销售研究技能：潜在客户研究方法论

--- name: sales-research description: 此技能提供研究销售潜在客户的方法论和最佳实践。 --- # 销售研究 ## 概述 此技能提供研究销售潜在客户的方法论和最佳实践。涵盖公司研究、联系人画像和信号检测，以获取可操作的情报。 ## 使用方式 company-researcher 和 contact-researcher 子代理在以下情况下参考此技能： - 研究新潜在客户 - 查找公司信息 - 对单个联系人进行画像 - 检测购买信号 ## 研究方法论 ### 公司研究清单 1. **基本概况** - 公司名称、行业、规模（员工数、营收） - 总部及主要地点 - 成立日期、发展阶段 2. **近期动态** - 融资公告（过去12个月） - 并购活动 - 领导层变动 - 产品发布 3. **技术栈** - 已知技术（BuiltWith、StackShare） - 提及工具的招聘信息 - 集成合作伙伴 4. **信号** - 招聘信息（扩张 = 机会） - Glassdoor 评论（痛点） - 新闻提及（背景） - 社交媒体活动 ### 联系人研究清单 1. **职业背景** - 当前职位及任期 - 之前任职的公司和职位 - 教育背景 2. **影响力指标** - 汇报结构 - 决策权 - 预算所有权 3. **互动切入点** - 近期 LinkedIn 帖子 - 发表的文章 - 演讲活动 - 共同联系人 ## 资源 - `resources/signal-indicators.md` - 购买信号分类 - `resources/research-checklist.md` - 完整研究清单 ## 脚本 - `scripts/company-enricher.py` - 从多个来源聚合公司数据 - `scripts/linkedin-parser.py` - 结构化 LinkedIn 个人资料数据 FILE:company-enricher.py #!/usr/bin/env python3 """ company-enricher.py - 从多个来源聚合公司数据 输入： - company_name: 字符串 - domain: 字符串（可选） 输出： - profile: name: 字符串 industry: 字符串 size: 字符串 funding: 字符串 tech_stack: [字符串] recent_news: [新闻条目] 依赖： - requests, beautifulsoup4 """ # 要求：requests, beautifulsoup4 import json from typing import Any from dataclasses import dataclass, asdict from datetime import datetime @dataclass class NewsItem: title: str date: str source: str url: str summary: str @dataclass class CompanyProfile: name: str domain: str industry: str size: str location: str founded: str funding: str tech_stack: list[str] recent_news: list[dict] competitors: list[str] description: str def search_company_info(company_name: str, domain: str = None) -> dict: """ 搜索基本公司信息。 在生产环境中，这将调用 Clearbit、Crunchbase 等 API。 """ # TODO: 实现实际 API 调用 # 占位返回结构 return { "name": company_name, "domain": domain or f"{company_name.lower().replace(' ', '')}.com", "industry": "Technology", # 将来自 API "size": "Unknown", "location": "Unknown", "founded": "Unknown", "description": f"关于 {company_name} 的信息" } def search_funding_info(company_name: str) -> dict: """ 搜索融资信息。 在生产环境中，将调用 Crunchbase、PitchBook 等。 """ # TODO: 实现实际 API 调用 return { "total_funding": "Unknown", "last_round": "Unknown", "last_round_date": "Unknown", "investors": [] } def search_tech_stack(domain: str) -> list[str]: """ 检测技术栈。 在生产环境中，将调用 BuiltWith、Wappalyzer 等。 """ # TODO: 实现实际 API 调用 return [] def search_recent_news(company_name: str, days: int = 90) -> list[dict]: """ 搜索公司近期新闻。 在生产环境中，将调用新闻 API。 """ # TODO: 实现实际 API 调用 return [] def main( company_name: str, domain: str = None ) -> dict[str, Any]: """ 从多个来源聚合公司数据。 参数： company_name: 要研究的公司名称 domain: 公司域名（可选，将自动推断） 返回： 包含公司概况（行业、规模、融资、技术栈、新闻）的字典 """ # 获取基本公司信息 basic_info = search_company_info(company_name, domain) # 获取融资信息 funding_info = search_funding_info(company_name) # 检测技术栈 company_domain = basic_info.get("domain", domain) tech_stack = search_tech_stack(company_domain) if company_domain else [] # 获取近期新闻 news = search_recent_news(company_name) # 编制概况 profile = CompanyProfile( name=basic_info["name"], domain=basic_info["domain"], industry=basic_info["industry"], size=basic_info["size"], location=basic_info["location"], founded=basic_info["founded"], funding=funding_info.get("total_funding", "Unknown"), tech_stack=tech_stack, recent_news=news, competitors=[], # 