ooligo
claude-skill

Clay-Leads mit Claude anreichern: Beispiel, Bewertung und Prüfung

Das kostenlose Offline-Beispiel ausführen

20 erfundene Unternehmen. Python 3.9 oder neuer. Kein Konto, API-Schlüssel oder Netzwerkzugang erforderlich.

  1. Laden Sie das Paket herunter und entpacken Sie es.

    Beispiel als ZIP herunterladen
  2. Öffnen Sie ein Terminal im Ordner mit pipeline.py und führen Sie aus:

    python3 pipeline.py demo
  3. Prüfen Sie das Ergebnis.

    Erwartet werden PASS und 20 Zeilen, darunter prüfpflichtige Zeilen und abgelehnte Belege. PASS bedeutet, dass die gespeicherten Beispiele ihrer erwarteten Ausgabe entsprechen.

README des Pakets öffnen →
Wie lief es, nachdem Sie die lokale Demo ausgeführt haben?

Synthetisches Beispiel Von Unternehmensdaten zur Prüfentscheidung
Bereitgestellte Angaben
ledgerleaf.example
Branche
B2B SaaS
Mitarbeiter
120
Region
US
Beispielergebnis
Bereit zur Prüfung
Beispiel-ICP-Score 10/10

Beispielregeln: Branche 4 + Unternehmensgröße 3 + Region 3. Schwelle: 7/10.

Bereitgestellten Quelltext ansehen (Englisch)
Industry: B2B SaaS. We have 120 employees. Region: US. We build scheduling software for restaurant teams.
Was passiert bei fehlenden oder falschen Belegen?
company-10.example
Prüfung erforderlichKein Score

Die vorgeschlagene Extraktion enthält keine Mitarbeiterzahl. Die Zeile bleibt unbewertet.

company-18.example
Beleg abgelehntKein Score

Das Zitat zur Mitarbeiterzahl ergänzt Text, der in der Quelle fehlt. Die Zeile bleibt unbewertet.

Erfundene Daten, feste Regeln. Jede Zeile benötigt weiterhin eine Prüfung. Kein Live-Ergebnis von Clay oder Claude.

Schwierigkeit
Fortgeschritten
Geschätzte Live-Einrichtung
30-60 min
Für
revops · sdr-leader
RevOps

Tools für die Live-Anpassung

Nutzen Sie diesen herunterladbaren Claude-Skill, um bereitgestellte Unternehmensbelege in einen ICP-Score und einen Einstiegssatz zur Prüfung umzuwandeln. Beginnen Sie mit dem enthaltenen synthetischen Beispiel mit 20 Zeilen. Übertragen Sie anschließend dieselben Belegprüfungen auf Ihre Clay-Tabelle. Das Paket enthält einen lokalen Validator, Bewertungsregeln, Prompts und erwartete Ergebnisse.

Vollständiges Paket herunterladen oder Einrichtungsanleitung lesen. Das Beispiel läuft mit Python ohne Netzwerkanfragen. Es benötigt weder ein Clay-Konto noch einen API-Key oder einen kostenpflichtigen Modellaufruf.

Teststatus: Das Offline-Beispiel prüft bereitgestellte Testdaten und deterministische Bewertungen. Es belegt weder einen echten Claude-Durchlauf noch eine funktionierende Clay-Integration, korrekte Angaben zu realen Unternehmen oder bessere Antwortraten. Der Workflow bleibt mit human_tested: false gekennzeichnet.

Wann Sie den Workflow einsetzen sollten

Wählen Sie diesen Workflow, wenn Sie bereits Unternehmensbelege haben und eine nachvollziehbare Regel benötigen, welche Zeilen Aufmerksamkeit im Vertrieb verdienen. Ein RevOps-Verantwortlicher pflegt das Bewertungsschema; ein Vertriebsmitarbeiter prüft jeden Einstiegssatz vor der Übergabe an ein Sequenz-Tool. Bewahren Sie Quelltext und extrahierte Fakten zusammen auf. So lässt sich eine Bewertung hinterfragen, ohne die Recherche zu wiederholen.

Nutzen Sie ihn nicht für eine Kontaktdatenbank, verifizierte Email-Adressen, automatische Webrecherche oder unbeaufsichtigte CRM-Synchronisierung. Diese Funktionen sind hier nicht implementiert. Für wenige Accounts benötigen manuelles Lesen und Notizen weniger Einrichtung. Nutzen Sie für laufende Anreicherung Ihren vorhandenen Anbieter und prüfen Sie dessen Ergebnisse anhand derselben Regeln. Der Leitfaden zu Anreicherungsstrategien erläutert diese Entscheidung.

