B2B营销漏斗底部,二十年来为什么一直看不清

市场部这个月产出了 500 条 MQL。销售团队联系了其中 80 条。

剩下 420 条去哪了？

没有人知道。

不是不想知道。是在现有的系统里，这件事看不见。CRM 里显示"已转出"，但实际上销售打了几个电话、客户说了什么、为什么没有推进——这些信息没有回到市场部的系统里。500 条 MQL 进去，80 条有下文，420 条静默消失。

这不是某一家公司的问题。这是整个 B2B 行业的日常。

问题不在营销团队，在工具的设计起点

老于此前写过一篇文章，讲B2B营销漏斗存在二十年的悖论——上面用力，下面放手。我提供一个不同的视角：不只是营销团队做得不够，而是从一开始，软件就没有被设计来看见这一段。

过去二十年，B2B营销软件的设计起点是"数字化营销行为"。官网访问、内容下载、邮件打开、表单提交——这些行为天然是数字化的，采集成本接近零。MA系统围绕这些行为建了一整套工具链。

这套工具链的逻辑是：行为 → 评分 → MQL → 交接给销售。到这一步，MA的工作就结束了。剩下的，交给CRM。

但CRM的设计逻辑是"管理销售过程"。商机阶段、预计成交金额、跟进记录、合同管理。销售把结果录入CRM，给老板汇报。

MA管"人怎么来的"，CRM管"单怎么签的"。

中间这段——电话里聊了什么、客户真正的痛点是什么、哪句话打动了客户、竞争对手在哪里被提到——是两个系统之间的真空地带。

不是营销团队不想管这段。是两个系统都没有设计来管这段。

为什么过去做不了

对话数据的采集成本，和行为数据不在一个量级。

一个用户在官网上点了一个按钮，这个数据自动就有了。采集成本是零。

一通电话的录音要变成有用的数据，需要经过：录音存储 → 语音转写 → 信息提取 → 结构化标签 → 回灌系统。每一步都有技术门槛和成本。

过去，语音转写的准确率不够高，信息提取需要大量人工标注，回灌系统需要定制开发。做一通电话的分析，成本可能比获取一个线索还高。这件事在经济上不成立。

所以在产品层面，所有MA和CRM厂商做了一个相同的选择：先解决容易解决的问题。容易解决的问题，恰好都在漏斗顶部。

这不是偷懒，是技术条件下的合理选择。但后果是：二十年来，漏斗底部的数据基础设施几乎为零。

AI改变的不是营销方法，是数据采集的成本结构

现在不一样了。

语音转写的成本降了两个数量级，准确率到了可用的水平。用大模型做信息提取，不需要标注训练数据，几行prompt就能从一段对话里提取出客户痛点、异议、竞品提及、决策时间表。结构化标签和系统回灌，API调用就能搞定。

过去采集一通电话数据的成本，可能比获取一个线索还高。现在呢？接近于零。

采集成本降到接近零，漏斗底部才终于变得可见、可管理。

说到底这不是什么营销方法的改进。是数据基础设施变了——漏斗底部第一次可以被量化。

数据一旦可见，飞轮就会转起来

但这还不是重点。

数据采集成本降到零，影响的不仅是"看得见"——它会启动一个消费互联网公司玩了很多年、但B2B从来没有过的东西：数据飞轮。

Netflix 用户看得越多，推荐越准，用户越离不开。TikTok 你刷得越久，内容越懂你。每一次用户行为都让系统变得更好，循环往复，越转越快。

B2B从来没有过这样的飞轮。MA系统记录的是行为——谁访问了官网、谁下载了白皮书。CRM记录的是结果——这个客户签了多少合同、那个商机到了什么阶段。但连接行为和结果的决策过程——为什么给这个客户打了80分、为什么MQL转给了这个销售而不是那个、为什么最终批了10%折扣——从来就没被当作数据来对待。传统软件只记录状态，不记录为什么是这个状态。

