Enrichment: dane i zasada weryfikacji
Enrichment dodaje do leada dane podstawowe (company, website, industry, location, employees), kontaktowe (name, role, email, LinkedIn, phone) i kontekstowe (technology, funding, hiring, revenue, intent). Zasada: AI tworzy hipotezę, źródło weryfikuje — AI nie jest źródłem prawdy dla danych kontaktowych.
Problem i diagnoza
AI świetnie zgaduje e-maile wg wzorców (imie.nazwisko@firma.pl), ale zgaduje też, gdy nie wie — zwraca kontakt, którego nie ma. Wysłanie 500 maili na nieweryfikowane adresy = bounce rate 10-30%, spalona domena, zero odpowiedzi. Dane kontaktowe wymagają weryfikacji w źródle.
Metoda działania krok po kroku
Enrichment w 3 warstwach:
- Dane podstawowe (company, website, industry, location, employees) — AI + źródła (LinkedIn, strona, rejestry),
- Dane kontaktowe (name, role, email, LinkedIn, phone) — NARZĘDZIA + weryfikacja (Hunter, Apollo, Snov, Clearbit; weryfikacja SMTP), AI nigdy nie jest jedynym źródłem,
- Dane kontekstowe (technology, funding, hiring, revenue, growth, intent) — AI analizuje z publicznych danych. Zasada 'AI = hipoteza, Source = verification': każdy fakt (zwłaszcza email i telefon) ma pochodzić z narzędzia lub zostać zweryfikowany. AI używasz do uzupełniania i łączenia, nie do tworzenia prawdy.
Praktyczny przykład (ZŁY vs DOBRY)
- ZŁY
- Chaotyczny research w wyszukiwarce bez kryteriów i generyczny kontakt do przypadkowych firm.
- DOBRY
- AI sugeruje 'jan.kowalski@firma.pl' (wzorzec). Weryfikacja w Hunter: istnieje z pewnością 90%. Ale AI sugeruje też 'anna.nowak@firma.pl' — weryfikacja: brak, 0 wyników. Nie wysyłasz. Kontekstowo AI dorzuca: firma zatrudnia 3 handlowców (ogłoszenia), używa WordPressa (analiza strony), wzrost ruchu 40% (SimilarWeb). Te dane kontekstowe są OK z AI — bo nie narażają na bounces.
Gotowy prompt do skopiowania
Jesteś konsultantem ds. danych B2B. Kontekst: Wzbogacam listę leadów. Produkt: [PRODUKT]. ICP: [SKRÓT]. Zadanie: Zaprojektuj proces enrichmentu: 1. Wypisz dane podstawowe, kontaktowe i kontekstowe, które warto zbierać (3 warstwy) 2. Dla każdej: skąd je brać (AI / narzędzie / źródło publiczne / weryfikacja SMTP) 3. Wskaż, które dane AI może zgadywać bezpiecznie, a które MUSZĄ być zweryfikowane 4. Zaproponuj strukturę arkusza/CRM: kolumny dla leada z tymi danymi Format: 4 sekcje, tabela tam gdzie się da.
Warianty promptu i scenariusze
Wersja dla małego budżetu: free tools (Hunter free, Google, LinkedIn) + AI research.
Wersja dla dużej skali: narzędzia enrichment API + dedup + walidacja masowa.
Ćwiczenie i checklista wdrożenia
Zadanie praktyczne
Weź 10 leadów ze swojej listy. Dla każdego: zapisz, które dane kontaktowe masz zweryfikowane, a które 'zgadnięte'. Utwórz arkusz z kolumnami: firma, email (status: verified/guess), LinkedIn, telefon, technologia, hiring, intent.
Kryteria sukcesu
Pytania wdrożeniowe i integracja z bazą CEIDG (FAQ)
Jak połączyć technikę „Enrichment: dane i zasada weryfikacji” z arkuszem nowych firm CEIDG w Google Sheets?
W zadaniu z obszaru Prospecting podstaw pod zmienne w prompcie bezpośrednie kolumny z żywego arkusza prospekting.pl w Google Sheets: nazwę podmiotu (kolumna A), imię właściciela (kolumna E), główny kod PKD 2025/2007 (kolumna I), opis branży wygenerowany przez AI (kolumna K) oraz wykryte zawody decydenta (kolumna L). Pełne wdrożenie zajmuje średnio 9 min.
Jak zweryfikować poprawność wdrożenia lekcji „Enrichment: dane i zasada weryfikacji” przed skalowaniem?
Przed podpięciem promptu pod automatyzację w Make.com lub n8n przetestuj go ręcznie na próbce 10–15 rekordów i sprawdź listę kontrolną: Mam arkusz enrichmentu z kolumnami 3 warstw • Każdy email ma status verified/guess • Znam zasadę: AI = hipoteza, źródło = weryfikacja.
Jak stosować wiadomości wygenerowane w tej lekcji zgodnie z RODO (art. 14) i art. 398 PKE?
Przy kontakcie elektronicznym (e-mail lub telefon) z nowo zarejestrowaną działalnością gospodarczą z CEIDG stosuj dwuetapowy model kontaktu zgodny z art. 398 Prawa Komunikacji Elektronicznej (PKE): pierwsza wiadomość powinna weryfikować potrzebę biznesową i pytać o zgodę na przesłanie oferty handlowej wraz ze skróconą klauzulą informacyjną z art. 14 RODO (wzór znajdziesz na stronie Baza firm z e-mailami i telefonami — RODO i PKE).
Powiązane lekcje i następne kroki w procesie
Weryfikacja domen catch-all i ochrona przed bounce rate
Zarządzanie serwerami typu catch-all w prospectingu B2B: zaawansowana weryfikacja rekordów, segmentacja ryzyka odbić i bezpieczny routing wielokanałowy.
Czym jest AI prospecting?
AI prospecting to wykorzystanie modeli językowych do znajdowania, researchowania i kwalifikowania potencjalnych klientów. Dowiedz się, gdzie AI faktycznie oszczędza czas (research, analiza, personalizacja), a które decyzje — wybór rynku, treść rozmowy — zostają z człowiekiem.
Prospecting workflow krok po kroku
Poznaj 9-etapowy workflow prospectingu: ICP → market → company → contact → research → qualification → scoring → prioritization → outreach. Zobacz, jak każdy etap łączy się z następnym i gdzie AI wkracza w proces, żebyś wiedział, nad czym pracujesz.
Metodologia (How & Why): Wszystkie szablony promptów i procedury w Akademii prospekting.pl są testowane na żywych strumieniach danych z API Hurtowni Danych CEIDG v3 (800–1 100 nowych JDG dziennie, 22 kolumny z mapowaniem PKD 2025 ↔ PKD 2007). Eliminujemy ogólnikowy żargon, stosując twarde ograniczenia negatywne (negative constraints) i weryfikowalne kryteria konwersji.
Zastrzeżenie prawne (YMYL Disclaimer): Materiały w Akademii mają charakter edukacyjno-techniczny i nie stanowią indywidualnej porady prawnej. Prowadząc komunikację elektroniczną B2B na bazie rejestrów publicznych, stosuj przepisy RODO (art. 6 ust. 1 lit. f oraz art. 14) i art. 398 Prawa Komunikacji Elektronicznej (PKE).
Otwórz darmowy arkusz 50 świeżych firm z CEIDG w Google Sheets i wypróbuj powyższy prompt na realnych rekordach z kodami PKD 2025.