mcpField
T
tam-scoring

tam-scoring

github.com/cold-iq营销与增长347 次安装2 周前更新
代码仓库

关于 tam-scoring

tam-scoring 是一项按可观察信号为公司打分并划分优先级的技能。它说明了评分标准、数据清理步骤，以及用于获取评分字段新数据的 ColdIQ 接口。

主要功能

  1. 01依据可观察信号为公司评分
  2. 02按分数划分优先级
  3. 03通过 ColdIQ 接口获取公司数据
  4. 04清理并去重公司记录
  5. 05定义并运行自定义评分模型

适用场景

  1. 01筛选目标市场中的优先公司
  2. 02补全数据前剔除不合格记录
  3. 03生成分级公司数据供审核

MCP 相关

它列出用于评分的 ColdIQ 公司、企业特征、技术栈和融资数据接口；未说明 MCP 接口。

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/cold-iq/coldiq-marketplace-skills --skill tam-scoring

安装后在 Claude Code 中输入/tam-scoring确认已加载。

详细介绍

TAM 评分

根据可观察信号为每家公司分配数值评分，然后划分等级。ColdIQ 模型在 4–6 个信号组中运行，总分为 80–100 分。本技能不负责计算，数学计算由本地完成；本技能会注明每个评分数据点由哪个 ColdIQ 端点提供，以便模型使用最新数据运行。

ColdIQ Marketplace 端点（评分字段的数据来源）

评分数据点方法路径积分端点 ID备注
公司概况（规模、收入、行业、融资）POST/v1/limadata/enrich/company1limadata.enrich.company一次调用可覆盖大多数组
大规模公司列表POST/v1/ai-ark/companies按结果计费ai_ark.companies.search构建待评分列表
技术栈信号POST/v1/builtwith/domain固定费用builtwith.domain复杂度／专业化组
融资／PE 背书GET/v1/signalbase/funding-signals未知signalbase.funding_signals所有权／加分组

根据补充后的数据评分——不要花钱补充那些会被 DQ 的行。先筛除明显的 DQ，然后： → POST /v1/limadata/enrich/company · 1 cr · limadata.enrich.company

标准等级阈值

等级分数操作
Tier 165+最高优先级，优先发送，个性化程度最高
Tier 250–64匹配度高，第二波发送
Tier 335–49匹配度一般，仅用于大批量触达
DQ<35不要发送

常见信号组

  1. 规模（10–25）： 10k+ → 25，5k–9,999 → 20，2k–4,999 → 15，500–1,999 → 10，50–499 → 5，<50 → 0。
  2. 收入（15–20）： $50M–$500M → 20（最佳区间），$25–50M → 15，$500M–1B → 10，$10–25M → 8，$1B+ → 5。
  3. 行业（10–15）： 核心行业 → 15，相邻行业 → 10，拓展行业 → 5，未知 → 5，排除行业 → −100（自动 DQ）。
  4. 复杂度／专业化（15–30）： 客户特定信号（多地点数量、市场 数量、竞争或互补技术、数字化成熟度）。
  5. 所有权／PE（10–20）： PE 支持 → 20，PE 子公司 → 15，VC／成长型 → 10，未知 → 5，创始人所有／非营利 → 0。
  6. 加分项（5–10）： 特许经营总部、现金流相关关键词、快速增长、近期融资、相关招聘。

评分前的数据清理

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 评分器模式

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

如何构建新模型

  1. 选择 4–6 个信号组，总分为 80–100 分。 2. 设定阈值。 3. 为每个信号编写评分规则。
  2. 清理数据。 5. 对补充数据后的导出文件运行评分。 6. 生成每个等级的 CSV 文件。 7. 将样本发送给 客户审批。 8. 收到新的数据补充后重新运行。先去重 （list-dedup），确保不会对同一家公司重复评分。

评论

支持 Markdown