AI Agent让这件事变得不一样了。Agent执行任务的时候，天然会记录下完整的决策上下文——评估了哪些选项、引用了什么先例、最终做了什么选择。这些决策痕迹是自动生成的副产品，不需要额外的人力投入。

回到漏斗底部：通话分析捕获了客户异议和痛点 → 关联到这条线索最终是否成交 → Agent在下次类似场景中做出更准确的判断 → 更高转化率 → 更有价值的决策数据。每一次通话都让系统更懂你的客户、你的定价弹性、你的竞争格局。

这就是Netflix飞轮的B2B营销版本。

Foundation Capital的合伙人Jaya Gupta把这层缺失的基础设施叫作Context Graph——上下文图谱。如果传统软件是"状态的系统"，那Context Graph就是"决策的系统"。一个记结果，一个记推理。这个概念指出了一个很要命的变化：下一代企业软件的核心问题不是"你有多少数据"，而是"你记录了多少决策"。

谁先让这个飞轮转起来，谁就拿到真正的护城河——竞争对手可以复制你的功能，但复制不了你积累的几万条决策先例。

不是理论，我们已经看到了

上个月，我们拿一个真实的制造业客户跑了分析。

这家客户在系统里有8个线索，562条行为记录，35次通话记录。行为数据很丰富——谁打开了邮件、谁浏览了资料、谁参加了线上峰会，MA系统记录得清清楚楚。

通话数据是另一幅画面。35次拨打，9次接通，7条有录音。最长的一通126秒，第二长117秒。这些录音存在服务器上，但从未被听过、被分析、被利用。126秒里客户说了什么？不知道。117秒呢？也不知道。

更有意思的是把行为数据和通话数据放在一起看。我们发现了一个被系统忽略的模式：

一个叫张*的线索，浏览了18次峰会页面，接通了一次33秒电话，最终被标记为SQL。转化路径清晰：会议兴趣 → 电话沟通 → 商机确认。

但另外两个线索——花*和何*——有几乎一样的行为模式。花*浏览了14次峰会页面，有一通126秒的有效通话。何*浏览了13次，有一通117秒的有效通话。它们和SQL张*的特征高度相似，但系统里仍然标记为RawLead。

区别在哪？张*碰巧被坐席跟进了。花*和何*没有。

不是坐席偷懒。是系统没有告诉他们：这两个人和你已经转化的SQL有一样的行为模式。这就是漏斗底部的盲区：数据存在，但没有被连接，没有被看见，没有被行动。

软件需要重新设计

如果飞轮的方向是对的，那基于这套逻辑的软件能力也应该跟着变。

现在的MA系统不是加一个"语音分析"模块就够了。它需要重新思考产品的设计起点。

以前的设计起点是帮市场部管理营销行为。但企业真正需要的是理解客户决策的完整路径。

拿开头那条线索走一遍。

现在： 一条MQL从MA系统转出，进入CRM，状态变成"已分配"。销售打了电话，聊了二十分钟，客户提到预算紧、竞品报价更低、决策要拉CTO审批。这些信息留在销售的脑子里，或者最多写成几句CRM备注。市场部看到的永远是"已转出"。如果这条线索三个月后没成交，没有人知道为什么。

重新设计之后： 同一条MQL转出。销售打完电话，系统自动完成几件事——通话录音被转写，客户痛点（预算紧张、竞品比价）、决策结构、异议（价格敏感）被提取成结构化标签，回灌到这条线索的客户画像里。市场部打开这条线索，看到的不再是"已转出"，而是完整的客户视图：官网行为 + 通话洞察 + 当前阶段 + 下一步建议。同时，系统检测到客户对价格敏感，自动推送ROI计算工具和竞品对比案例。线索七天没有下一步动作，自动提醒销售跟进，同步抄送市场部。

对话数据是一等公民。 客户痛点、异议、竞品提及、决策阶段——和官网行为数据并列，作为客户画像的核心数据源。

MA和CRM之间不再是真空。 对话数据和行为数据合并，形成完整的客户视图。市场能看到线索在销售端的真实状态。

运营动作自动执行。 不是给人看报告让人决策，是系统直接触发动作——推内容、发邮件、培育沉睡线索。

说白了，这不是加功能，是改架构。

"打劫"

