ooligo
claude-skill

Enrichir les leads Clay avec Claude : exemple, notation et contrôle

Exécutez l'exemple gratuit hors ligne

20 entreprises fictives. Python 3.9 ou ultérieur. Aucun compte, clé API ou accès réseau nécessaire.

  1. Téléchargez et décompressez le paquet.

    Télécharger l'exemple ZIP
  2. Ouvrez un terminal dans le dossier contenant pipeline.py, puis exécutez :

    python3 pipeline.py demo
  3. Vérifiez le résultat.

    Attendez PASS et 20 lignes, y compris des exemples à contrôler ou dont les preuves sont rejetées. PASS indique que les exemples enregistrés correspondent à leur sortie attendue.

Ouvrir le README du paquet →
Après avoir lancé la démo en local, comment cela s’est-il passé ?

Exemple synthétique Des données d'entreprise à une décision de contrôle
Données fournies
ledgerleaf.example
Secteur
B2B SaaS
Effectif
120
Région
US
Résultat d'exemple
Prêt pour contrôle
Score ICP d'exemple 10/10

Règles d'exemple : secteur 4 + taille 3 + région 3. Seuil : 7/10.

Voir le texte source fourni (anglais)
Industry: B2B SaaS. We have 120 employees. Region: US. We build scheduling software for restaurant teams.
Que se passe-t-il si les preuves échouent ?
company-10.example
Contrôle nécessaireAucun score

L'extraction candidate omet l'effectif. La ligne reste sans score.

company-18.example
Preuve rejetéeAucun score

La citation sur l'effectif ajoute du texte absent de la source. La ligne reste sans score.

Données fictives, règles fixes. Chaque ligne demande un contrôle. Ce n'est pas un résultat réel de Clay ou de Claude.

Difficulté
intermédiaire
Configuration réelle estimée
30-60 min
Pour
revops · sdr-leader
RevOps

Outils pour l'adaptation réelle

Utilisez ce skill Claude téléchargeable pour transformer des éléments documentés sur une entreprise en score ICP et en brouillon d’accroche à vérifier. Commencez par l’exemple synthétique de 20 lignes fourni, puis adaptez les mêmes contrôles à votre table Clay. Le package comprend un validateur local, des règles de notation, des prompts et les résultats attendus.

Téléchargez le package complet ou lisez le guide d’installation. L’exemple fonctionne avec Python sans requêtes réseau. Il ne nécessite ni compte Clay, ni clé API, ni appel payant à un modèle.

État des tests : l’exemple hors ligne vérifie des données synthétiques et une notation déterministe. Il ne démontre ni une exécution réelle de Claude, ni une intégration Clay fonctionnelle, ni l’exactitude sur des entreprises réelles, ni une amélioration des taux de réponse. Le workflow conserve human_tested: false.

Quand l’utiliser

Choisissez ce workflow lorsque vous disposez déjà de sources sur les entreprises et cherchez une règle cohérente et vérifiable pour déterminer quelles lignes méritent l’attention des commerciaux. Un responsable RevOps définit la grille ; un commercial vérifie chaque accroche avant tout passage dans un séquenceur. Conservez le texte source avec les faits extraits pour contester un score sans refaire la recherche.

Écartez-le si vous cherchez une base de contacts, des emails vérifiés, une recherche web automatique ou une synchronisation CRM sans supervision. Aucune de ces fonctions n’est implémentée ici. Pour quelques comptes, lire les sources et rédiger des notes demande moins de préparation. Pour un enrichissement continu, utilisez votre fournisseur actuel et évaluez ses résultats avec les mêmes règles. Le guide des stratégies d’enrichissement présente ce choix.

Ce que vous téléchargez

Le package se trouve dans apps/web/public/artifacts/lead-enrichment-clay-claude/. Les fichiers remplissent des fonctions distinctes :

  • README.md explique l’installation et le périmètre des tests ; SKILL.md fournit la procédure à Claude Code.
  • references/1-icp-rubric.md, references/2-opener-style-guide.md et references/3-source-quality-matrix.md contiennent les règles à adapter.
  • pipeline.py valide les preuves des extractions et calcule les scores. rubric.example.json contient les critères exécutables de l’exemple.
  • prompts/extract.md, prompts/opener.md et extraction.schema.json définissent le passage manuel au modèle.
  • examples/leads.jsonl, examples/extractions.jsonl et examples/expected-output.jsonl contiennent les entrées synthétiques, les extractions proposées et les résultats attendus.

Lisez les fichiers avant d’installer le skill. Les documents de référence sont des instructions ; le validateur Python applique uniquement les contrôles implémentés dans son code.

Exécutez d’abord l’exemple

Décompressez le téléchargement, ouvrez un terminal dans le répertoire contenant pipeline.py et exécutez :

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

La date fixe rend l’exemple reproductible. Pour des données réelles, utilisez la date réelle d’évaluation. La démo compare ses résultats à examples/expected-output.jsonl. Modifier une entrée ou la grille change le résultat attendu : conservez vos propres expériences séparément.

