房仲業導入 AI 名單篩選前的選型評估：模型邏輯你看得懂嗎

一間有六十位業務的區域型房仲加盟店，每個月靠著各大平台廣告與官網表單累積上千筆買方詢問，但真正有成交意願的買方可能不到一成。店長最近參加了幾場房仲科技論壇，看到同業導入 AI 名單篩選系統後，業務把時間集中在高意向客戶身上，成交轉換率明顯提升。廠商的簡報也很吸引人：系統會自動幫每筆名單打分數，業務只要照著分數高低跟進就好。店長心動歸心動，但心裡有個疙瘩：這套系統打出來的分數，到底是根據什麼邏輯算出來的？

這個疑問點到了重點。名單篩選系統一旦上線，業務的每日工作順序、公司的行銷預算分配，甚至哪些客戶會被優先聯絡、哪些會被晾在一邊，全都會照著模型的分數走。如果沒人搞清楚分數背後的邏輯，很容易發生一種狀況：系統把真正有意願但填表較隨性的買方評為低分，反而把已經看過很多次房、只是還在比價的客戶評為高分，業務照著分數跑，結果白忙一場，還錯過了真正該優先聯絡的人。

導入前該先確認的資料與流程前提

在跟廠商深談之前，店內要先盤點手上有哪些歷史成交資料可以拿來對照：過去一到兩年裡，哪些名單最後真的成交、這些成交客戶當初填表或諮詢時留下的資訊有哪些共通點、業務跟催過程中記錄了哪些備註。這些資料是模型學習的基礎，如果過去的客戶關係管理系統雜亂無章，或業務習慣不記錄跟催細節，廠商能訓練出來的模型就只能靠外部的通用資料硬套，準確度自然打折扣。

同樣要先想清楚的是，現有的名單來源有多元：官網表單、廣告導流、代銷案場、老客戶介紹，每個來源的客戶輪廓可能差異很大。如果評估時沒有先跟廠商講清楚各來源的比例與特性，對方很容易用單一產業的通用模型來套用，導致某些來源的名單被系統性低估。

該怎麼設計 POC 或試用期

有意義的試用期，不能只看系統跑出來的分數排名好不好看，而要拿過去半年到一年、已經知道最終成交結果的名單，讓系統重新評分一次，再回頭比對：系統打高分的名單裡，有多少後來真的成交；系統打低分但業務堅持跟催下去的名單裡，又有多少其實成交了。這種回測能直接看出模型跟現實的落差有多大。

試用期的長度建議抓兩到三個月，涵蓋至少一輪完整的成交週期，因為房產決策時間長，一兩週的短期試用很難看出模型的判斷是不是真的準。過程中也要求廠商定期提供分數與業務主觀判斷的落差報告，而不是等試用期結束才交一份總結。

該問廠商的關鍵問題

除了問準確率，更該問的是模型判斷的可解釋性：一筆名單為什麼被打高分或低分，系統能不能列出具體依據，還是只給一個黑盒子分數；模型上線後，業務如果發現某些高分名單其實根本沒意願，能不能回饋給系統做修正，修正的週期是多久；客戶的個資與瀏覽行為資料，是不是會被拿去跟其他客戶合併訓練，資料保存與刪除的規範是什麼；以及萬一之後想換系統，累積的評分資料與模型參數能不能匯出。

導入前最後該確認的事

如果廠商願意用你自己的歷史成交資料做回測、講得出評分邏輯的大致依據、也建立了業務回饋修正的機制，這代表對方是把系統當成輔助工具在設計，而不是把黑盒子直接丟給業務照單全收。反過來，如果每次問到為什麼都被核心技術擋回來，或試用期只給你看漂亮的排名畫面卻不給回測數據，這就是該多留一個心眼的時候。