mcpField
L
lead-research-assistant

lead-research-assistant

github.com/breverdbidder营销与增长41 次安装
代码仓库

关于 lead-research-assistant

lead-research-assistant 是用于系统研究和筛选潜在客户的技能,面向需要建立目标客户名单并规划触达方式的团队。它涵盖客户画像定义、线索评分、联系人信息收集和个性化外联建议。

主要功能

  1. 01分析产品价值与目标客户画像
  2. 02按行业、规模等条件筛选
  3. 03按契合度和意向为线索评分
  4. 04收集公司与决策者信息
  5. 05制定个性化触达建议

适用场景

  1. 01建立细分市场潜在客户名单
  2. 02寻找决策者及其联系方式
  3. 03筛选早期用户或测试用户
  4. 04为销售外联准备个性化切入点

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/breverdbidder/life-os --skill lead-research-assistant

安装后在 Claude Code 中输入/lead-research-assistant确认已加载。

详细介绍

潜在客户研究助手

此技能通过系统的研究与分析,帮助你为产品或服务寻找并筛选潜在客户。

何时使用此技能

在以下情况下使用此技能:

  • 寻找能够从你的产品中获益的公司
  • 识别决策者及其联系信息
  • 研究特定细分市场或行业
  • 构建有针对性的潜在客户名单
  • 制定外联策略
  • 根据标准筛选潜在客户
  • 研究竞争对手的客户
  • 寻找早期采用者或 Beta 用户

研究工作流

1. 了解产品

首先,分析你要销售的产品:

  • 阅读产品说明/代码仓库
  • 了解核心价值主张
  • 识别关键功能和优势
  • 确定理想客户画像(ICP)
  • 记录技术要求或集成需求
2. 定义目标标准

确定搜索参数:

  • 行业:哪些领域最能从中受益?
  • 公司规模:初创公司、中小企业还是大型企业?
  • 地理位置:有哪些地点要求?
  • 技术特征:他们使用什么技术栈?
  • 预算指标:融资、收入、发展阶段?
  • 痛点:他们面临哪些问题?
3. 研究策略

采用多种研究方法:

公司发现:

  • 按行业搜索
  • 按技术栈搜索(例如,“使用 Cursor AI 的公司”)
  • 查看近期融资公告(Crunchbase、TechCrunch)
  • 在 LinkedIn 搜索公司
  • 查询 Y Combinator 各期入选项目
  • 查看 Product Hunt 上线的产品
  • 查询会议参会者名单
  • 查看行业协会

决策者识别:

  • 搜索 LinkedIn 个人资料
  • 查看公司组织架构图
  • 使用 Apollo.io 或类似数据库
  • 搜索 GitHub 贡献者(适用于开发者工具)
  • 在 Twitter/X 上寻找行业意见领袖
  • 查找行业论坛版主
4. 潜在客户筛选评分

为每个潜在客户评分:

  • 匹配度(1-10):与 ICP 的匹配程度如何?
  • 购买意向(1-10):他们购买的可能性有多大?
  • 优先级(高/中/低):综合排序

匹配标准:

  • 使用互补工具(+2)
  • 属于目标行业(+2)
  • 公司规模合适(+2)
  • 地理位置匹配(+1)
  • 有近期增长迹象(+2)
  • 有预算信号(+1)

意向标准:

  • 近期获得融资(+3)
  • 正在招聘相关岗位(+2)
  • 发布过与相关问题有关的内容(+3)
  • 积极参与社区(+1)
  • 近期调整技术栈(+1)
5. 信息收集

对每个符合条件的潜在客户,收集以下信息:

公司信息:

  • 公司名称和网站
  • 行业和领域
  • 员工人数
  • 所在地(总部和办事处)
  • 融资状态和金额
  • 技术栈
  • 最新新闻或重要进展

决策者详情:

  • 姓名和职位
  • LinkedIn 个人资料 URL
  • 电子邮件(如有)
  • Twitter/X 用户名
  • 近期动态或帖子
  • 共同联系人

背景与见解:

  • 他们为何适合
  • 你的产品能解决的具体痛点
  • 公司近期变化或需求
  • 共同联系人或引荐途径
  • 他们分享过的相关内容
6. 外联策略

针对每个潜在客户,提出建议:

沟通方式:

  • 个性化切入点(近期帖子、公司新闻)
  • 针对其具体情况的价值主张
  • 相关案例研究或社会认同
  • 行动号召(演示、试用、交流)

对话开场方式:

  • 提及具体痛点
  • 提及共同联系人
  • 评论他们近期的工作
  • 分享相关见解
  • 提供即时价值

时机考量:

  • 最佳联系时间
  • 季节性因素
  • 公司财年日历
  • 产品发布周期

输出格式

按以下格式组织潜在客户研究:

# Lead Research Results

## Overview
- Total leads found: [X]
- High priority: [Y]
- Medium priority: [Z]
- Industries covered: [list]

## High Priority Leads

### 1. [Company Name]
**Fit Score**: 9/10 | **Intent Score**: 8/10 | **Priority**: HIGH

**Company Details**:
- Industry: [industry]
- Size: [employees]
- Location: [city, country]
- Funding: [amount/stage]
- Website: [url]

**Why Good Fit**:
- [Specific reason 1]
- [Specific reason 2]
- [Specific reason 3]

**Decision Maker**:
- Name: [Full Name]
- Title: [Job Title]
- LinkedIn: [URL]
- Email: [if found]

**Outreach Strategy**:
- **Hook**: [Personalization element]
- **Value Prop**: [Specific benefit for them]
- **CTA**: [Suggested ask]

**Conversation Starter**:
"Hi [Name], noticed [specific observation]. We help companies like [theirs] [specific value]. Would [specific outcome] be valuable for your team?"