Chaque lead fournit des documents sources avec source_id, url, text et checked_at. Chaque extraction proposée comporte row_id, industry, headcount, region et value_prop, avec des citations justificatives associées aux champs. Le validateur vérifie ces citations dans les documents fournis. Il ne visite pas les URL et ne confirme pas indépendamment l’activité d’une entreprise.

La grille d’exemple attribue 4 points pour B2B SaaS, 3 pour un effectif compris entre 50 et 500 inclus et 3 pour US ou CA. Le seuil est 7. L’entreprise fictive ledgerleaf.example, ligne demo-01, présente B2B SaaS, 120 salariés et US : elle obtient donc 10. Ces critères illustrent le calcul ; ils ne constituent pas une recommandation pour votre ICP.

L’absence de preuves firmographiques produit needs_review avec un score nul. Les autres résultats incluent ready_for_review, below_threshold, unreachable et invalid_evidence. Tous conservent review_required=true. L’accroche hors ligne cite le texte produit fourni ; elle démontre le routage, pas un benchmark de personnalisation générée par un modèle.

Utilisez le skill dans Claude Code

Copiez le package décompressé dans ~/.claude/skills/lead-enrichment/, avec SKILL.md directement dans ce répertoire. Invoquez /lead-enrichment dans une session locale de Claude Code. Cette installation suit la documentation des skills de Claude Code.

Adaptez la grille écrite et rubric.example.json avant d’évaluer de vrais leads. Donnez à Claude les documents sources et le prompt d’extraction, sauvegardez la proposition et exécutez le validateur avant de demander une accroche. Le modèle propose des faits ; les contrôles locaux déterminent si les preuves respectent les règles configurées. Une citation validée exige encore une interprétation humaine : un effectif cité peut décrire un client plutôt que le prospect.

Adaptez explicitement le workflow à Clay

La documentation Use AI de Clay décrit les prompts et les sorties structurées. Transformation de contenu et recherche web sont des modes séparés. Un répertoire local contenant SKILL.md n’est pas un import de colonne Clay.

Créez une petite table de test avec vos identifiants de lignes et le texte source fourni. Adaptez prompts/extract.md à ces colonnes et utilisez extraction.schema.json comme contrat de sortie. Choisissez un modèle Claude disponible dans votre compte, consignez son identifiant et désactivez les exécutions automatiques pendant la configuration. Exportez les extractions proposées au format JSONL documenté et validez-les localement.

Seules les lignes qui passent les contrôles et atteignent votre seuil doivent poursuivre vers prompts/opener.md. Conservez ensemble le brouillon, la citation et la décision de validation. Exportez vers HubSpot ou un autre CRM après vérification uniquement ; ce téléchargement ne fournit ni connecteur CRM ni étape d’envoi. Prévoyez une estimation de 30-60 minutes pour la configuration initiale, puis mesurez votre temps de vérification. Cette estimation exclut la construction d’une intégration sans supervision.

Un calcul de coût dont vous remplacez les hypothèses

La démo hors ligne utilise 0 appels API payants. Le travail réel comporte des factures distinctes : usage Clay, compte du modèle avec votre propre clé, données externes et temps de vérification. Clay indique que les clés API personnelles consomment toujours des Actions, tandis que le fournisseur facture le modèle. Vérifiez les tarifs de votre compte avant de lancer une table.

Utilisez des valeurs mesurées :

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

Avec un coût de traitement total explicitement hypothétique de $0.02 par ligne, 20 lignes coûtent $0.40 et 100000 lignes coûtent $2000 par exécution. Quatre exécutions hebdomadaires coûtent $8000, avant les coûts exclus de cette hypothèse. C’est un calcul, pas un tarif annoncé de Clay ou Anthropic. Comptez les tentatives échouées et les réexécutions dans votre coût réel par ligne acceptée.

Contrôles des échecs et test d’acceptation utile

  • Faits sans preuve : conservez la citation exacte ; rejetez les preuves absentes ou discordantes au lieu d’inventer un score.
  • Preuves anciennes : comparez checked_at à la date d’évaluation. La limite de 30 jours de l’exemple est une règle configurable, pas une preuve d’actualité.
  • Citations trompeuses : vérifiez ce que décrit chaque citation. Une correspondance textuelle ne prouve pas la véracité et ne résout pas les conflits entre fournisseurs.
  • Dépenses inattendues : désactivez l’exécution automatique, commencez avec un nombre fixe de lignes et examinez la facture avant d’élargir.
  • Prospection accidentelle : conservez review_required=true et gardez l’envoi hors de ce workflow.

Pour votre premier pilote réel de 20 lignes, relevez les échecs de validation, les faits incorrects découverts, les brouillons acceptés, le temps de vérification et la dépense totale. Réussir signifie pouvoir expliquer chaque score et accroche acceptés à partir de leurs preuves et montrer le coût réel. Une démo synthétique ne démontre pas de gain commercial. Comparez cet effort à une vérification manuelle de comptes similaires avant d’élargir l’exécution.

Fichiers de cet artefact

Tout télécharger (.zip)