Automatyczny enrichment ze scoringiem
Automatyczny enrichment: nowy lead → wzbogać firmę (wielkość, branża, technologia) → wzbogać kontakt (email, LinkedIn, rola) → AI research (kontekst, sygnały) → ICP score → zapisz do CRM. Tematy: enrichment, normalizacja danych, deduplikacja, AI klasyfikacja, lead scoring, structured output.
Problem i diagnoza
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.
Metoda działania krok po kroku
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.
Praktyczny przykład (ZŁY vs DOBRY)
- 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.
Warianty promptu i scenariusze
Wersja zero-narzędzi: Sheets + AI API + ręczna weryfikacja.
Wersja pełna: Clay/Apollo + n8n/Make + CRM z automatyzacją.
Ćwiczenie i checklista wdrożenia
Zadanie 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).
Kryteria sukcesu
Pytania wdrożeniowe i integracja z bazą CEIDG (FAQ)
Jak połączyć technikę „Automatyczny enrichment ze scoringiem” z arkuszem nowych firm CEIDG w Google Sheets?
W zadaniu z obszaru Automation 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 12 min.
Jak zweryfikować poprawność wdrożenia lekcji „Automatyczny enrichment ze scoringiem” 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 schemat workflow enrichmentu (6 kroków) • Mam reguły normalizacji i dedup • Mam JSON schema dla AI scoringu (score/qualified/priority/reason).
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
Waterfall enrichment: Clay, FullEnrich i kaskadowa weryfikacja SMTP
Budowa wieloetapowej kaskady wzbogacania danych firmowych i kontaktowych: sekwencyjne odpytywanie dostawców, weryfikacja rekordów MX i ochrona przed spaleniem domeny.
Automation vs AI i reguła human-in-the-loop
Sales automation to system, w którym workflow (triggery, akcje, warunki) wykonuje powtarzalną pracę za handlowca, a AI dodaje decyzje i generowanie treści. Kluczowe pojęcia: workflow, trigger (co startuje proces), action (co się dzieje), condition (kiedy), human-in-the-loop (człowiek zatwierdza kluczowe kroki). Zasada: automatyzuj to, co się powtarza i nie wymaga osądu; zostaw człowiekowi to, co decyduje o relacji i jakości.
Mapa procesu i decyzje per krok
Zanim zautomatyzujesz cokolwiek, narysuj cały proces: Lead → Qualification → Research → Personalization → Outreach → Reply → Qualification → Meeting → Proposal → Follow-up → Close → CRM. Dla każdego kroku określ: manual / automated / AI-assisted. To jest fundament — bez mapy automatyzujesz na ślepo.
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.