چگونه داده تماس و سازمان مشتری را غنی کردیم

ما می‌خواستیم زمینه بیشتری برای داده‌ای که جمع‌آوری می‌کنیم به دست آوریم، بنابراین برای سرویس‌های غنی‌سازی داده خرید کردیم. این شرکت‌ها می‌توانند داده شما را با جزئیات بیشتر زمینه‌سازی کنند. به عنوان مثال، با توجه به یک نام دامنه، یک سرویس غنی‌سازی شخص ثالث می‌تواند نام شرکت مرتبط با دامنه، اندازه آن، صنعت و غیره را به شما بدهد.

غنی‌سازی داده یک عمل معمول برای شرکت‌های در حال رشد است، و قطعاً برای شرکت‌های بزرگ. اما قبل از اینکه برای سرویس‌های غنی‌سازی خرید کنید، باید مجموعه‌ای از مشکلات شناخته شده برای حل (یا اهداف برای دستیابی) داشته باشید که غنی‌سازی می‌تواند به آن کمک کند. برای متابیس، ما می‌خواستیم تماس‌های مشتری خود را به دو دلیل غنی کنیم:

۱. برای در تماس ماندن با مشتریان خود. غنی‌سازی می‌تواند ما را از تغییرات شغلی برای تماس‌هایی که ممکن است بر رابطه ما تأثیر بگذارد هشدار دهد. به عنوان مثال، اگر یک تماس به شغل دیگری در داخل یا خارج از شرکت منتقل شود، ممکن است بخواهیم تماس بگیریم تا تبریک بگوییم و مطمئن شویم که با هر کسی که مسئولیت رابطه را بر عهده می‌گیرد در تماس هستیم تا ارتباطات مهم محصول گم نشود. ۲. برای درک بهتر اندازه و صنعت سازمان، که می‌تواند به ما کمک کند تلاش‌های بازاریابی و محصول خود را برای اطمینان از اینکه متابیس را برای حل انواع مشکلاتی که این بخش‌ها با آن مواجه می‌شوند می‌سازیم سفارشی کنیم.

ارزیابی ارائه‌دهندگان سرویس

ارائه‌دهندگان سرویس برای غنی‌سازی داده به طور شگفت‌انگیزی زیادی وجود دارد، هر کدام با مزایا و معایب خود. در حالی که ما ارائه‌دهندگان مختلف dump داده LinkedIn را در نظر گرفتیم، تصمیم گرفتیم از آنها استفاده نکنیم، زیرا نباید آن نوع داده را در انبار داده خود ذخیره کنیم. ما همچنین Clearbit را ارزیابی نکردیم، زیرا دیگر به عنوان یک سرویس مستقل در دسترس نیست.

خلاصه: Apollo.io بهترین پوشش، قیمت و ویژگی‌ها را برای موارد استفاده ما ارائه داد.

غنی‌سازی مداوم

با ارائه‌دهنده سرویس انتخاب شده، ما از dlt و API Apollo.io برای غنی کردن تماس‌های جدید به صورت ساعتی بر اساس اولویت استفاده کردیم—اولویت دادن به تماس‌های جدید قبل از به‌روزرسانی موجود، و غیره.

در اینجا یک قطعه کد در Python که:

۱. لیستی از ایمیل‌ها را از لیست اولویت‌بندی شده تماس‌ها از انبار داده ما دریافت می‌کند ۲. API Apollo را برای غنی کردن آن تماس‌ها فراخوانی می‌کند. ۳. سپس اطلاعات غنی شده را در جدول دیگری در انبار داده ما ذخیره می‌کند.

def enrich_contact(self, postgres_connect_string, to_schema):
    pipeline = dlt.pipeline(pipeline_name='enrich_contact', destination='postgres', dataset_name=to_schema,
                            credentials=postgres_connect_string)

    @dlt.resource(write_disposition='merge', primary_key='email')
    def enriched_contact():
        with pipeline.sql_client() as psql:
            with psql.execute_query("select email from prioritized_contact") as cursor:
                emails = cursor.fetchall()

        for (email,) in emails:
            enriched = self.people_match(email)  # Call Apollo's "people/match" API
            yield enriched['person']

    print(pipeline.run(enriched_contact))

مدل‌سازی برای تحلیل‌های خودخدمت

ما داده غنی شده، مانند اندازه سازمان و صنعت، را به مدل‌های مشتری و تماس خود اضافه کردیم. برای اندازه سازمان، داده را به چند دسته گروه‌بندی کردیم تا تحلیل را برای تیم‌های خود ساده کنیم.

, case
    when estimated_employees <= 50 then 'Micro'
    when estimated_employees <= 200 then 'Small'
    when estimated_employees <= 1000 then 'Medium'
    when estimated_employees <= 10000 then 'Enterprise'
    when estimated_employees > 10000 then 'Mega Enterprise'
  end as organization_size

در مدل تماس خود، ما همچنین left_company_at را برای نشان دادن زمانی که یک تماس سازمان مشتری را ترک کرد اضافه کردیم. این فیلد پیدا کردن اینکه کدام سازمان‌ها باید تماس بگیریم تا بتوانند در ارتباطات مهم محصول به‌روز بمانند را آسان می‌کند.

افکار نهایی در مورد غنی‌سازی داده

غنی کردن داده ما از قبل ارزشمند ثابت شده است. یک بینش جالب از داده غنی شده این است که مشتریان ما از ترکیبی از سازمان‌های میکرو تا مگا می‌آیند. تیم‌های ما از قبل از این داده برای درک بهتر مشتریان خود و نظارت بر تغییرات شغل استفاده کرده‌اند.

ما اکنون در حال بحث در مورد نحوه استفاده از غنی‌سازی برای اهداف اضافی، مانند ایجاد پروفایل‌های مشتری ایده‌آل برای به حداکثر رساندن تلاش‌های بازاریابی خود هستیم.

اما غنی‌سازی رایگان نیست، بنابراین ما به ارزیابی ارزشی که نسبت به هزینه به دست می‌آوریم ادامه می‌دهیم و بر این اساس تکرار می‌کنیم. و ما امیدواریم این پست بتواند به شما کمک کند برای یک سرویس غنی‌سازی که با نیازهای شما مطابقت دارد خرید کنید.