竞争格局已经在动了。

北美市场已经出现一批AI Native的企业软件公司。它们没有创造新的需求，而是利用更敏捷的AI架构，以更低成本、更好体验去抢夺传统SaaS厂商的存量市场。

在漏斗底部这个场景下，这种"打劫"会特别有效——因为传统MA系统在这里本来就是空白的，AI Native公司没有历史包袱，可以从零开始设计。传统厂商想补这一块，要面对的是：老架构能不能承载新的数据类型？存量客户的数据能不能平滑迁移？销售团队已经在用的CRM流程要不要打断？每一个都是两难。

AI Native公司不用回答这些问题。它们直接从漏斗底部切入，反过来向漏斗顶部扩张。谁先拿到对话数据，谁就先拿到飞轮的燃料。

"半透膜"

但传统SaaS厂商仍然握有一张牌：企业经营数据沉淀在系统中形成的护城河。

大模型能写一封通用的跟进邮件，但它不知道你某个客户上个月投诉过交付延迟，不知道这个客户的决策者刚换了人，不知道上次谈判时你们承诺过额外的培训支持。这些信息沉淀在MA和CRM里——客户的历史交互记录、销售笔记、合同条款、服务工单。大模型厂商想要这部分数据，但企业不会把客户的完整经营数据交给通用模型。这是隐私问题，也是竞争问题。

反过来，SaaS厂商可以调用大模型的能力来增强自己的产品——用模型做语音分析、做内容生成、做智能推荐。大模型的通用能力穿透进来，但企业的私有数据穿透不出去。

这就是"半透膜"：通用能力可以渗透进垂直场景，但垂直数据渗透不回通用模型。

但这张牌能守多久，就看传统厂商重构产品的速度了。

最后一个不确定的判断

语音分析和对话智能，市场上已经有公司在做了。Gong、Chorus这类产品做销售对话分析做了好几年。

但它们大多定位为"销售工具"——帮销售提升通话质量，帮管理者复盘销售过程。不是定位为"营销基础设施"。

我认为对话数据应该属于后者。原因很简单：对话数据最大的价值不是帮一个销售打得更好，而是让整个漏斗的运营有一个完整的数据底座。 如果对话数据只在销售工具里，市场部还是看不见那420条MQL发生了什么。对话数据回到营销系统，飞轮才有完整的燃料——行为数据 + 对话数据 + 成交数据，三个环扣在一起。

但要把对话数据变成营销基础设施的一部分，MA厂商需要做一个架构层面的决策：你的系统是继续围绕"行为数据"建，还是围绕"全触点数据"重建？

前者是加模块，后者是重构。加模块容易，但数据还是割裂的。重构难，但一旦做完，产品边界就变了。

坦率讲，重构的具体路径我自己也还在想。但方向我确定了：对话数据必须在营销系统里，否则漏斗永远是断的。

最后

回到开头那420条MQL。它们不是消失了，是在两个系统之间的真空地带里，从来没被人看见过。

B2B营销漏斗底部的问题存在了二十年。二十年前不是营销人不知道那里有问题，是解决它的成本太高，高到没有商业合理性。

现在成本结构变了。AI把对话数据的采集成本降到了接近零。当数据采集成本接近零的时候，问题就从"该不该做"变成了"怎么做"。

怎么做？围绕飞轮重建产品和商业模式。让每一次通话、每一次谈判、每一次客户交互都变成飞轮的燃料——让系统越用越聪明，让竞争对手越来越追不上。

商业模式也要跟着变。漏斗底部的运营是事件驱动的，越自动化需要的人越少。按坐席收费在这里是矛盾的——做得越好，收入反而越低。按消耗或按结果收费才和业务产出对齐。SaaS正在从"卖人头"变成"卖产出"，这个趋势在漏斗底部会最先兑现。