将根据行业分析进行丰富 description=basic_info["description"] ) return { "profile": asdict(profile), "funding_details": funding_info, "enriched_at": datetime.now().isoformat(), "sources_checked": ["company_info", "funding", "tech_stack", "news"] } if __name__ == "__main__": import sys # 示例用法 result = main( company_name="DataFlow Systems", domain="dataflow.io" ) print(json.dumps(result, indent=2)) FILE:linkedin-parser.py #!/usr/bin/env python3 """ linkedin-parser.py - 结构化 LinkedIn 个人资料数据 输入： - profile_url: 字符串 - 或 name + company: 字符串 输出： - contact: name: 字符串 title: 字符串 tenure: 字符串 previous_roles: [职位对象] mutual_connections: [字符串] recent_activity: [帖子摘要] 依赖： - requests """ # 要求：requests import json from typing import Any from dataclasses import dataclass, asdict from datetime import datetime @dataclass class PreviousRole: title: str company: str duration: str description: str @dataclass class RecentPost: date: str content_preview: str engagement: int topic: str @dataclass class ContactProfile: name: str title: str company: str location: str tenure: str previous_roles: list[dict] education: list[str] mutual_connections: list[str] recent_activity: list[dict] profile_url: str headline: str def search_linkedin_profile(name: str = None, company: str = None, profile_url: str = None) -> dict: """ 搜索 LinkedIn 个人资料信息。 在生产环境中，将使用 LinkedIn API 或 Sales Navigator。 """ # TODO: 实现实际 LinkedIn API 集成 # 注意：LinkedIn 的 API 有严格的服务条款 return { "found": False, "name": name or "Unknown", "title": "Unknown", "company": company or "Unknown", "location": "Unknown", "headline": "", "tenure": "Unknown", "profile_url": profile_url or "" } def get_career_history(profile_data: dict) -> list[dict]: """ 从个人资料中提取职业历史。 """ # TODO: 实现职业提取 return [] def get_mutual_connections(profile_data: dict, user_network: list = None) -> list[str]: """ 查找共同联系人。 """ # TODO: 实现共同联系人检测 return [] def get_recent_activity(profile_data: dict, days: int = 30) -> list[dict]: """ 获取近期帖子和活动。 """ # TODO: 实现活动提取 return [] def main( name: str = None, company: str = None, profile_url: str = None ) -> dict[str, Any]: """ 为销售准备结构化 LinkedIn 个人资料数据。 参数： name: 人员姓名 company: 其所在公司 profile_url: 直接 LinkedIn 个人资料 URL 返回： 包含结构化联系人概况的字典 """ if not profile_url and not (name and company): return {"error": "提供 profile_url 或 name + company"} # 搜索个人资料 profile_data = search_linkedin_profile( name=name, company=company, profile_url=profile_url ) if not profile_data.get("found"): return { "found": False, "name": name or "Unknown", "company": company or "Unknown", "message": "未找到个人资料或访问受限", "suggestions": [ "尝试直接在 LinkedIn 上搜索", "检查是否有其他拼写", "验证此人是否仍在该公司工作" ] } # 获取职业历史 previous_roles = get_career_history(profile_data) # 查找共同联系人 mutual_connections = get_mutual_connections(profile_data) # 获取近期活动 recent_activity = get_recent_activity(profile_data) # 编制联系人概况 contact = ContactProfile( name=profile_data["name"], title=profile_data["title"], company=profile_data["company"], location=profile_data["location"], tenure=profile_data["tenure"], previous_roles=previous_roles, education=[], # 