icp-personas

ICP、账户与人物画像

策略层：在花费额度进行数据搜集和丰富之前，先决定要锁定谁、数量多少，以及每个账户中的哪些人。 主要是方法论；少数步骤会从 ColdIQ 获取数据。

ColdIQ Marketplace 端点（策略涉及数据的环节）

任务	方法	路径	额度	端点 ID	备注
验证筛选值（ICP 标准）	POST	/v1/limadata/references/autocomplete	免费	limadata.references.autocomplete	确认职位和行业确实存在
估算可触达市场规模	POST	/v1/ai-ark/companies	按结果计费	ai_ark.companies.search	符合 ICP 的公司数量
添加意向信号以确定优先级	GET	/v1/signalbase/funding-signals	未知	signalbase.funding_signals	提升有购买意向的账户优先级
梳理购买委员会	POST	/v1/limadata/prospect/employees	25	limadata.prospect.employees	查找账户中的人物画像

1. 定义 ICP（3 个层面 + 评分）

• 企业特征： 行业、员工规模、收入、地理位置、增长、融资阶段。
• 技术特征： 技术栈、CRM、营销自动化、竞品工具。
• 行为/意向： 招聘、融资、领导层变动、内容互动、网站访问。

根据最优秀的 10–20 个已签约客户反向推导。按 100 分评分（权重示例）： 行业 20 · 规模 15 · 收入 15 · 地理位置 10 · 技术匹配度 15 · 增长 10 · 意向 15。 分层：A 90–100（1:1 ABM）· B 70–89（1:少数）· C 50–69（程序化）· D <50（排除）。

估算规模之前，先验证这些标准能否对应到实际筛选值： → POST /v1/limadata/references/autocomplete · 免费 · limadata.references.autocomplete

（将评分规则交给 tam-scoring，用于实际导出数据。）

2. 估算规模并筛选账户名单（ABM）

收入反向推算——根据漏斗基准，从目标向前倒推： 已识别→已认知 55% · 已认知→感兴趣 32% · 感兴趣→考虑中 18%。 （例如：100 万美元 ARR 目标 ≈ 识别出约 3,367 个账户。）

确定目标之前，先查看实际符合条件的公司数量： → POST /v1/ai-ark/companies · 按结果计费 · ai_ark.companies.search

四层筛选：企业特征匹配 · 技术特征指标 · CRM 情报（已关闭失败、转投竞品、已流失）· 根据最佳客户进行相似建模。然后优先处理有购买意向的账户： → GET /v1/signalbase/funding-signals · ? cr · signalbase.funding_signals（未经验证）

跟踪阶段进展：已识别 → 已认知 → 感兴趣（点击 5 次以上 / 互动 10 次以上）→ 考虑中 （网站访问、内容互动、演示意向）。

3. 梳理购买委员会

角色	职能	预算优先级
内部拥护者	推动评估的内部支持者	40–50%
经济决策者	签字付款；关注投资回报率	20–30%
最终用户	日常使用者；关注用户体验/工作流	15–20%
技术评估者	集成、安全、合规	5–10%
阻碍者/把关人	可以否决，但很少主动发起	监控

为每种人物画像记录：职位模式与资历、职能、待完成任务、痛点、成功指标、内容偏好、购买角色。定义人物画像后，再查找实际人员： → POST /v1/limadata/prospect/employees · 25 cr · limadata.prospect.employees

消息矩阵：针对每种人物画像，采用不同的待完成任务、痛点、符合阶段的内容和符合角色的行动号召（内部拥护者 → 演示/投资回报率，最终用户 → 试用/易用性）。交给 crawford-method / cold-email-copy 撰写文案。

后续衔接

ICP 评分规则 → tam-scoring · 公司/联系人搜寻 → apollo-search / coldiq-search-enrich · 将角色画像转化为广告受众 → ad-audiences · 完整构建顺序 → campaign-delivery。