Как я строю качественные списки лидов за день

Вот проблема:

Большинство команд при онбординге клиента пытаются построить полный TAM список. Тратят неделю. Получают мусор.

А потом удивляются, почему кампании не прут.

Мы делаем по-другому.

Не строим 100% TAM. Строим качественный сэмпл на 1-2 месяца кампаний.

Полное покрытие — потом, если нужно.

Как это работает:

Шаг 1. Анализ существующих данных

Берём do-not-contact лист или список dream customers клиента.

Обогащаем в Clay:

– Индустрии
– Размер отделов
– Ключевые слова с сайтов
– Стратегия ценообразования
– Любые данные, которые клиент считает важными

Clay даёт кучу derived data points. Кэшируем в Supabase, чтобы не переплачивать.

Шаг 2. AI находит паттерны

Прогоняем через Sculptor или GPT:

– Какие индустрии реально работают
– Что коррелирует с good fit клиентами
– Что НЕ важно (хотя клиент думает, что важно)

Пример: клиент был уверен, что важно соотношение SDR/AE в команде.

AI нашёл: у всех покупателей есть Sales Ops, а соотношение SDR/AE — везде разное.

Шаг 3. Тянем компании через Prospeo

Теперь знаем: "Ищем компании в X индустрии по Y причинам".

Используем Prospeo API для поиска по top-level критериям: индустрия, хедкаунт, локация.

Почему не Clay? UI — это лишние движения. Prospeo API даёт то, что нужно.

Шаг 4. Обогащаем в Clay + AI валидирует

Строим промпт: берём реальных клиентов, проверяем новые компании на соответствие.

Это же формирует ICP в процессе.

Шаг 5. Batch API для кастомных данных

Для специфики — Claygent.

Потом batch API через GPT для проверки fit.

Кэш на инпуты = -90% стоимости.

Batch API = -50% на вызовы.

Итого: 95% экономии на AI.

Результат:

При онбординге клиента бросаем максимум данных и AI на cleanup.

Получаем качественный стартовый список за день вместо недели ручной работы.

Derived data от Clay + Prospeo API + дешёвый GPT = предсказуемое качество списков.