将从个人资料中提取 mutual_connections=mutual_connections, recent_activity=recent_activity, profile_url=profile_data["profile_url"], headline=profile_data["headline"] ) return { "found": True, "contact": asdict(contact), "research_date": datetime.now().isoformat(), "data_completeness": calculate_completeness(contact) } def calculate_completeness(contact: ContactProfile) -> dict: """计算个人资料数据的完整程度。""" fields = { "basic_info": bool(contact.name and contact.title and contact.company), "career_history": len(contact.previous_roles) > 0, "mutual_connections": len(contact.mutual_connections) > 0, "recent_activity": len(contact.recent_activity) > 0, "education": len(contact.education) > 0 } complete_count = sum(fields.values()) return { "fields": fields, "score": f"{complete_count}/{len(fields)}", "percentage": int((complete_count / len(fields)) * 100) } if __name__ == "__main__": import sys # 示例用法 result = main( name="Sarah Chen", company="DataFlow Systems" ) print(json.dumps(result, indent=2)) FILE:priority-scorer.py #!/usr/bin/env python3 """ priority-scorer.py - 计算并排序潜在客户优先级 输入： - prospects: [带有信号的潜在客户对象] - weights: {deal_size, timing, warmth, signals} 输出： - ranked: [带有分数和理由的潜在客户] 依赖： - （无 - 纯 Python） """ import json from typing import Any from dataclasses import dataclass # 默认评分权重 DEFAULT_WEIGHTS = { "deal_size": 0.25, "timing": 0.30, "warmth": 0.20, "signals": 0.25 } # 信号分数映射 SIGNAL_SCORES = { # 高意向信号 "recent_funding": 10, "leadership_change": 8, "job_postings_relevant": 9, "expansion_news": 7, "competitor_mention": 6, # 中等意向信号 "general_hiring": 4, "industry_event": 3, "content_engagement": 3, # 关系信号 "mutual_connection": 5, "previous_contact": 6, "referred_lead": 8, # 负面信号 "recent_layoffs": -3, "budget_freeze_mentioned": -5, "competitor_selected": -7, } @dataclass class ScoredProspect: company: str contact: str call_time: str raw_score: float normalized_score: int priority_rank: int score_breakdown: dict reasoning: str is_followup: bool def score_deal_size(prospect: dict) -> tuple[float, str]: """根据预估交易规模评分。""" size_indicators = prospect.get("size_indicators", {}) employee_count = size_indicators.get("employees", 0) revenue_estimate = size_indicators.get("revenue", 0) # 基于公司规模的简单评分 if employee_count > 1000 or revenue_estimate > 100_000_000: return 10.0, "企业级机会" elif employee_count > 200 or revenue_estimate > 20_000_000: return 7.0, "中端市场机会" elif employee_count > 50: return 5.0, "中小企业机会" else: return 3.0, "小型企业" def score_timing(prospect: dict) -> tuple[float, str]: """根据时机信号评分。""" timing_signals = prospect.get("timing_signals", []) score = 5.0 # 基础分数 reasons = [] for signal in timing_signals: if signal == "budget_cycle_q4": score += 3 reasons.append("Q4 预算规划") elif signal == "contract_expiring": score += 4 reasons.append("合同即将到期") elif signal == "active_evaluation": score += 5 reasons.append("正在积极评估") elif signal == "just_funded": score += 3 reasons.append("近期获得融资") return min(score, 10.0), "; ".join(reasons) if reasons else "标准时机" def score_warmth(prospect: dict) -> tuple[float, str]: """根据关系热度评分。""" relationship = prospect.get("relationship", {}) if relationship.get("is_followup"): last_outcome = relationship.get("last_outcome", "neutral") if last_outcome == "positive": return 9.0, "热跟进（上次联系积极）" elif last_outcome == "neutral": return 7.0, "跟进（上次联系中性）" else: return 5.0, "跟进（需要重新互动）" if relationship.get("referred"): return 8.0, "推荐线索" if relationship.get("mutual_connections", 0) > 0: return 6.0, f"{relationship['mutual_connections']} 个共同联系人" if relationship.get("inbound"): return 7.0, "入站兴趣" return 4.0, "冷外联" def score_signals(prospect: dict) -> tuple[float, str]: """根据检测到的购买信号评分。""" signals = prospect.get("signals", []) total_score = 0 signal_reasons = [] for signal in signals: signal_score = SIGNAL_SCORES.get(signal, 0) total_score += signal_score if signal_score > 0: signal_reasons.append(signal.replace("_", " ")) # 归一化到 0-10 范围 normalized = min(max(total_score / 2, 0), 10) reason = f"信号：{', '.join(signal_reasons)}" if signal_reasons else "无强信号" return normalized, reason def calculate_priority_score( prospect: dict, weights: dict = None ) -> ScoredProspect: """计算潜在客户的整体优先级分数。""" weights = weights or DEFAULT_WEIGHTS # 计算各组件分数 deal_score, deal_reason = score_deal_size(prospect) timing_score, timing_reason = score_timing(prospect) warmth_score, warmth_reason = score_warmth(prospect) signal_score, signal_reason = score_signals(prospect) # 加权总分 raw_score = ( deal_score * weights["deal_size"] + timing_score * weights["timing"] + warmth_score * weights["warmth"] + signal_score * weights["signals"] ) # 编制理由 reasons = [] if timing_score >= 8: reasons.append(timing_reason) if signal_score >= 7: reasons.append(signal_reason) if warmth_score >= 7: reasons.append(warmth_reason) if deal_score >= 8: reasons.append(deal_reason) return ScoredProspect( company=prospect.get("company", "Unknown"), contact=prospect.get("contact", "Unknown"), call_time=prospect.get("call_time", "Unknown"), raw_score=round(raw_score, 2), normalized_score=int(raw_score * 10), priority_rank=0, # 排序后设置 score_breakdown={ "deal_size": {"score": deal_score, "reason": deal_reason}, "timing": {"score": timing_score, "reason": timing_reason}, "warmth": {"score": warmth_score, "reason": warmth_reason}, "signals": {"score": signal_score, "reason": signal_reason} }, reasoning="; ".join(reasons) if reasons else "标准优先级", is_followup=prospect.get("relationship", {}).get("is_followup", False) ) def main( prospects: list[dict], weights: dict = None ) -> dict[str, Any]: """ 计算并排序潜在客户优先级。 参数： prospects: 带有信号的潜在客户对象列表 weights: 可选的自定义评分组件权重 返回： 包含排序后潜在客户和评分详情的字典 """ weights = weights or DEFAULT_WEIGHTS # 对所有潜在客户评分 scored = [calculate_priority_score(p, weights) for p in prospects] # 按原始分数降序排序 scored.sort(key=lambda x: x.raw_score, reverse=True) # 分配排名 for i, prospect in enumerate(scored, 1): prospect.priority_rank = i # 转换为字典以进行 JSON 序列化 ranked = [] for s in scored: ranked.append({ "company": s.company, "contact": s.contact, "call_time": s.call_time, "priority_rank": s.priority_rank, "score": s.normalized_score, "reasoning": s.reasoning, "is_followup": s.is_followup, "breakdown": s.score_breakdown }) return { "ranked": ranked, "weights_used": weights, "total_prospects": len(prospects) } if __name__ == "__main__": import sys # 示例用法 example_prospects = [ { "company": "DataFlow Systems", "contact": "Sarah Chen", "call_time": "2pm", "size_indicators": {"employees": 200, "revenue": 25_000_000}, "timing_signals": ["just_funded", "active_evaluation"], "signals": ["recent_funding", "job_postings_relevant"], "relationship": {"is_followup": False, "mutual_connections": 2} }, { "company": "Acme Manufacturing", "contact": "Tom Bradley", "call_time": "10am", "size_indicators": {"employees": 500}, "timing_signals": ["contract_expiring"], "signals": [], "relationship": {"is_followup": True, "last_outcome": "neutral"} }, { "company": "FirstRate Financial", "contact": "Linda Thompson", "call_time": "4pm", "size_indicators": {"employees": 300}, "timing_signals": [], "signals": [], "relationship": {"is_followup": False} } ] result = main(prospects=example_prospects) print(json.dumps(result, indent=2)) FILE:research-checklist.md # 潜在客户研究清单 ## 公司研究 ### 基本信息 - [ ] 公司名称（验证拼写） - [ ] 行业/垂直领域 - [ ] 总部位置 - [ ] 员工数量（LinkedIn、网站） - [ ] 营收估算（如可用） - [ ] 成立日期 - [ ] 融资阶段/历史 ### 近期新闻（过去90天） - [ ] 融资公告 - [ ] 收购或合并 - [ ] 领导层变动 - [ ] 产品发布 - [ ] 重大客户赢单 - [ ] 媒体报道 - [ ] 财报/财务新闻 ### 数字足迹 - [ ] 网站审查 - [ ] 博客/内容主题 - [ ] 社交媒体存在 - [ ] 招聘信息（职业页面 + LinkedIn） - [ ] 技术栈（BuiltWith、招聘信息） ### 竞争格局 - [ ] 已知竞争对手 - [ ] 市场地位 - [ ] 声称的差异化优势 - [ ] 近期竞争动态 ### 痛点指标 - [ ] Glassdoor 评论（主题） - [ ] G2/Capterra 评论（如为 B2B） - [ ] 社交媒体投诉 - [ ] 招聘模式 ## 联系人研究 ### 职业概况 - [ ] 当前职位 - [ ] 任职时间 - [ ] 在公司时间 - [ ] 之前任职的公司 - [ ] 之前的职位 - [ ] 教育背景 ### 决策权 - [ ] 向谁汇报 - [ ] 团队规模（如为经理） - [ ] 预算权（推断） - [ ] 采购参与历史 ### 互动切入点 - [ ] 近期 LinkedIn 帖子 - [ ] 发表的文章 - [ ] 播客露面 - [ ] 会议演讲 - [ ] 共同联系人 - [ ] 共同兴趣/群组 ### 沟通风格 - [ ] 帖子语气（正式/随意） - [ ] 他们参与的话题 - [ ] 回复模式 ## CRM 检查（如可用） - [ ] 任何先前接触点 - [ ] 之前的商机 - [ ] 公司相关联系人 - [ ] 同事的备注 - [ ] 邮件互动历史 ## 基于时间的研究深度 | 可用时间 | 研究深度 | |----------------|----------------| | 5 分钟 | 仅公司基本信息 + 联系人职位 | | 15 分钟 | + 近期新闻 + LinkedIn 个人资料 | | 30 分钟 | + 痛点信号 + 互动切入点 | | 60 分钟 | 完整清单 + 竞争分析 | FILE:signal-indicators.md # 信号指标参考 ## 高意向信号 ### 招聘信息 - **发布 3+ 个相关职位** = 积极举措，预算已分配 - **在您的领域进行高级招聘** = 战略优先事项 - **紧急语言（"ASAP"、"immediate"）** = 痛点紧迫 - **提及特定工具** = 竞争对手或品类认知 ### 财务事件 - **B 轮及以上融资** = 增长资本，购买力 - **IPO 准备** = 需要运营成熟度 - **宣布收购** = 集成挑战即将到来 - **营收里程碑公关** = 预算可用 ### 领导层变动 - **在您的领域新任 CXO** = 90 天优先级设定 - **新任 CRO/CMO** = 可能评估技术栈 - **创始人过渡为 CEO** = 运营专业化 ## 中等意向信号 ### 扩张信号 - **开设新办公室** = 基础设施需求 - **国际扩张** = 本地化、合规 - **新产品发布** = 扩展挑战 - **重大客户赢单** = 交付压力 ### 技术信号 - **发布 RFP** = 积极采购流程 - **提及供应商审查** = 比较购物 - **技术栈变更** = 集成机会 - **遗留系统投诉** = 现代化需求 ### 内容信号 - **关于您主题的博客文章** = 自我教育 - **参加网络研讨会** = 兴趣已确认 - **下载白皮书** = 问题认知 - **会议演讲** = 思想领导力、可见性 ## 低意向信号（培育） ### 一般活动 - **参加行业活动** = 市场参与者 - **一般招聘** = 公司增长 - **正面报道** = 公司健康 - **社交媒体活动** = 领导层参与 ## 信号评分 | 信号类型 | 分数 | 行动 | |-------------|-------|--------| | 招聘信息（相关） | +3 | 优先外联 | | 近期融资 | +3 | 在对话中提及 | | 领导层变动 | +2 | 时机敏感机会 | | 扩张新闻 | +2 | 增长角度 | | 负面评论 | +2 | 痛点角度 | | 内容互动 | +1 | 培育轨道 | | 无信号 | 0 | 发现重点 |