Was Sie herunterladen

Das Paket liegt unter apps/web/public/artifacts/lead-enrichment-clay-claude/. Die Dateien erfüllen unterschiedliche Aufgaben:

  • README.md erklärt Einrichtung und Testumfang; SKILL.md enthält das Verfahren für Claude Code.
  • references/1-icp-rubric.md, references/2-opener-style-guide.md und references/3-source-quality-matrix.md enthalten die anzupassenden Richtlinien.
  • pipeline.py validiert die Belege der Extraktionen und berechnet Scores. rubric.example.json enthält die ausführbaren Beispielkriterien.
  • prompts/extract.md, prompts/opener.md und extraction.schema.json definieren die manuelle Übergabe an das Modell.
  • examples/leads.jsonl, examples/extractions.jsonl und examples/expected-output.jsonl enthalten synthetische Eingaben, vorgeschlagene Extraktionen und erwartete Ergebnisse.

Lesen Sie die Dateien vor der Installation. Die Referenzdokumente sind Anweisungen; der Python-Validator erzwingt ausschließlich die im Code implementierten Prüfungen.

Führen Sie zuerst das Beispiel aus

Entpacken Sie den Download, öffnen Sie ein Terminal im Verzeichnis mit pipeline.py und führen Sie Folgendes aus:

python3 pipeline.py demo
python3 pipeline.py validate --leads examples/leads.jsonl --extractions examples/extractions.jsonl --rubric rubric.example.json --as-of 2026-11-01

Das feste Datum macht das Beispiel reproduzierbar. Verwenden Sie für echte Daten das tatsächliche Bewertungsdatum. Die Demo vergleicht Ergebnisse mit examples/expected-output.jsonl. Änderungen an Testdaten oder Bewertungsschema verändern das erwartete Ergebnis; halten Sie eigene Experimente deshalb getrennt.

Jedes Lead enthält Quelldokumente mit source_id, url, text und checked_at. Jede vorgeschlagene Extraktion nennt row_id, industry, headcount, region und value_prop samt Belegzitaten für die Felder. Der Validator prüft diese Zitate anhand der bereitgestellten Dokumente. Er ruft keine URLs auf und bestätigt nicht unabhängig, was ein Unternehmen tut.

Das Beispielschema vergibt 4 Punkte für B2B SaaS, 3 für 50 bis einschließlich 500 Beschäftigte und 3 für US oder CA. Der Schwellenwert ist 7. Das fiktive Unternehmen ledgerleaf.example, Zeile demo-01, hat B2B SaaS, 120 Beschäftigte und US und erhält deshalb 10 Punkte. Diese Kriterien veranschaulichen die Berechnung; sie sind keine Empfehlung für Ihr ICP.

Fehlende firmografische Belege führen zu needs_review mit einem Nullwert für den Score. Weitere Ergebnisse sind ready_for_review, below_threshold, unreachable und invalid_evidence. Alle Ergebnisse behalten review_required=true. Der Offline-Einstiegssatz zitiert den bereitgestellten Produkttext. Er demonstriert die Weiterleitung, keinen Benchmark für modellgenerierte Personalisierung.

Den Skill in Claude Code verwenden

Kopieren Sie das entpackte Paket nach ~/.claude/skills/lead-enrichment/, sodass SKILL.md direkt in diesem Verzeichnis liegt. Rufen Sie /lead-enrichment in einer lokalen Claude Code-Sitzung auf. Diese Installation folgt der Skill-Dokumentation von Claude Code.

Passen Sie das schriftliche Schema und rubric.example.json an, bevor Sie echte Leads bewerten. Geben Sie Claude Quelldokumente und Extraktions-Prompt, speichern Sie den Vorschlag und führen Sie den Validator aus, bevor Sie einen Einstiegssatz anfordern. Das Modell schlägt Fakten vor; lokale Prüfungen entscheiden, ob die Belege den konfigurierten Regeln entsprechen. Auch ein bestandenes Zitatmatching erfordert menschliche Interpretation: Eine Beschäftigtenzahl kann einen Kunden statt des Interessenten beschreiben.

