crm-icp-analysis

CRM ICP 分析

通过分析 HubSpot CRM 中已赢单的交易、相关联系人和公司，建立数据驱动的理想客户画像。识别行业、公司规模、职位、交易金额、销售周期和潜在客户来源中的模式，从而预测收入。

需要： Cogny Agent 订阅（$9/mo）——注册

用法

/crm-icp-analysis — 跨所有维度进行完整的 ICP 分析 /crm-icp-analysis companies — 仅分析公司的企业特征 /crm-icp-analysis contacts — 仅分析买家画像 /crm-icp-analysis deals — 仅分析交易模式

前置条件检查

调用 mcp__cogny__hubspot__get_user_details，验证 CRM 访问权限。确认具有联系人、公司和交易的读取权限。如果缺少权限：

This skill requires HubSpot CRM access via Cogny's MCP server.
Sign up at https://cogny.com/agent and connect your HubSpot account.

步骤

1. 发现可用属性

查询数据前，先了解有哪些字段：

hubspot__get_properties(objectType: "deals")
hubspot__get_properties(objectType: "companies")
hubspot__get_properties(objectType: "contacts")

确定用于分析的关键属性：

• 交易： dealstage、amount、closedate、createdate、pipeline、dealtype、hs_analytics_source
• 公司： industry、numberofemployees、annualrevenue、city、state、country、type
• 联系人： jobtitle、hs_persona、lifecyclestage、hs_analytics_source

留意看起来与 ICP 相关的自定义属性（例如，自定义行业字段、公司层级、细分标签）。

2. 分析已赢单交易

搜索已赢单交易，建立收入基准：

hubspot__search_crm_objects(
  objectType: "deals",
  filterGroups: [{"filters": [{"propertyName": "dealstage", "operator": "EQ", "value": "closedwon"}]}],
  properties: ["dealname", "amount", "closedate", "createdate", "pipeline", "dealtype", "hs_analytics_source"],
  sorts: [{"propertyName": "closedate", "direction": "DESCENDING"}],
  limit: 200
)

检查 total 计数；如有需要，分页获取完整数据集。

计算：

• 已赢单交易总数和总收入
• 平均交易金额（平均值和中位数）
• 交易金额分布：划分金额区间（例如，<$5K、$5-25K、$25-100K、$100K+）
• 平均销售周期：从 createdate 到 closedate 的天数
• 各交易金额区间的销售周期
• 各销售管道的赢单率（如果有多个销售管道）
• 潜在客户来源分布：哪些来源带来了已赢单交易

同时搜索已输单交易以供比较：

hubspot__search_crm_objects(
  objectType: "deals",
  filterGroups: [{"filters": [{"propertyName": "dealstage", "operator": "EQ", "value": "closedlost"}]}],
  properties: ["dealname", "amount", "closedate", "createdate", "pipeline", "hs_analytics_source"],
  limit: 200
)

比较已赢单与已输单交易，识别具有区分度的模式。

3. 分析赢单公司的特征

获取与已赢单交易相关联的公司。使用 get_crm_objects 和交易 ID 获取关联关系，然后批量获取关联公司：

hubspot__get_crm_objects(
  objectType: "companies",
  objectIds: [<associated company IDs>],
  properties: ["name", "industry", "numberofemployees", "annualrevenue", "city", "state", "country", "type", "domain"]
)

建立企业特征画像：

• 行业分布：按交易数量和总收入排列行业
• 公司规模分布：按员工人数区间划分（1-50、51-200、201-1000、1000+）
• 收入范围：按获胜公司的年收入区间划分
• 地理分布：国家、州/地区集中度
• 公司类型：客户、合作伙伴、潜在客户分类

标记：

• 出现在超过 20% 已赢单交易中的行业（核心 ICP）
• 公司规模的最佳区间（赢单率最高的区间）
• 地理集群

4. 分析买家画像

获取与已赢单交易相关联的联系人，然后批量获取：

hubspot__get_crm_objects(
  objectType: "contacts",
  objectIds: [<associated contact IDs>],
  properties: ["jobtitle", "hs_persona", "lifecyclestage", "hs_analytics_source", "email", "firstname", "lastname"]
)

