personalization-at-scale

大規模なパーソナライズ

数時間ではなく数分で、調査に基づいた独自のファーストラインを何百件も生成し、コールドアウトリーチを親しみやすいものにします。

目次

• references/research-sources.md - シグナルの情報源、パーソナライズのスタイル、品質基準
• references/patterns-by-type.md - 各切り口（お祝い、観察、共通の知人、企業ニュース、採用、技術スタック、ソートリーダーシップ、共通の経歴）のファーストライン例と表
• references/fallbacks.md - 切り口がない見込み客向けの、役職／成長段階／業界／競合に関する文例
• references/output-template.md - キャンペーン成果物の全体構成
• references/benchmarks.md - 期待される効果、A/Bテストの参考データ、実践的なヒント（推奨事項／避けるべき事項）
• references/example-campaigns.md - ペルソナ別のキャンペーン例とその進め方

ワークフロー

1. 見込み客リストを取り込みます（CSVまたは貼り付け）。名、姓、役職、会社名は必須とし、入手できる場合はLinkedInのURL、メールアドレス、ウェブサイト、業界、規模、所在地も使用します。

2. 希望を確認します。優先するパーソナライズのスタイル（1～3種類）、トーン（プロフェッショナル、カジュアル、直接的、コンサルティング的）、除外事項（情報の新しさの基準、個人的な話題、デリケートな話題）を確認します。

3. references/research-sources.md の情報源を使って、各見込み客を調査します。見込み客ごとに、最も有力で、情報が新しく、検証可能な切り口を特定します。

4. 各見込み客に切り口を割り当て、references/patterns-by-type.md の該当するパターンを使って文案を作成します。切り口がない見込み客には、references/fallbacks.md を使って文案を作成します。

5. 見込み客ごとに、信頼度スコア（高／中／低）と代替となる切り口についての注記を添えて、ファーストラインの候補を2～3件作成します。references/output-template.md の構成に従います。

6. 最初の10件を手作業で品質確認します。バッチを拡大する前に、各文が具体的で、情報が新しく、関連性があり、自然で、検証可能であることを確認します。

7. 指定された形式でエクスポートします。パーソナライズ用の列を含むCSV、アウトリーチツール（Outreach、Salesloft）用の差し込みフィールド、個別の文案、またはコピーして貼り付けられるブロックから選べます。

8. パーソナライズの種類ごとに返信率を追跡し、活動状況の変化に合わせて30日ごとにパーソナライズの内容を更新します。

目標とする成功率については references/benchmarks.md を、ペルソナごとのアプローチについては references/example-campaigns.md を参照してください。