Bewusst an Clay anpassen

Clays Use AI-Dokumentation beschreibt Prompts und strukturierte Ausgaben. Inhaltstransformation und Webrecherche sind getrennte Modi. Ein lokales Verzeichnis mit SKILL.md ist kein Import für eine Clay-Spalte.

Erstellen Sie eine kleine Testtabelle mit Zeilenkennungen und bereitgestelltem Quelltext. Passen Sie prompts/extract.md an diese Spalten an und verwenden Sie extraction.schema.json als Ausgabeformat. Wählen Sie ein in Ihrem Konto verfügbares Claude-Modell, notieren Sie dessen Kennung und deaktivieren Sie automatische Durchläufe während der Einrichtung. Exportieren Sie Extraktionsvorschläge im dokumentierten JSONL-Format und validieren Sie diese lokal.

Nur Zeilen, die Prüfungen bestehen und den Schwellenwert erreichen, dürfen an prompts/opener.md weitergegeben werden. Halten Sie Entwurf, Belegzitat und Prüfentscheidung zusammen. Exportieren Sie erst nach Prüfung nach HubSpot oder in ein anderes CRM; dieser Download enthält weder einen CRM-Konnektor noch einen Versandschritt. Planen Sie geschätzt 30-60 Minuten für die Erstkonfiguration ein und messen Sie anschließend Ihre tatsächliche Prüfzeit. Die Schätzung umfasst keine unbeaufsichtigte Integration.

Kostenrechnung mit austauschbaren Annahmen

Die Offline-Demo verwendet 0 kostenpflichtige API-Aufrufe. Im Live-Betrieb entstehen getrennte Kosten: Clay-Nutzung, Ihr Modellkonto bei eigenem API-Key, vorgelagerte Daten und Prüfzeit. Clay dokumentiert, dass eigene API-Keys weiterhin Actions verbrauchen und der Anbieter die Modellnutzung berechnet. Prüfen Sie Ihre Kontotarife vor einem Tabellendurchlauf.

Verwenden Sie gemessene Werte:

model_cost = input_tokens / 1000000 * input_rate
           + output_tokens / 1000000 * output_rate
run_cost = model_cost + data_cost + platform_cost
review_hours = rows_reviewed * seconds_per_review / 3600

Bei ausdrücklich hypothetischen Gesamtverarbeitungskosten von $0.02 pro Zeile kosten 20 Zeilen $0.40 und 100000 Zeilen $2000 pro Durchlauf. Vier wöchentliche Durchläufe kosten $8000, zuzüglich aller in der Annahme ausgeschlossenen Kosten. Das ist eine Berechnung, kein Preisangebot von Clay oder Anthropic. Berücksichtigen Sie Fehlversuche und Wiederholungen bei Ihren tatsächlichen Kosten pro akzeptierter Zeile.

Fehlerprüfungen und ein brauchbarer Abnahmetest

  • Unbelegte Fakten: Bewahren Sie das genaue Zitat auf; weisen Sie fehlende oder nicht passende Belege zurück, statt einen Score zu erfinden.
  • Veraltete Belege: Vergleichen Sie checked_at mit dem Bewertungsdatum. Die 30-Tage-Grenze im Beispiel ist eine konfigurierbare Richtlinie, kein Aktualitätsnachweis.
  • Irreführende Zitate: Prüfen Sie, was jedes Zitat beschreibt. Textübereinstimmung beweist weder Wahrheit noch löst sie Anbieterwidersprüche.
  • Unerwartete Ausgaben: Deaktivieren Sie automatische Durchläufe, beginnen Sie mit einer festen Zeilengrenze und prüfen Sie die Abrechnung vor der Erweiterung.
  • Versehentlicher Versand: Behalten Sie review_required=true bei und halten Sie den Versand außerhalb dieses Workflows.

Erfassen Sie beim ersten echten Pilotlauf mit 20 Zeilen Validierungsfehler, bei der Prüfung entdeckte falsche Fakten, akzeptierte Entwürfe, Prüfzeit und Gesamtkosten. Erfolg bedeutet, jeden akzeptierten Score und Einstiegssatz anhand seiner Belege erklären und tatsächliche Kosten zeigen zu können. Eine synthetische Demo belegt keinen Verkaufseffekt. Vergleichen Sie diesen Aufwand mit der manuellen Prüfung ähnlicher Accounts, bevor Sie den Durchlauf erweitern.

Dateien in diesem Artefakt

Alle herunterladen (.zip)