建立买家画像：

• 职位聚类：将相似职位归为一组（例如，“VP Marketing”、“Head of Marketing”、“Marketing Director”＝市场领导层）
• 资历分布：C 级高管、副总裁、总监、经理、个人贡献者
• 职能领域：市场、销售、产品、工程、财务、运营
• 每笔交易的联系人数量：单线联系与多线联系交易
• 各买家画像的潜在客户来源：不同买家画像如何找到你

标记：

• 占已赢单联系人的比例超过 30% 的主要买家画像
• 赢单率更高的多线联系交易
• 与更大交易金额相关的买家画像

5. 跨维度分析

综合交易、公司和联系人的分析结果：

• 最佳细分市场：赢单率最高的行业 + 公司规模 + 买家画像组合
• 最高价值细分市场：平均交易金额最大的组合
• 成交最快的细分市场：销售周期最短的组合
• 潜在客户来源效率：哪些来源带来最匹配的潜在客户（而不只是最多的潜在客户）
• 反向 ICP 模式：赢单率低或输单率高的细分市场

6. 输出 ICP 定义

CRM ICP Analysis
Data basis: [N] closed-won deals, [N] companies, [N] contacts
Period: [earliest close date] to [latest close date]
Total revenue analyzed: $[X]

═══════════════════════════════════════════════════
IDEAL CUSTOMER PROFILE
═══════════════════════════════════════════════════

Company Firmographics:
  Industry:        [Top 1-3 industries] ([X]% of wins)
  Employee Count:  [Range] (sweet spot: [X-Y])
  Annual Revenue:  $[Range]
  Geography:       [Top regions]

Buyer Persona:
  Primary Buyer:   [Title cluster] ([X]% of deals)
  Secondary Buyer: [Title cluster] ([X]% of deals)
  Seniority:       [Level] and above
  Function:        [Department]

Deal Characteristics:
  Average Deal Size:    $[X] (median: $[Y])
  Sweet Spot Range:     $[X] - $[Y]
  Average Sales Cycle:  [N] days
  Best Lead Sources:    [Source 1], [Source 2]

Win Rate Analysis:
  Overall Win Rate:     [X]%
  Best Segment Rate:    [X]% ([segment description])
  Worst Segment Rate:   [X]% ([segment description])

═══════════════════════════════════════════════════
ICP FIT SCORING MODEL
═══════════════════════════════════════════════════

Dimension          | Weight | Criteria
───────────────────|────────|─────────────────────────
Industry           |  25%   | [Top industries] = match
Company Size       |  20%   | [Range] employees = match
Seniority          |  20%   | [Level]+ = match
Job Function       |  15%   | [Functions] = match
Deal Size Potential|  10%   | $[X]+ = match
Lead Source        |  10%   | [Sources] = match

Scoring: 80-100 = Strong fit | 60-79 = Moderate fit | <60 = Weak fit

═══════════════════════════════════════════════════
ANTI-ICP (AVOID)
═══════════════════════════════════════════════════

- [Pattern 1 that predicts losses]
- [Pattern 2 that predicts losses]
- [Pattern 3 that predicts losses]

Top 3 Actions:
1. [Highest-impact recommendation]
2. [Second recommendation]
3. [Third recommendation]

7. 记录发现

对于 EVERY actionable ICP insight，调用 mcp__cogny__create_finding：

{
  "title": "ICP sweet spot: SaaS companies 200-1000 employees close at 2.3x average rate",
  "body": "Analysis of 87 closed-won deals shows SaaS companies with 200-1000 employees have a 42% win rate vs 18% overall. Average deal size $45K, 34-day sales cycle. These companies represent only 23% of pipeline but 51% of revenue. Recommend: prioritize this segment in outbound and ad targeting.",
  "action_type": "icp_refinement",
  "expected_outcome": "Increase win rate by focusing pipeline on high-fit segments",
  "estimated_impact_usd": 5000,
  "priority": "high"
}

ICP 分析的行动类型：

• icp_refinement — 更新 ICP 定义、调整评分模型
• targeting_refinement — 根据 ICP 调整广告／外呼定向
• pipeline_optimization — 针对特定细分群体调整销售流程
• lead_source_optimization — 加大对 ICP 匹配度高的线索来源的投入
• disqualification_rule — 尽早筛除反 ICP 特征的规则