---

[Repeat for each high-priority lead]

研究来源

免费来源
  • LinkedIn(公司页面、人员搜索)
  • GitHub(贡献者动态、组织代码仓库)
  • Twitter/X(公司相关提及、决策者帖子)
  • Crunchbase(基础融资数据)
  • Product Hunt(新产品发布)
  • HackerNews(招聘信息、Show HN)
  • 公司博客和新闻页面
  • 行业刊物
付费来源(如有)
  • Apollo.io(B2B 联系人数据库)
  • ZoomInfo(公司和联系人数据)
  • LinkedIn Sales Navigator
  • Crunchbase Pro
  • BuiltWith(技术栈数据)
  • SimilarWeb(流量数据)

特定领域策略

开发者工具

目标对象:

  • LinkedIn 上的工程经理
  • 相关生态系统中的 GitHub 用户
  • Stack Overflow 贡献者
  • DevTool Twitter 社区
  • 工程博客
  • 技术会议演讲者
B2B SaaS

目标对象:

  • 部门负责人(销售副总裁、工程副总裁等)
  • 处于增长阶段的公司
  • 近期宣布融资的公司
  • 表明正在扩张的招聘信息
  • 行业相关的 LinkedIn 群组
房地产科技

目标对象:

  • 房地产投资者和基金经理
  • 物业管理公司
  • 房地产经纪公司
  • REIT 和机构投资者
  • 房地产科技的采用者
  • 行业会议参会者
AI/ML 工具

目标对象:

  • 正在招聘 ML 工程师的公司
  • Y Combinator 的 AI 公司
  • 互补型 AI 工具的用户
  • AI 研究实验室
  • 招聘信息中提及 AI 的公司
  • AI Twitter/X 社区

质量标准

确保每条潜在客户记录:

  • ✅ 包含可核实的公司信息
  • ✅ 包含决策者姓名和职位
  • ✅ 说明其为何适合
  • ✅ 提供具体的拓展策略
  • ✅ 至少包含一种联系方式
  • ✅ 拥有准确的匹配度/意向度评分
  • ✅ 包含可执行的后续步骤

避免:

  • ❌ 泛泛的“广撒网”名单
  • ❌ 过时的联系信息
  • ❌ 不明确的价值主张
  • ❌ 缺少决策者详情
  • ❌ 没有个性化切入点

示例

示例 1:开发者工具

产品:AI 驱动的止赎拍卖分析平台

研究策略:

  • 搜索:“real estate investment companies Brevard County”
  • 搜索:“property investors Florida foreclosures”
  • LinkedIn:佛罗里达州的房地产基金经理
  • 搜索:“real estate wholesalers central Florida”

潜在客户示例:

  • 公司:Sunshine State Capital
  • 决策者:John Smith,管理合伙人
  • 匹配度:9/10——活跃的止赎房产投资者,持有 50 多处房产
  • 切入点:近期在 LinkedIn 发帖谈及交易分析方面的挑战
  • 价值主张:自动发现留置权,每场拍卖可节省 5–10 小时
示例 2:SaaS 工具

产品:面向 AI 开发者的项目管理工具

研究策略:

  • Y Combinator W25 AI 公司
  • 使用 Cursor AI 的公司(通过招聘信息查找)
  • 搜索“AI startup” + “hiring”
  • 拥有 AI 仓库的 GitHub 组织

潜在客户示例:

  • 公司:VectorAI Labs
  • 决策者:Sarah Chen,CTO
  • 匹配度:8/10——15 名工程师、AI 优先型公司、使用 Cursor
  • 切入点:刚完成 A 轮融资,正在招聘 10 名工程师
  • 价值主张:专为 AI 开发工作流打造

成功提示

  1. 先广撒网,再缩小范围:一开始广泛搜寻,然后严格筛选
  2. 核实信息:再次确认联系信息和职位
  3. 寻找熟人引荐渠道:留意共同联系人或共同参与的社区
  4. 及时开展研究:优先关注近期出现触发事件的潜在客户
  5. 批量处理相似潜在客户:按行业或用例分组,提高拓展效率
  6. 跟踪结果:记录哪些研究方法带来了最优质的潜在客户
  7. 定期更新:随着情况变化更新潜在客户名单
  8. 尊重隐私:以合乎道德的方式使用公开信息

评论

支持 Markdown