Copilot 建模型
由系统分析已接入的数据，几次点击即可生成一个建议评分模型。生成后仍可随时修改，模型逻辑透明可读，官方强调速度快且始终由使用者掌控。
价格官网未公开具体价格与免费额度
平台Web / API
归类聊天对话
收录2026-01-01
复核2026-01-01
编辑评分
4.4 / 5
★★★★☆
Breadcrumbs编辑总结
Breadcrumbs 是面向企业营销与销售团队的潜在客户评分平台，主打把散落在技术栈里的营销、销售、产品数据通过无代码连接器汇聚到一处，再用透明的评分模型对线索打分。官网给出的核心承诺是把 MQL 到 Opp 的转化率最高提升 30%，同时完整支持销售辅助型与 PLG 增长模式。它不像传统方案那样只允许一两个模型，而是提供不限数量的工作区和模型，可分别针对获客、扩展、留存等场景建模，并支持在不影响现有系统的前提下跑多变量测试。 短板也很明确：官网未公开任何具体价格档位与免费额度，只能通过预约演示的方式接触产品；同时它是一套需要接入既有技术栈的 B2B 工具，对没有数据积累的个人或小团队来说门槛偏高。
Breadcrumbs是什么？
Breadcrumbs 是一套企业级的潜在客户评分平台，服务对象是需要同时管理营销与销售漏斗的 B2B 团队。它的定位不是再做一个客户数据平台，而是把评分智能叠在已有的 GTM 技术栈之上，让营销、销售、产品三方的数据共同参与线索评分。
产品当前主推的能力围绕 Breadcrumbs Copilot 展开：用户点击几下就能生成一个建议评分模型，数据由系统自动分析，模型完全透明且可随时改动，并且开放整个 Breadcrumbs 评分引擎。围绕评分，平台还提供 Reveal 用来用机器学习识别预测性属性、Compare 用来验证不同假设，以及 Explore 用来跨技术栈统一查看线索与客户状态。
不同角色的用法不一样。营销运营人员主要用 Explore 和趋势分析来优化投放与培育项目；销售可以用它查看每条线索得分背后用到了哪些 fit 与 intent 数据，从而理解「为什么这条线索是热的」；数据或工程师角色则通过原生 OAuth 集成和 API 把数据接进来，不需要为每次取数单独排期。
Breadcrumbs核心功能
不限工作区与模型
不限制工作区和模型数量，可以针对获客、扩展、留存等不同场景分别建模，用来优化多条营收杠杆，而不是把全部判断压缩进一两个模型。
多变量测试
可以在不影响现有运营和业务系统的前提下并行跑多变量测试，对比不同评分假设的效果，避免为了验证模型而改动线上流程。
无代码连接器
通过无代码方式把营销、销售、产品数据从已有技术栈接入平台，不需要占用开发资源。官网称接入只需点击几下。
原生 OAuth 集成
对核心 GTM 技术栈提供原生 OAuth 集成，另有 API 供需要自定义接入的场景使用，把多个平台的数据统一汇聚到同一处。
评分可解释
每条评分都会给出详细拆解，说明用到了哪些 fit 与 intent 数据。销售可以直接看到某条线索为什么被判为高价值，避免黑箱式打分。
Explore 统一视图
跨整个 GTM 技术栈提供统一视图，展示线索与客户的当前状态，并给出趋势分析，用于优化营销项目而不是只看虚荣指标。
机器学习辅助
Reveal 用机器学习找出当前最能预测营收的属性，随着接入的数据增多，模型判断会持续调整，相当于给团队配了一个数据科学助手。
Breadcrumbs值不值得用？
如果你的团队已经有成规模的 CRM、营销自动化和产品数据，并且受困于营销与销售各说各话、评分模型改不动，Breadcrumbs 值得放进候选名单：它允许不限数量的模型、支持在不影响线上系统的前提下做多变量测试，官方还给出了 MQL 到 Opp 最高 30% 的提升幅度，这些对营收运营岗是实打实的诉求。它同样适合销售辅助、PLG 或混合增长模式的团队，因为平台明确支持任意 GTM 策略。 但它不是能直接上手试用的轻量工具。官网未公开价格与免费额度，只能预约演示；产品价值高度依赖你已有的数据存量，技术栈越薄收益越小；如果你的核心需求只是把线索简单排序，它的模型体系会显得过重。
建议选它的情况
- 已有 CRM、营销自动化与产品数据，想让三类数据共同参与评分的 B2B 团队
- 营销与销售长期为线索质量扯皮，需要客观依据替代互相压价的组织
- 同时运营销售辅助与 PLG 两种增长模式，需要按场景分别建模的营收运营岗
不建议选它的情况
- 数据积累薄弱的早期团队，接入后没有足够数据喂养模型
