapp_click：WhatsApp 点击 email_click：邮箱点击 form_submit：表单提交
一个事件数据结构可以这样设计：
{ "visitor_id": "v_202606100001", "event_type": "page_view", "page_url": "/guide/how-to-choose-packaging-machine-supplier", "page_type": "buying_guide", "intent_level": "high", "country": "Germany", "language": "en", "timestamp": "2026-06-10T10:30:00Z" }
如果用数据库存储，可以设计一张行为事件表：
CREATE TABLE geo_behavior_event ( id BIGINT PRIMARY KEY AUTO_INCREMENT, visitor_id VARCHAR(128) NOT NULL, event_type VARCHAR(64) NOT NULL, page_url VARCHAR(255), page_type VARCHAR(64), intent_level VARCHAR(32), target_product VARCHAR(128), country VARCHAR(64), language VARCHAR(16), created_at DATETIME DEFAULT CURRENT_TIMESTAMP, INDEX idx_visitor (visitor_id), INDEX idx_event_type (event_type), INDEX idx_intent_level (intent_level), INDEX idx_country (country) );
这张表解决的是“客户来过哪里、看过什么、行为强不强”的问题。
如果只看最终表单，很多有价值的上下文会丢失。
而 GEO 线索评分的关键，恰恰是把客户提交询盘前的行为路径保留下来。
六、第三步：结构化询盘内容
外贸 B2B 的询盘留言往往是自然语言，例如：
Hi, we need 5 sets of automatic packaging machines for coffee powder. Can you support CE certification and delivery to Spain in August? Please send quotation and technical details.
这段留言里包含多个高价值信息：
产品：automatic packaging machines 数量：5 sets 应用：coffee powder 认证：CE 国家：Spain 交期：August 动作：send quotation
可以把它结构化成：
{ "product_interest": "automatic packaging machine", "quantity": "5 sets", "application": "coffee powder", "certification_required": "CE", "destination_country": "Spain", "delivery_time": "August", "requested_action": "send quotation" }
下面是一个简单的 Python 示例，用规则提取部分字段：
import re def extract_inquiry_features(text: str) -> dict: lower_text = text.lower() features = { "has_quantity": False, "quantity_text": None, "has_certification": False, "certification": None, "has_delivery_time": False, "has_quote_request": False, "has_technical_request": False } quantity_match = re.search(r"(\d+)\s*(sets|pcs|units|pieces)", lower_text) if quantity_match: features["has_quantity"] = True features["quantity_text"] = quantity_match.group(0) certifications = ["ce", "iso", "fda", "rohs"] for cert in certifications: if re.search(rf"\b{cert}\b", lower_text): features["has_certification"] = True features["certification"] = cert.upper() break if any(word in lower_text for word in ["august", "september", "within", "delivery", "lead time"]): features["has_delivery_time"] = True if any(word in lower_text for word in ["quotation", "quote", "price", "offer"]): features["has_quote_request"] = True if any(word in lower_text for word in ["technical", "specification", "details", "datasheet"]): features["has_technical_request"] = True return features sample = """ Hi, we need 5 sets of automatic packaging machines for coffee powder. Can you support CE certification and delivery to Spain in August? Please send quotation and technical details. """ print(extract_inquiry_features(sample))
输出结果类似：
{ "has_quantity": true, "quantity_text": "5 sets", "has_certification": true, "certification": "CE", "has_delivery_time": true, "has_quote_request": true, "has_technical_request": true }
