mcpField
E
enrichment-design

enrichment-design

github.com/extruct-aiマーケティング・グロース11149 回インストール4 週間前に更新
リポジトリ

enrichment-design について

調査仮説やパーソナライズの目的に基づき、企業テーブルのエンリッチメント列を設計するスキルです。列とプロンプトを検討し、`list-enrichment`用の`column_configs`を作成します。

主な機能

  1. 01セグメンテーションとパーソナライズに対応
  2. 02仮説を調査列に落とし込む
  3. 03エージェント種別と出力形式を選択
  4. 04未発見時の指示を含むプロンプト作成
  5. 05すぐ使える`column_configs`の出力

活用シーン

  1. 01仮説への適合度を測る項目の選定
  2. 02メール個別化に使う企業情報の収集
  3. 03調査実行前のエンリッチメント設定準備

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/extruct-ai/gtm-skills --skill enrichment-design

インストール後、Claude Code で/enrichment-designを入力して読み込まれたか確認します。

同梱ファイルreferences/data-point-library.md

詳細

Data Points Builder

リサーチ仮説とテーブルのエンリッチメントの間をつなぎます。エンリッチメントを実行する前に、各企業について何をリサーチするかを定義します。

使用するタイミング

  • market-research が仮説セットを作成した後
  • list-enrichment の前 — このスキルで列を設計し、もう一方のスキルで実行します
  • ユーザーが「これらの企業について、何を調べるべきですか？」と尋ねたとき

2 つのモード

モード 1：セグメンテーション

目標： 企業ごとに仮説への適合度を評価、または確認する列を設計します。

入力： 仮説セット（market-research またはコンテキストファイルから）

プロセス：

  1. 仮説セットを読みます
  2. 各仮説について、適合を確認または否定する列を 1～2 個提案します
  3. ユーザーと相談し、調整、追加、削除します
  4. 最終的な column_configs を出力します

例： 仮説が「データベースの盲点 — 標準的なツールではターゲットの 80～90% が見えない」の場合：

  • 列：「データインフラの成熟度」（選択肢：["CRM なし", "基本的な CRM", "フルスタック"]）
  • 列：「デジタルフットプリントスコア」（評価：1～5）
モード 2：パーソナライゼーション

目標： メールのパーソナライゼーションに使う、企業固有のフックを記録する列を設計します。

入力： ターゲットリストと、パーソナライズしたい内容

プロセス：

  1. このキャンペーンで重要なフック（リーダーの発言、最近の製品リリース、採用シグナル、技術スタックなど）を尋ねます
  2. プロンプト付きの列を 2～4 個提案します
  3. ユーザーと相談して調整します
  4. 最終的な column_configs を出力します

例： パーソナライゼーションのフックの場合：

  • 列：「最近の製品リリース」（テキスト：過去 6 か月以内にリリースされた製品について説明）
  • 列：「リーダーの公開発言」（テキスト：[topic] について CEO/CTO による公開の引用を探す）

対話型の列設計

列を黙って生成するだけではいけません。ユーザーと一緒に次の手順を進めてください。

ステップ 1：フレームワークを提示する

2 つのモードをユーザーに示し、どちらが当てはまるか（または両方か）を尋ねます。

ステップ 2：初期列を提案する

仮説またはユーザーの入力に基づいて、3～5 個の列を提案します。それぞれについて、次を示します。

Column: [name]
Type: [output_format]
Agent: [research_pro | llm]
Prompt: [the actual prompt text]
Why: [what this tells us for segmentation/personalization]

ステップ 3：一緒に調整する

次のように尋ねます。

  • 「追加する列はありますか？」
  • 「削除または統合する列はありますか？」
  • 「もっと具体的にすべきプロンプトはありますか？」

ステップ 4：列数の上限を確認する

目安：

  • 3～5 列が最適です
  • 各列に明確な目的があれば、6～7 列でも問題ありません
  • 8 列以上はノイズが増えるため、再検討を促し、統合を提案してください

ステップ 5：column_configs を出力する

list-enrichment ですぐに使える JSON 配列として、最終的な列設定を生成します。

[
  {
    "kind": "agent",
    "name": "Column Display Name",
    "key": "column_key_snake_case",
    "value": {
      "agent_type": "research_pro",
      "prompt": "Research prompt using {input} for domain...",
      "output_format": "text"
    }
  }
]

列設計のガイドライン

エージェントタイプの選択
データポイントの種類エージェントタイプ理由
ウェブ上の事実データ（資金調達、リリース、ニュース）research_proウェブでのリサーチが必要です
企業プロフィールに基づく分類llmプロフィールデータで十分です
判断にニュアンスが必要な項目（成熟度、適合スコア）research_reasoning思考の連鎖が必要です
人物・組織構造linkedinLinkedIn 固有の情報です
出力形式の選択
データポイントの種類形式使用する場合
自由形式のリサーチtext自由回答形式の質問
スコア・評価grade1～5 段階での評価
カテゴリーselect相互排他的な選択肢
複数のタグmultiselect相互排他的ではないタグ
構造化データjson関連する複数のフィールド
根拠付きのはい／いいえjson{"match": bool, "evidence": str}
プロンプト作成のヒント
  • 企業のドメインには必ず {input} を含めます
  • プロンプト内で出力形式を具体的に指定します
  • フォールバックを含めます：「見つからない場合は N/A を返す」または「不明な場合は 'Unknown' を返す」
  • select／multiselect の場合は、プロンプトにも選択肢を記載します
  • 仮説のスコアリングでは、該当する仮説をプロンプト内で参照します
  • プロンプトは 200 語未満にします

リファレンスライブラリ

用途別に整理された約 20 個の事前構築済み列設定については、references/data-point-library.md を参照してください。

出力の引き継ぎ

列の設計が完了したら：

  1. 最終的な column_configs JSON をユーザーに提示します
  2. ユーザーに次のように伝えます：「これらの設定は list-enrichment で使用できます。テーブル ID とこれらの列を指定して、そのスキルを実行してください。」
  3. ユーザーがすぐに実行したい場合は、list-enrichment ワークフローに引き継ぎます

コメント

Markdown 対応