我们如何丰富客户联系方式和组织数据

我们希望为收集到的数据获取更多背景信息，因此我们寻找了数据丰富化服务。这些公司可以为您的数据提供更多详细的上下文。例如，给定一个域名，第三方丰富化服务可以提供该域名关联的公司名称、规模、行业等信息。

数据丰富化是成长型公司以及大型公司的常见做法。但在寻找丰富化服务之前，您应该明确要解决的问题（或要实现的目标），而丰富化可以提供帮助。对于 Metabase 而言，我们希望丰富客户联系人信息，主要有两个原因：

1. 为了与客户保持联系。丰富化可以提醒我们联系人的职位变动，这可能会影响我们的关系。例如，如果联系人在公司内部或外部转换了工作，我们可能需要联系他们表示祝贺，并确保与接替该关系的人员保持联系，以免重要的产品沟通信息丢失。
2. 为了更好地了解组织规模和行业，这有助于我们调整营销和产品策略，确保我们构建的 Metabase 能够解决这些细分市场面临的问题。

服务提供商评估

数据丰富化服务提供商的数量出人意料地多，每个都有其优缺点。虽然我们考虑了各种 LinkedIn 数据导出提供商，但我们决定不使用它们，因为我们不应在数据仓库中存储此类数据。我们也没有评估 Clearbit，因为它不再作为独立服务提供。

TL;DR: Apollo.io 为我们的用例提供了最佳覆盖范围、定价和功能。

持续丰富化

选定服务提供商后，我们使用 dlt 和 Apollo.io 的 API 每小时更新新的联系人，并根据优先级进行处理——优先处理新联系人，然后更新现有联系人，以此类推。

这是一个 Python 代码片段，它将：

1. 从我们的数据仓库中获取优先级联系人列表的电子邮件
2. 调用 Apollo 的 API 来丰富这些联系人信息。
3. 然后将丰富后的信息保存回我们的数据仓库中的另一个表中。

def enrich_contact(self, postgres_connect_string, to_schema):
    pipeline = dlt.pipeline(pipeline_name='enrich_contact', destination='postgres', dataset_name=to_schema,
                            credentials=postgres_connect_string)

    @dlt.resource(write_disposition='merge', primary_key='email')
    def enriched_contact():
        with pipeline.sql_client() as psql:
            with psql.execute_query("select email from prioritized_contact") as cursor:
                emails = cursor.fetchall()

        for (email,) in emails:
            enriched = self.people_match(email)  # Call Apollo's "people/match" API
            yield enriched['person']

    print(pipeline.run(enriched_contact))

自助式分析建模

我们将丰富后的数据（例如组织规模和行业）添加到我们的客户和联系人模型中。对于组织规模，我们将其分组为几个类别，以简化团队的分析。

, case
    when estimated_employees <= 50 then 'Micro'
    when estimated_employees <= 200 then 'Small'
    when estimated_employees <= 1000 then 'Medium'
    when estimated_employees <= 10000 then 'Enterprise'
    when estimated_employees > 10000 then 'Mega Enterprise'
  end as organization_size

在我们的联系人模型中，我们还添加了 left_company_at 字段，以指示联系人何时离开了客户组织。此字段可以轻松地帮助我们找出应联系哪些组织，以便他们能够及时了解重要的产品通讯。

数据丰富化的最终思考

丰富我们的数据已被证明具有价值。从丰富后的数据中，一个有趣的发现是我们的客户来自从微型到超大型的各种组织。我们的团队已经使用这些数据更好地了解客户并监控职位变动。

我们现在正在讨论如何将数据丰富化用于其他目的，例如创建理想客户画像，以充分发挥我们的营销努力。

但数据丰富化并非免费，因此我们将继续评估其价值与成本的关系，并相应地进行迭代。我们希望这篇博文能帮助您找到符合您需求的丰富化服务。