简介：这份PDF资料介绍Salesforce旗下Einstein AI的整体能力与应用场景，适合CRM行业从业者、竞品分析人员、企业数字化负责人以及准备学习Salesforce的读者。内容从Salesforce自2015年探索人工智能、到2022年正式发布Einstein的历程切入，随后按自动化销售活动、锁定最佳潜在客户、提高成交率、连接客户、智能搜索五个章节展开。每个部分均结合Sales Cloud Einstein的典型功能讲解，例如在Outlook或Gmail中插入可用会议时间、自动追踪邮件打开与链接点击、通过Activity Capture在邮箱与Salesforce之间同步事件和联系人，并对含敏感信息的邮件自动标记私密。这些细节可以帮助读者理解Salesforce如何利用人工智能优化销售流程、辅助线索评级和成交策略，也为企业选择CRM智能化方案提供对比参考。资源包含1个PDF文件，压缩包大小1.78MB，内容精炼便于阅读。当前已有440人学习浏览，对该话题有兴趣的从业者可以快速获得系统化概览。
1. Salesforce AI CRM里的Einstein：它解决的是CRM里最贵的环节
销售团队每天最耗时间的不一定是录数据，而是开会争论“这条线索到底先跟谁”。Salesforce里的Einstein能力集合要解决的正是这个环节——在CRM原生界面里直接给判断。我在模拟项目X里见到最典型的画面：几千条线索躺在列表视图里，销售按记忆和标签猜着跟，主管按成交金额排序催，谁也没打开过完整客户历史。Einstein是Salesforce在AI CRM方向上落地的那一层，它输出0到99的评分、动态变化提醒和下一步动作建议，不要求用户切到外部系统。这篇笔记按一线落地的视角拆清楚：Einstein有哪些值得先开的功能、启用前数据要备到什么程度、模型为什么会在“训练中”卡三天，以及让评分贴近业务而不是成为又一个黑匣子。
2. 功能拆开看：评分、洞察、推荐分别解决什么问题
2.1 线索评分与机会评分：把“先跟谁”的判断交给模型
线索评分是Einstein里被用得最多的模块。模型在后台读取历史线索数据，把最终转化成机会或客户的那批记录当作正样本，把长期没有动静的记录当作负样本，学习两类样本在字段取值和字段变化轨迹上的差异，然后对新进来的线索输出一个0到99分的预测分。分数高，意味着模型认为该线索更可能变成有效商机。实操里我会在列表视图直接加上评分列，让团队按分数倒序排列，先处理阈值以上那批，剩下的按批次进入培育流程。
机会评分则换了个预测目标，预测某个商机在未来一段时间内赢单的概率。它参考的信息比交易阶段更宽，联系人互动频率、团队成员更替、当前阶段停留天数、金额变化记录都会进入特征空间。它适合销售周期长、多人参与决策的B2B场景，核心价值是把“感觉要黄了”的商机提前暴露出来。风险在于评分是概率不是断言，高分的商机照样可能丢单，看待它应该像看待天气——预报下雨不代表一定下雨。
这里有一个参数要先想清楚：预测周期。周期不同，模型在构造正负样本时就完全不同。设得太短，本身要跑三个月才能成交的商机在这段时间内全被标成负样本，模型会给它们打低分；设得太长，对走短周期的团队没有任何节奏指导。我的经验是先看团队的历史平均成交周期，把预测周期设成它的1.2倍左右比较稳。可选的周期档位、每档适合什么节奏、有什么风险，后面第四章详述，启用前先别凭感觉拍。
从投入顺序看，线索量大、初筛动作多的团队可以先开线索评分，因为它的训练依赖“转化”事件，这个事件在大部分环境里都有记录。商机评分建议等销售阶段历史质量较高的团队再启用，否则阶段数据混乱会直接污染模型。两套模型可以并行，但必须分别等待各自的首次训练。
2.2 机会洞察与邮件洞察：让系统主动报信，而不是靠人盯
评分解决的是“排序”问题，洞察解决的是“发现”问题。机会洞察在后台持续扫描商机相关的动态信号，比如关键联系人发生工作变动、客户方的邮件互动突然变得频繁、商机在当前阶段停留时间远超平均等，然后以提醒的形式推送到记录页和提要里。它不修改任何业务数据，只负责报信。对靠人盯客户的销售团队，这个功能带来的直观感受比评分更强，至少不用再把“最近有没有变动”当作业绩指标去考核了。