这个脚本只是基础版本，但已经能识别一部分高意向信号。
后续可以结合大模型或 NLP 模型提取更多字段，例如产品型号、行业、预算、采购阶段、付款方式等。
七、第四步：设计线索评分规则
线索评分可以从三个维度入手：
来源意图 行为意图 留言意图
1. 来源意图
如果客户来自高意图 GEO 页面，分值应该更高。
科普文章访问：+5 产品页访问：+15 采购指南访问：+20 供应商评估页访问：+25 报价清单页访问：+30 案例页访问：+20
2. 行为意图
客户行为越接近转化，分值越高。
访问 3 个以上页面：+10 查看案例页：+15 下载产品资料：+20 点击 WhatsApp：+25 点击邮箱：+20 提交表单：+40
3. 留言意图
留言越具体，分值越高。
包含产品名称：+10 包含数量：+15 包含认证要求：+15 包含交期：+10 包含目标国家：+10 明确要求报价：+20 明确要求技术资料：+10
可以用 Python 实现一个简单评分函数：
def score_lead(page_signals: dict, behavior_signals: dict, inquiry_features: dict) -> dict: score = 0 reasons = [] intent_score_map = { "low": 5, "medium": 10, "high": 20, "very_high": 30 } intent_level = page_signals.get("intent_level", "low") score += intent_score_map.get(intent_level, 0) reasons.append(f"Page intent: {intent_level}") if behavior_signals.get("visited_product_page"): score += 15 reasons.append("Visited product page") if behavior_signals.get("visited_case_page"): score += 15 reasons.append("Visited case page") if behavior_signals.get("downloaded_catalog"): score += 20 reasons.append("Downloaded catalog") if behavior_signals.get("clicked_whatsapp"): score += 25 reasons.append("Clicked WhatsApp") if inquiry_features.get("has_quantity"): score += 15 reasons.append("Mentioned quantity") if inquiry_features.get("has_certification"): score += 15 reasons.append("Mentioned certification") if inquiry_features.get("has_delivery_time"): score += 10 reasons.append("Mentioned delivery time") if inquiry_features.get("has_quote_request"): score += 20 reasons.append("Requested quotation") if inquiry_features.get("has_technical_request"): score += 10 reasons.append("Requested technical details") if score >= 80: level = "A" elif score >= 50: level = "B" elif score >= 25: level = "C" else: level = "D" return { "score": score, "level": level, "reasons": reasons } page_signals = { "intent_level": "very_high" } behavior_signals = { "visited_product_page": True, "visited_case_page": True, "downloaded_catalog": False, "clicked_whatsapp": True } inquiry_features = { "has_quantity": True, "has_certification": True, "has_delivery_time": True, "has_quote_request": True, "has_technical_request": True } print(score_lead(page_signals, behavior_signals, inquiry_features))
输出结果可能是：
{ "score": 155, "level": "A", "reasons": [ "Page intent: very_high", "Visited product page", "Visited case page", "Clicked WhatsApp", "Mentioned quantity", "Mentioned certification", "Mentioned delivery time", "Requested quotation", "Requested technical details" ] }
实际项目中，可以根据行业和客单价调整分值。
例如机械设备、工业材料、工程设备等长决策链行业，更应重视认证、交期、案例和技术资料请求。
八、第五步：把评分结果写入 CRM
评分的最终用途，是帮助销售更高效跟进。
CRM 中建议增加以下字段：
lead_score：线索分数 lead_level：线索等级 intent_source：意图来源 visited_pages：访问页面 matched_question：匹配问题 product_interest：意向产品 country：国家 next_action：下一步动作 follow_up_deadline：跟进截止时间
可以设计一张线索表：
