Automatyczny enrichment ze scoringiem
Automation 12 min
0/21
Problem biznesowy
Ręczny enrichment leada to 10-15 minut. Przy 50 leadach dziennie to 8+ godzin czystej roboty administracyjnej. Do tego dane są niespójne (ta sama firma jako 'X Sp. z o.o.' i 'X'), zduplikowane (ten sam lead 2 razy), a scoring 'z głowy' nie jest powtarzalny. Skutek: CRM pełen brudnych danych, których nikt nie używa.
Sprawdzona metoda
Workflow enrichmentu w 6 krokach:
- NEW LEAD: trigger (formularz, import, ręczne dodanie) — lead trafia do systemu,
- ENRICH COMPANY: narzędzie (Apollo/Hunter/Clay/API) dodaje: branżę, wielkość, lokalizację, technologię, stronę,
- ENRICH CONTACT: weryfikacja emaila (SMTP), LinkedIn, rola, telefon,
- AI RESEARCH: AI generuje kontekst (sygnały, pain hipotezy, brief) — na bazie danych z kroku 2-3,
- ICP SCORE: AI ocenia lead wg Twojego modelu (structured output — JSON: score, qualified, priority, reason),
- SAVE TO CRM: workflow zapisuje lead + wszystkie dane + score do CRM (normalizacja: ujednolicone nazwy, formaty). TEMATY TECHNICZNE: NORMALIZACJA (firma 'X sp. z o.o.' = 'X' — reguły i AI), DEDUP (ten sam lead nie wchodzi 2x — po emailu/NIP/nazwie), AI KLASYFIKACJA (lead → segment/kategoria), LEAD SCORING (wg modelu z wagami), STRUCTURED OUTPUT (AI zwraca JSON — deterministycznie można dalej routować). AI daje: research, klasyfikację, scoring, normalizację nazw. Narzędzia dają: twarde dane (email, LinkedIn). Zasada: dane twarde z narzędzi, interpretacja z AI, oba zapisywane razem.
Przykład z rynku
- ZŁY
- Ręczne, niespójne wykonywanie kroków lub chaotyczna automatyzacja bez walidacji danych.
- DOBRY
- Lead 'Nowak' wpada z formularza. Workflow: Enrich Company → 'MebelSoft Sp. z o.o., 40 pracowników, e-commerce, Shopify'. Enrich Contact → email zweryfikowany (status 95%), LinkedIn znaleziony. AI Research → 'sygnały: hiring 2 osoby w obsłudze klienta, strona bez chatu, kontakt mailowy; pain hipoteza: wolne odpowiedzi'. ICP Score (JSON): {
score
: 87,qualified
: true,priority
:HIGH
,reason
:ICP match + hiring + brak narzędzi
}. CRM → zapisany lead z pełnymi danymi + task 'zweryfikuj i zadzwoń'. Całość: 2 minuty zamiast 15.
Gotowy prompt do skopiowania
Jesteś architektem enrichmentu. Kontekst: Mam [X] leadów/mies. Źródła: [FORMULARZ/IMPORT/RĘCZNIE]. Używam: [NARZĘDZIA — Apollo/Hunter/Sheets/CRM]. Mój ICP: [KARTA ICP]. Zadanie: Zaprojektuj workflow enrichmentu: 1. Schemat: New Lead → Enrich Company → Enrich Contact → AI Research → ICP Score → Save to CRM (z narzędziami per krok) 2. Pola do enrichmentu: firma i kontakt (co zbieram) 3. Normalizacja: reguły i jak AI ujednolica nazwy/dane 4. Dedup: po czym sprawdzam duplikaty (email/NIP/nazwa) + co robię z duplikatem 5. AI klasyfikacja: co AI klasyfikuje (segment, branża, kategoria) — structured output (JSON schema) 6. Lead scoring: model + jak AI zwraca score/qualified/priority/reason (JSON) 7. Zapis do CRM: co trafia do CRM i jakie taski tworzy workflow Format: 7 sekcji.
Model rekomendowany: Claude 3.5 Sonnet / GPT-4o Skopiuj i wklej do ChatGPT, Claude lub Perplexity
ALTERNATYWNE SCENARIUSZE
Warianty i alternatywne scenariusze
Wersja zero-narzędzi: Sheets + AI API + ręczna weryfikacja.
Wersja pełna: Clay/Apollo + n8n/Make + CRM z automatyzacją.
Ćwiczenie praktyczne
Zaprojektuj workflow enrichmentu (schemat z narzędziami per krok). Zdefiniuj pola do zbioru (firma/kontakt) i reguły dedup. Napisz JSON schema, którą AI ma zwracać przy scoringu (score, qualified, priority, reason).
Zapisano w przeglądarce