邮件洞察处理的是另一类资产：邮件行为。它分析销售发出的邮件与回复率之间的关联，能看出哪些模板更容易拿到回复、哪些时段发信回复率更低。但它的前提是已经配置好活动捕获，把往来邮件同步进Salesforce，否则没有数据源，洞察里只能看到一片空白。这里有个边界很容易被忽略：不接外部邮箱系统，邮件洞察就没有任何输出；接了但只同步一部分邮箱，分析范围就会产生偏差。
一个务实用法是：销售主管每周打开邮件洞察的模板回复率排行，把连续两周排名垫底的模板直接停用，换成团队自写的版本。这比在例会上追问“为什么客户都没回信”具体得多。还需要知道两个洞察都是异步生成的，数据变化后不会立刻反映，普遍有若干小时到一天的延迟，别拿实时界面的标准去要求它。
2.3 Next Best Action与自定义预测：从看分到“下一步”
预测只是告诉你有风险或有机会，Next Best Action（后文简称NBA）则补上“那接下来做什么”。NBA在记录页实时计算当前客户最应该被执行的下一步动作，渲染成推荐卡片。它的结构分三层：策略层决定在哪些场景激活哪些规则，规则层写具体判断条件，推荐层把结论包装成销售能直接执行的建议。规则可以写成“评分大于80、且7天没有跟进记录，则推荐发送约见邮件”，也可以把某个预测模型的输出当作规则条件来参与判断。
需要提前管理好团队预期的部分是：NBA只是推荐，不是自动执行机器人。它不代替销售发邮件、不自动改阶段，更像车载导航——路线是它规划的，方向盘还是握在驾驶员手里。如果预期没对齐，上线后一定会有人跑来说“不是AI自动化吗，为什么还要我点发送”。把NBA定位成“减少思考时间的工具”，落地阻力会小很多。
在标准评分覆盖不到的对象上，Einstein Prediction Builder提供了自定义预测能力。管理员选一个对象、选一个目标字段、设定预测窗口，系统自动建模。例如想预测一张工单是否会超时关闭，就以工单对象为目标、把“是否超时关闭”作为目标字段、窗口设为3天。这个能力把Einstein从“只能玩线索和商机”扩展到任意业务环节，代价是数据质量要求更苛刻，目标字段必须有清晰而且足够多的正反样本。如果连“什么是超时”的定义都没统一，别急着建模。
3. 启用Einstein前的三件套：数据、权限、许可证
3.1 许可证与权限集：先确认有没有资格开
很多人去Setup里搜Einstein搜不出内容，第一反应是功能被隐藏，其实大多数情况是许可证层面就没准备好。Einstein在平台上不是单一开关，而是按模块购买的独立许可，每个功能对应不同的授权。常见做法是确定自己真正需要的模块，比如只开线索评分，然后按模块申请许可并分配给管理员。顺序是：先确认许可证可用，再分配权限集，最后才谈启用开关。顺序颠倒的话，界面会在某个环节直接卡住，而你可能根本判断不出是缺许可证还是缺权限。
权限集这块容易吃亏。权限没分配时，模型训练正常、后台状态也正常，但用户登录后就是找不到评分组件。排查到最后才发现用户没有包含Einstein预测权限的权限集。建议把启用和权限分配当成一个步骤来做：开启功能的同时就分配权限集，不要等上线前再补。权限集按业务分组命名，便于后续按团队维度维护。
3.2 数据准备：让模型先见过“赢单长什么样”
模型训练的质量上限由数据质量决定，这几乎是Einstein落地里唯一的硬道理。数据不够或标签混乱，后面所有调参都是白费。判断数据够不够，最直接的方式是跑一段SOQL数一数。在开发者控制台执行：
-- 检查过去两年已转化与未转化线索的数量对比 SELECT IsConverted, COUNT(Id) FROM Lead WHERE CreatedDate = LAST_N_YEARS:2 GROUP BY IsConverted这段查询用到了IsConverted（转化标记）和CreatedDate（创建时间）两个字段，分别用于区分正负样本和限定时间窗口；LAST_N_YEARS:2是日期过滤参数，意为最近两年。阅读结果时注意两行：已转化那行的数量代表模型能用的正样本，未转化那行是负样本。正样本如果只有几十条，模型基本学不出稳定规律，强行启用只会得到一堆聚集在中位数的输出。