CREATE TABLE geo_crm_lead ( id BIGINT PRIMARY KEY AUTO_INCREMENT, lead_id VARCHAR(64) NOT NULL, visitor_id VARCHAR(128), email VARCHAR(128), country VARCHAR(64), product_interest VARCHAR(128), inquiry_text TEXT, landing_page VARCHAR(255), matched_question VARCHAR(500), lead_score INT DEFAULT 0, lead_level VARCHAR(16), score_reasons JSON, sales_owner VARCHAR(64), sales_status VARCHAR(64), next_action VARCHAR(255), created_at DATETIME DEFAULT CURRENT_TIMESTAMP, INDEX idx_lead_level (lead_level), INDEX idx_country (country), INDEX idx_product_interest (product_interest), INDEX idx_sales_status (sales_status) );
销售团队可以按等级处理：
A 级线索：2 小时内优先跟进，发送定制报价或技术资料 B 级线索：当天跟进，补充产品信息和案例 C 级线索：进入培育流程，发送目录和 FAQ D 级线索：低优先级，进入自动化邮件或内容触达
这样，GEO 带来的询盘就不会只停留在表单里，而是进入明确的销售动作。
九、第六步：用成交结果反向优化 GEO 内容
线索评分不是一次性动作，还要结合后续销售结果持续优化。
例如，CRM 可以记录：
是否回复 是否报价 是否进入样品阶段 是否成交 是否丢单 丢单原因是什么
对应数据表可以增加销售结果字段：
ALTER TABLE geo_crm_lead ADD COLUMN quoted TINYINT DEFAULT 0, ADD COLUMN opportunity_created TINYINT DEFAULT 0, ADD COLUMN deal_won TINYINT DEFAULT 0, ADD COLUMN lost_reason VARCHAR(255);
然后按页面分析线索质量：
SELECT landing_page, COUNT(*) AS total_leads, SUM(CASE WHEN lead_level = 'A' THEN 1 ELSE 0 END) AS a_level_leads, SUM(quoted) AS quoted_count, SUM(opportunity_created) AS opportunity_count, SUM(deal_won) AS won_count FROM geo_crm_lead GROUP BY landing_page ORDER BY opportunity_count DESC;
这一步能帮助市场团队回答：
哪些 GEO 页面带来了高质量询盘？ 哪些问题更接近成交？ 哪些内容只是带来泛流量？ 哪些页面需要增加案例和信任证据？ 哪些国家或产品线值得继续投入？
如果发现“报价资料清单”页面带来的 A 级线索更多，就可以继续扩展类似内容：
OEM quotation checklist Pre-shipment inspection checklist Factory audit checklist Technical documents before placing order
这就是 GEO 的反馈闭环：
销售数据不只是 CRM 的数据，也应该反向指导内容生产和网站优化。
十、看板设计：GEO 线索承接应该看什么？
一个实用的 GEO 线索看板，可以包含五组指标。
1. 线索总览
总询盘数量 A 级线索数量 B 级线索数量 高意向线索比例 平均线索评分
2. 页面转化表现
不同页面带来的询盘数量 不同页面带来的 A 级线索数量 报价请求页面转化率 案例页面辅助转化率 FAQ 页面转化表现
3. 国家和语言表现
不同国家询盘量 不同国家 A 级线索比例 不同语言页面线索质量 重点市场成交机会数量
4. 产品兴趣分布
被咨询最多的产品 高质量线索对应产品 产品页访问与询盘关系 不同产品的报价机会数量
5. 销售跟进表现
A 级线索响应时间 报价发送数量 成交机会数量 丢单原因分布 未跟进线索数量
这些指标的价值在于，把 GEO 从“内容部门的工作”变成“市场、网站、销售、CRM 共同参与的增长系统”。 
十一、AB客 GEO 的实践启发：从推荐机会到成交路径
很多企业理解 GEO 时，只关注前半段：
AI 是否提到我？ AI 是否推荐我？ AI 是否引用我？
这些当然重要，但外贸 B2B 的真实增长还需要后半段：
客户是否访问官网？ 是否看懂产品？ 是否相信企业？ 是否提交询盘？ 销售是否及时跟进？ 是否形成报价和成交机会？
AB客 GEO 的实践价值，就在于把这两段连接起来。
它不是单点优化某个页面，也不是单纯生产内容，而是围绕：
企业数字人格 客户需求洞察 GEO 内容体系 SEO&GEO 网站承载 全球内容分发 CRM 线索转化 数据归因优化
形成完整闭环。
如果从本文的线索评分视角看，AB客 GEO 的核心价值可以理解为三句话：
前端让 AI 更容易理解企业； 中端让客户更容易建立信任； 后端让销售更容易识别和跟进高意向客户。
这比单纯追求流量更适合外贸 B2B。
因为 B2B 客户决策链路长、询盘质量差异大、销售跟进成本高。只有把 GEO 和 CRM 结合起来，才能真正判断增长是否有效。
十二、实践建议：小团队如何启动 GEO 线索评分？
如果团队资源有限，不建议一开始做复杂模型。
可以先做一个轻量版本。
第一阶段只需要完成五件事：
给核心页面打意图标签 记录客户访问页面 优化询盘表单字段 用规则计算线索分数 在 CRM 中标记 A/B/C/D 等级
建议优先选择以下页面：
核心产品页 采购指南页 供应商评估页 报价资料清单页 案例页 FAQ 页 联系我们页
询盘表单也可以增加几个关键字段：
目标产品 预计采购数量 目标国家 是否需要认证 预计采购时间 是否需要 OEM 定制
这些字段不会明显增加客户负担，但能大幅提升线索判断质量。
初期评分规则可以很简单：
访问报价页 +30 访问案例页 +20 填写采购数量 +20 填写认证需求 +20 明确要求报价 +30
当数据积累到一定规模后，再进一步引入更复杂的评分模型或自动化分配机制。
十三、总结：GEO 增长必须进入 CRM 才算闭环
GEO 的价值，不应该只停留在“内容有没有被 AI 看见”。
对于外贸 B2B 企业来说，更重要的是：客户被影响之后，是否能进入可跟进、可评分、可转化的销售流程。
一套有效的 GEO 线索评分系统，可以帮助企业完成四件事：
识别哪些访问更有购买意图 判断哪些询盘值得优先跟进 分析哪些内容真正带来商机 用销售结果反向优化 GEO 内容
这也是 GEO 从内容项目升级为增长工程的关键一步。
未来，外贸 B2B 企业的竞争不只是“谁能被 AI 提到”，还包括“谁能把 AI 搜索带来的客户更高效地转化为商机”。
AB客 GEO 所做的事情，本质上就是帮助企业建立这套基础设施：
让企业被 AI 理解、被客户信任、被询盘系统承接，并通过 CRM 和数据归因持续优化。
真正可持续的 GEO，不是一次曝光，也不是一批文章，而是从 AI 可见性到客户转化的完整增长闭环。
