mcpField
L
list-segmentation

list-segmentation

github.com/extruct-aiマーケティング・グロース11147 回インストール4 週間前に更新
リポジトリ

list-segmentation について

エンリッチ済みの企業データとキャンペーン仮説から、見込み客をセグメント化し、階層分けするGTMスキルです。企業ごとに主な仮説とティアを割り当て、レビュー用とメール生成用の形式で出力します。

主な機能

  1. 01企業ごとに主な仮説を割り当て
  2. 02適合度とデータ量でティア分け
  3. 03個別 outreach のシグナルを特定
  4. 04Markdown と CSV のリストを生成
  5. 05レビュー用にティア数を集計

活用シーン

  1. 01キャンペーンの見込み客に優先順位を付ける
  2. 02個別 outreach 対象の企業を選ぶ
  3. 03email-generation 用のセグメントデータを準備

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 list-segmentation

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

同梱ファイルreferences/tiering-framework.md

詳細

セグメント分けとティア分け

拡充済みテーブルと仮説セットを受け取り、ティア分けされたセグメント別リストを作成します。誰にどのメッセージを、どの順番で送るかを決定します。

入力

入力ソース必須
拡充済みテーブルlist-enrichment 実行後の Extruct テーブル IDはい
仮説セットclaude-code-gtm/context/{vertical-slug}/hypothesis_set.md またはコンテキストファイルはい
コンテキストファイルclaude-code-gtm/context/{company}_context.md推奨

Extruct API の操作

このスキルでは、すべての Extruct API 呼び出しを extruct-api スキルに委任します。

すべての Extruct API 操作について、skills/extruct-api/SKILL.md の指示を読み、従ってください。

このスキルで行う Extruct の操作は、拡充済みテーブルデータの取得のみです。それ以外はすべて純粋な推論です。

ワークフロー

ステップ 1：データの読み込み

extruct-api スキルを使って、拡充済みテーブルデータを取得します。すべての行と、拡充列の値を解析します。

仮説セットのファイルを読み込みます。各仮説を次の項目に解析します。

  • 番号と短い名前
  • データポイントを含む説明
  • 最適な適合企業タイプ
ステップ 2：企業と仮説の照合

企業の各行について、最も適合する仮説を評価します。次の点を考慮します。

  1. 拡充データとの整合性 — 拡充列の値は、仮説の「最適な適合」の説明と一致していますか？
  2. シグナルの強さ — 有用なデータがある拡充列（N/A ではない）はいくつありますか？
  3. 具体性 — 企業のプロフィールは、仮説に狭く、または広く一致していますか？

各企業に主仮説を 1 つ割り当てます。複数の仮説が適合する場合は、最も強いシグナルを選びます。

判断フレームワーク：

For each company:
  1. Read all enrichment values
  2. For each hypothesis:
     - Does the company's vertical/industry match the "best fit"?
     - Do enrichment values confirm the hypothesis pain point?
     - Is there a specific data point that makes this hypothesis resonate?
  3. Pick the hypothesis with the strongest evidence
  4. If no hypothesis fits well, mark as "Unmatched"
ステップ 3：ティアの割り当て

適合度とデータの充実度に基づいて、3 つのティアに分けます。

ティア基準アクション
Tier 1仮説への適合度が高い + データが充実（拡充フィールドに 3 件以上入力済み）+ 明確なフックシグナルemail-response-simulation によるレビューを経て、パーソナライズしたメールを送信
Tier 2仮説への適合度が中程度、またはデータは充実しているが明確なフックがないemail-generation で標準テンプレートのメールを生成
Tier 3適合度が低い、またはデータ不足（2 つ以上のフィールドが N/A）、または仮説と不一致再度のデータ拡充または別のキャンペーンまで保留

Tier 1 のシグナル（次のいずれか）：

  • CEO または経営陣が、仮説に関連する声明を公表している
  • 課題に直接関連する最近のニュースがある
  • 仮説に関連する課題を示唆する職種の採用を行っている
  • 拡充データにおける仮説適合度スコアが高い（評価 4～5）

Tier 3 のシグナル（次のいずれか）：

  • 拡充フィールドの大半が N/A
  • 閾値を超える仮説との一致がない
  • 企業プロフィールが一般的すぎて、確信を持ってセグメント分けできない
ステップ 4：出力の生成

セグメント分けしたリストを、次の 2 つの形式で出力します。

Markdown テーブル（レビュー用）：

## Segmented List: [Campaign Name]

### Tier 1 — [N] companies (personalized outreach)

| Company | Domain | Hypothesis | Tier Rationale | Hook Signal |
|---------|--------|-----------|----------------|-------------|
| [name] | [domain] | #[N] [name] | [why this tier] | [specific hook] |

### Tier 2 — [N] companies (templated outreach)

| Company | Domain | Hypothesis | Tier Rationale |
|---------|--------|-----------|----------------|
| [name] | [domain] | #[N] [name] | [why this tier] |

### Tier 3 — [N] companies (hold/re-enrich)

| Company | Domain | Issue |
|---------|--------|-------|
| [name] | [domain] | [what's missing] |

CSV（email-generation 用）：

claude-code-gtm/csv/input/{campaign-slug}/segmented_list.csv に、次の列を含めて保存します。

  • company_name、domain、tier、hypothesis_number、hypothesis_name、tier_rationale、hook_signal
ステップ 5：ユーザーとレビュー

次の要約統計を提示します。

  • 企業の合計数：N
  • Tier 1：N（X%）
  • Tier 2：N（X%）
  • Tier 3：N（X%）
  • 該当なし：N

次の点を確認します。

  • 「このティア分布でよさそうですか？（一般的な目安：Tier 1 が 10～20%、Tier 2 が 50～60%、Tier 3 が 20～30%）」
  • 「ティアを変更すべき企業はありますか？」
  • 「email-generation に進んでもよいですか？」

参考資料

詳細なティア分けの判断マトリックスについては、references/tiering-framework.md を参照してください。

コメント

Markdown 対応