机会侧同理：
-- 检查过去两年赢单与输单的数量 SELECT IsWon, COUNT(Id) FROM Opportunity WHERE CloseDate = LAST_N_YEARS:2 GROUP BY IsWonIsWon是商机的赢单标记，CloseDate是关单日期，时间过滤同样用了LAST_N_YEARS:2。赢单数量如果不到百条这个量级，建议先别开评分，先用人工规则跑一段时间，让业务数据自然积累，等正样本上来再启用。不要抱着“先开着看看效果”的心态，模型训练失败一次，团队对功能的信任就会掉一截，后面再拉回来成本很高。
除数量外，字段填充率同样重要。模型靠字段取值识别规律，如果参与建模的字段有一大半是空值，模型学到的就是“空值规律”，而不是业务规律。检查方式是对核心字段按“是否为空”分组计数。空值比例超过三成的字段，先做数据补全或流程强约束，再丢给模型。
3.3 打开字段历史追踪：给模型看“过程”而不是“快照”
Einstein评分模型的输入不只是记录当前状态，还包含字段的变化过程：阶段从初步沟通变到方案报价用了多少天、负责人是不是在成交前被换过、金额有没有在临近关单时被调低。这些过程信号依赖字段历史追踪提供数据。没开追踪，模型只能看到一张静态快照，等于丢掉了一半以上的信号。
开启路径在对象管理器中。以机会为例：进入Opportunity对象，找到Fields & Relationships，点击Set History Tracking，勾选需要追踪的字段。一般建议选阶段、负责人、金额、下一步动作以及团队自定义的关键字段。注意别把几百个字段全部勾上，历史数据会占用存储空间，而且大部分字段的变化根本不参与业务判断，喂给模型只会稀释关键信号。
注意：字段历史追踪只记录开启之后的变化，开启之前的历史过程不会被追溯。
这意味着如果决定要用Einstein，最好在数据采集早期就打开追踪，而不是等数据积累两年后再开。已经有成熟数据的环境，可以先开追踪再攒一段时间的动态数据，等覆盖足够的新变化后再启用预测。
3.4 功能开关与可见性：启用和权限分配顺序别反
许可证和权限集准备好后，进入功能启用环节。路径是Setup里搜索Einstein，进入Einstein设置页面，按模块打开对应开关。随后把Einstein相关权限集分配给用户，再到列表页和记录页添加评分组件或评分列。整个过程按这个顺序执行：
- 确认许可证已分配到位。
- 在Setup中启用对应Einstein功能模块。
- 分配Einstein权限集给目标用户组。
- 在列表视图添加评分列。
- 在记录页布局中添加评分或洞察组件。
- 等待模型首次训练完成。
顺序之所以重要，是因为每一步的失败表现都不同。许可证缺失时Setup里根本看不到设置项；权限集缺失时模型正常但用户看不到组件；布局没配置时权限有了但界面不显示。先把前三步走完再改界面，排查范围会窄很多。
首次训练时间要用完整预期来管理。常见情况是提交后一两天内仍然显示训练中，属于正常节奏，不是功能故障。给业务方的通知里要写清楚“启用后1到3天内评分开始出现”，避免他们第二天打开一看没分数就喊故障。
4. 把模型调准：预测目标、建模字段与评分阈值
4.1 预测目标与周期：先定义“什么是赢”
Einstein评分模型的预测目标不是写死的。同一个线索评分功能可以配置不同目标：可以是“线索转化为商机”，也可以是“线索在指定天数内转化为有效销售机会”。目标不同，正样本集合就不同，模型打分会完全变样。最常见的问题是没有统一“什么是有效”的定义，结果模型按它自己的理解生成标签，评分出来与业务认知对不上。
预测周期的权衡是落地里最需要拍板的点。周期太短，长成交周期的记录会被误标成负样本；太长，分数节奏跟不上销售日常。参考对应关系如下：
