mcpField
T
tam-scoring

tam-scoring

github.com/cold-iqマーケティング・グロース347 回インストール2 週間前に更新
リポジトリ

tam-scoring について

tam-scoringは、観測可能なシグナルから企業に数値を付け、優先度別に分類するスキルです。評価基準やデータ整理の手順に加え、評価項目の最新データを取得するColdIQのエンドポイントを示します。

主な機能

  1. 01観測可能なシグナルによる企業評価
  2. 02スコアに基づく優先度分類
  3. 03ColdIQ経由の企業データ取得
  4. 04企業レコードの整理と重複排除
  5. 05カスタム評価モデルの定義と実行

活用シーン

  1. 01ターゲット市場の企業を優先順位付け
  2. 02エンリッチメント前に対象外レコードを除外
  3. 03確認用に優先度別の企業データを作成

MCP 対応

評価に使う企業情報、企業属性、技術スタック、資金調達情報を提供するColdIQのエンドポイントを示しています。MCPインターフェースについての記載はありません。

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/cold-iq/coldiq-marketplace-skills --skill tam-scoring

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

詳細

TAM スコアリング

観測可能なシグナルに基づいて各企業に数値スコアを割り当て、ティアに分類します。ColdIQ モデルでは、4～6 個のシグナルグループを使って 80～100 点でスコアリングします。計算はローカルで行います。このスキルでは、スコアリングする各データポイントをどの ColdIQ エンドポイントから取得するかを示し、モデルが最新データで実行されるようにします。

ColdIQ マーケットプレイスのエンドポイント（スコアリング対象フィールドのデータソース）

スコアリング対象データポイントメソッドパスクレジットエンドポイント ID備考
企業属性（規模、売上、業界、資金調達）POST/v1/limadata/enrich/company1limadata.enrich.companyほとんどのグループで 1 回の呼び出し
大規模な企業リストPOST/v1/ai-ark/companies結果ごとai_ark.companies.searchスコアリングするリストを作成
テックスタックのシグナルPOST/v1/builtwith/domain一律builtwith.domain複雑性／専門性グループ
資金調達／PE の支援GET/v1/signalbase/funding-signals不明signalbase.funding_signals所有形態／ボーナスグループ

エンリッチメント済みデータを使ってスコアリングします。DQ と判定する行のエンリッチメントに費用をかけないでください。明らかな DQ を先にフィルタリングしてから、次を実行します。 → POST /v1/limadata/enrich/company · 1 クレジット · limadata.enrich.company

標準的なティアのしきい値

ティアスコア対応
Tier 165+最優先で最初に送信し、最適なパーソナライズを行う
Tier 250–64適合度が高い第 2 波
Tier 335–49適合度は低め。件数重視の施策のみ
DQ<35送信しない

一般的なシグナルグループ

  1. 規模（10–25）： 10k+ → 25、5k–9,999 → 20、2k–4,999 → 15、500–1,999 → 10、50–499 → 5、<50 → 0。
  2. 売上（15–20）： $50M–$500M → 20（最適範囲）、$25–50M → 15、$500M–1B → 10、$10–25M → 8、$1B+ → 5。
  3. 業界（10–15）： 中核 → 15、隣接 → 10、対象範囲を拡張 → 5、不明 → 5、除外 → −100（自動的に DQ）。
  4. 複雑性／専門性（15–30）： クライアント固有のシグナル（拠点数、市場数、競合／補完技術、デジタル成熟度）。
  5. 所有形態／PE（10–20）： PE の支援あり → 20、PE 子会社 → 15、VC／グロース → 10、不明 → 5、創業者所有／非営利 → 0。
  6. ボーナス（5–10）： フランチャイズ本部、キャッシュフロー関連キーワード、急成長、最近の資金調達、関連職種の採用。

スコアリング前のデータクレンジング

BOGUS_NAMES = {"local my business", "google ai plugin", "auto-entrepreneur"}
def is_bogus(name):
    l = name.strip().lower()
    return l in BOGUS_NAMES or any(s in l for s in ["follow us", "test account"])
# Remove slug franchises (keller-williams-realty-dpr), flag extreme values, dedup by name (keep top score).

Python スコアラーのパターン

def score_company(row):
    total, breakdown = 0, []
    for label, fn, field in [("Scale", score_scale, "# Employees"),
                             ("Revenue", score_revenue, "Annual Revenue"),
                             ("Industry", score_industry, "Industry"),
                             ("Custom", score_custom, None)]:
        pts, reason = fn(row if field is None else parse_number(row.get(field, 0)))
        total += pts; breakdown.append(f"{label}: {pts} ({reason})")
    if any("EXCLUDED" in b for b in breakdown): return -1, "DQ", breakdown
    tier = "Tier 1" if total>=65 else "Tier 2" if total>=50 else "Tier 3" if total>=35 else "DQ"
    return total, tier, breakdown
# load → clean(is_bogus) → score → dedup by name(keep highest) → sort desc → export CSV with Score/Tier/Breakdown

新しいモデルの構築方法

  1. 合計が 80～100 点になるように、4～6 個のシグナルグループを選びます。 2. しきい値を設定します。 3. シグナルごとのスコアリングルールを記述します。
  2. データをクレンジングします。 5. エンリッチメント済みのエクスポートに対して実行します。 6. ティアごとの CSV を生成します。 7. サンプルをクライアントに送り、承認を得ます。 8. 新しいエンリッチメントデータが届いたら再実行します。最初に重複を除去して（list-dedup）、同じ企業を二度スコアリングしないようにします。

コメント

Markdown 対応