- 只想给线索做个简单排序、不打算维护评分模型的轻量用户
- 预算需要先明确数字才能立项的采购流程
Breadcrumbs使用建议
入门先把路子走对
- 从 Copilot 起步先用 Copilot 生成第一个建议模型，不要一上手就手工搭。让系统基于已接入数据给出初始版本，再在此基础上调整，比从零设计快得多。
- 先接核心数据源优先接入 CRM 和营销自动化这两个最核心的数据源，确认字段映射正确后再逐步加入产品数据。数据源一次接太多会让首次建模难以排查问题。
- 拉上销售一起看上线前把销售负责人拉进来看评分拆解。每条线索的 fit 与 intent 依据是可见的，让销售确认这些依据是否符合他们的判断，能大幅减少后续争议。
进阶省时间也省钱
- 按营收场景分模型工作区和模型数量不限，不要只建一个全局评分。分别针对获客、扩展和留存建模型，扩展模型可以用来找出适合追加销售或存在流失风险的客户。
- 用 Compare 验证假设把营销和销售各自的主张都做成模型，用 Compare 跑多变量测试对比，让数据决定采信哪一种，而不是靠会议上的互相压价。
- 定期回看 Reveal 结果机器学习识别出的预测属性会随数据积累而变化。定期回看 Reveal 的输出，把新出现的强预测属性补进评分模型，别让模型停在初始版本。
Breadcrumbs适合谁用？
B2B 营收运营岗
推荐日常要维护线索评分、协调营销与销售口径的运营角色，能用不限数量的模型分场景管理评分，并用统一视图查看线索在各阶段的流转质量。
营销运营负责人
推荐关注投放与培育项目的实际效果，可用趋势分析和跨平台统一视图判断哪些来源带来的线索真正推进到了商机，而不是停留在表单转化率上。
销售辅助型团队
推荐销售需要理解每条线索为什么被判定为高价值，平台的评分拆解会列出用到的 fit 与 intent 数据，适合销售周期较长、需要逐条评估线索的场景。
PLG 增长团队
有条件产品驱动增长模式下的评分依赖产品行为数据，平台明确支持这类增长模式，但前提是产品侧的行为数据能被接入技术栈。
早期小团队
不推荐数据存量不足时模型难以训练出有意义的判断，且官网未公开价格与免费额度，无法先低成本验证，建议等线索量积累到一定规模再考虑。
Breadcrumbs优点和缺点
优点
- 官网承诺 MQL 到 Opp 最高提升 30%
- 工作区与模型数量不限，可按获客、扩展、留存分别建模
- 支持在不影响线上运营与系统的前提下跑多变量测试
- 无代码连接器接入技术栈数据，不需要占用开发资源
- 每条评分都列出所用 fit 与 intent 数据，非黑箱
- 同时支持销售辅助型与 PLG 等任意 GTM 策略
缺点
- 官网未公开具体价格与免费额度，只能预约演示
- 产品价值依赖已有数据存量，技术栈薄的团队收益有限
- 需要接入多个业务系统，上线周期不可能短
Breadcrumbs常见问题
Breadcrumbs 能带来什么实际提升？＋
官网给出的核心指标是 MQL 到 Opp 转化率最高提升 30%，并强调可优化整个漏斗。这个数字来自官方宣传口径，实际效果取决于你接入的数据质量与模型设计。它同时还支持销售辅助型与 PLG 两种增长模式。
没有数据科学团队能用吗？＋
可以。平台提供 Breadcrumbs Copilot，会先分析你接入的数据并自动生成一个建议评分模型，几次点击即可完成；后续模型逻辑透明可读，也可以随时手动修改。此外还有 Reveal 用机器学习识别预测性属性，相当于承担了一部分数据科学工作。
它和我们现在的 CRM 冲突吗？＋
不冲突。平台的定位是在现有 GTM 技术栈之上叠加评分能力，通过无代码连接器以及针对核心 GTM 系统的原生 OAuth 集成把数据汇聚过来，并另外提供 API。多变量测试也被设计成不影响现有运营和业务系统。
评分结果是黑箱吗？＋
不是。官网明确把「对黑箱方案说不」作为卖点，销售人员可以查看每条评分背后的详细拆解，了解具体用到了哪些 fit 与 intent 数据。模型本身也完全透明且可自定义，开放了整个评分引擎。
能同时管理多个评分模型吗？＋
可以。平台不限制工作区和模型数量，官方把这称为消除虚假约束。你可以为获客、扩展、留存分别建模型，用来优化多条营收杠杆，而不是像传统方案那样只跑一两个模型。
怎么开始使用？＋
官网提供产品演示（Watch product demo）和「Get a Demo」入口，需要预约演示来接触产品，首页没有自助注册或免费试用入口。定价信息同样未公开，联系方式为预约演示。