| 预测周期 | 适合场景 | 风险 |
|---|---|---|
| 30天 | 短周期、快决策的产品销售 | 长周期商机容易被误标成负样本 |
| 60天 | 中等周期、需要1到2次跟进 | 需确认大部分赢单确实发生在这个窗口内 |
| 90天 | 长周期、多人决策的复杂销售 | 对短期销售节奏指导作用较弱 |
选择依据以历史成交数据的实际分布为准，不要凭感觉。可以跑一段报表看历史赢单的周期分布，选覆盖绝大多数赢单的窗口，再留一点余量。如果分布很分散，说明销售流程本身不稳定，优先解决流程问题，而不是调Einstein参数。
4.2 建模字段的取舍与Top Reasons反查
Einstein训练时会对记录字段做特征选择，不需要管理员手工指定全部特征，但这不意味着字段越多越好。大量系统自动填值的字段，比如创建时间、最后修改时间，如果被模型选中，往往说明业务字段本身区分度不够。我一般会定期打开模型详情页看Top Reasons——也就是对评分影响最大的几个因素——用它反推数据处理的质量。
如果Top Reasons里出现阶段这类强相关字段，说明模型学到的确实是业务逻辑；如果榜首全是系统时间字段，大概率是参与建模的数据里业务字段没有区分度。应对办法是回到数据侧：检查关键字段填充率，统一选项值命名（比如“已成交”和“赢单”在业务上是同一个意思，却被录成了两种值），把明显没意义的字段从建模范围内剔除。部分版本允许管理员在预测设置里调整参与特征字段，优先保留业务明确相关的字段即可。
这里要认清一个边界：Einstein模型是一个黑匣子，它只展示Top Reasons这类解释，不会把完整的特征权重摊开给你。追求“完全可解释的AI评分”在Einstein上并不现实，更重要的是验证输出在统计上是否与业务结果一致，而不是纠结每个分数背后的具体计算路径。
4.3 直方图、阈值与业务校准
模型训练完成后，在Einstein相关页面能看到评分分布直方图。直方图的价值在于帮团队设定跟进阈值：分数集中在哪些区间、每个区间的记录量级是多少。不要凭感觉定“80分以上才跟进”，正确做法是先看分布，再结合团队跟进能力定线。比如一天只能处理50条线索，就找分布里评分最高的50条对应的分数线作为临时阈值。
阈值不是设完就固定的。上线两周后要做一次校准：把高分区线索的实际转化率与全量平均转化率放在一起对比。如果80分以上线索的转化率并没有显著高于全量，说明阈值定高了，或者模型还不够准；如果60到79分区间的转化率也明显高于全量，说明阈值可以下调，避免漏掉潜在机会。校准要基于数据而不是体感，这是叫“业务校准”的原因。
给团队使用评分时要说明一件事：分数是相对排序工具，不是绝对质量标签。两个都是80分的线索，具体价值仍取决于行业、区域、产品线这些上下文。评分更适合作为排序依据，而不是唯一决策依据。把这句话写进启用说明里，能少掉一大批“为什么这个80分客户根本不接电话”的质问。
5. Einstein落地常见问题与避坑：从训练失败到评分玄学
5.1 模型一直停在“训练中”，三天没动静
现象：启用后查看模型状态，长时间停在“训练中”或“待处理”，超过两三天没有任何变化。
原因：最常见是正样本数量不足或字段历史追踪未开启。模型在训练前需要足够的赢单或转化记录来构建正样本集合，同时需要字段变化历史来学习过程信号，缺一个，训练流程就会停滞。批量训练任务的排队延迟也会造成等待，但不是主要因素。
解决：先跑数据量检查脚本确认正样本量级，再确认字段历史追踪已开启并配置了关键字段。数据都没问题时，再等一个训练周期。多次失败或状态异常，从许可证和权限集开始排查，无法定位时向平台支持提交诊断信息。
5.2 评分全挤在同一个区间，没有区分度
现象：绝大多数线索得分落在70到90之间，列表视图翻到第二页还是差不多，排序功能基本失去意义。
原因：模型学到了“几乎所有记录都有的共同特征”，而不是“赢单记录的差异化特征”。常见诱因是参与建模的关键字段填充率过低，或者选项值口径混乱，同一含义写成多种写法，导致模型找不到有效区分维度。
解决：回到数据侧，优先处理填充率低的字段，统一选项值口径。再从建模字段中剔除系统自动填值、无业务区分的字段，重新训练。训练完成后看Top Reasons，确认模型主抓的因素是否与业务认知一致。
5.3 Setup里搜不到Einstein入口
现象：进入Setup搜索Einstein关键词，没有任何相关设置项出现，仿佛这个功能不存在。
原因：许可证未分配或环境版本不包含对应模块。Einstein在平台上按模块独立授权，不是每个版本默认自带。功能开关存在的前提是许可证已挂到当前环境并且分配给管理员。
解决：从许可证开始查，先确认环境里是否已购买并分配相关Einstein模块，再检查权限集是否存在，最后确认用户所属Profile或权限集是否包含Einstein相关权限。排查顺序按许可证、权限集、开关依次来，哪一步缺失补哪一步。
5.4 新记录迟迟不出现评分
现象：模型状态显示已训练完成，历史记录有分，但新创建的线索或商机在几小时内都没有分数。
原因：评分不是实时计算。Einstein对记录的评分在后台周期刷新，新记录从创建到首次评分之间存在时间差，这是正常机制。把这个时间差当成故障去排查，只会浪费时间。
解决：先查该记录是否符合评分触发条件，比如记录类型和对象设置；再确认用户在列表视图和记录页确实配置了评分组件。确认无误后按正常延迟预期等待，一般会在一个周期内出现。给业务方同步这个延迟预期，比事后解释有效得多。
5.5 分数与销售直觉完全相反
现象：销售明确知道某个商机快签了，Einstein却只给了40分；一个根本没人跟进的线索反倒得了80分。
原因：模型学的不是销售直觉，而是历史数据里的统计模式。如果关键字段与实际业务情况不一致，比如阶段没更新、负责人没变更、金额还是旧值，模型会按过时数据打分。此外销售直觉依赖的线下信息在CRM里根本没有记录，模型自然无从知晓。
解决：先更新记录字段再重新看分，同时接受一个事实——模型只能基于CRM里已有的数据做判断。线上数据质量越高，模型与销售直觉的一致性就越高。把Einstein定位成基于数据的排序助手，而不是拍板者，冲突会减少很多。
6. 进阶一步：让Einstein的评分进入业务闭环
6.1 用NBA把评分阈值变成可执行的下一步
评分本身只是排序，真正用起来的关键是让它触发动作。我在配置NBA时常用一组规则：当线索评分大于等于80且连续7天没有跟进记录时，推荐“发送约见邮件”；当商机评分低于40且当前阶段停留超过15天时，推荐“发起赢单风险复盘”。阈值和天数是每次上线的调节杠杆，不是固定值，业务节奏变了就同步调。
6.2 用Prediction Builder建专用模型
标准评分覆盖不了的对象，用Einstein Prediction Builder建专属预测。最近在调的一个案例是“工单是否会在SLA内关闭”的模型，目标对象是工单，目标字段是超时标记，窗口设为3天。它把Einstein从线索和商机两个标准场景扩展到了运营侧。数据规范得越早，这个能力越早可用，而且它不需要写代码，管理员在界面上就能完成配置。
6.3 每周做一次模型体检
上线以后，固定节奏的检查不能省。我的习惯是：每周一看评分分布直方图有没有明显偏移，每周二对比上周高分区转化率与全量转化率，每周三看Top Reasons有没有漂移。整套动作半小时内能完成，却能提前发现数据退化。几年前在模拟项目X里吃过教训：模型上线时分数很准，三个月后慢慢失准，团队没人看模型状态，直到被业务质疑才回头查，原因是数据长期没清理导致特征漂移。后来把“模型体检”写成了每周固定动作，这类翻车才不再反复出现。
希望这份落地笔记能帮到你。Einstein这个方向值不值得做，判断标准只有一句话：你的CRM数据值得被相信吗。数据干净、过程有记录、业务定义清楚，Einstein就能把判断环节省下来；数据一团乱，再强的模型也只是把混乱加速呈现。先把数据打理好，再开功能，顺序别反。
本文还有配套的精品资源，点击获取
