我们如何丰富客户联系方式和组织数据

我们希望获得更多关于我们收集的数据的上下文信息，因此我们考察了各种数据丰富服务。这些公司可以通过更多细节来为您的数据提供上下文。例如，给定一个域名，第三方丰富服务可以为您提供该域名关联的公司名称、其规模、行业等信息。

数据丰富是成长型公司乃至大型公司的典型做法。但在您寻找丰富服务之前，您应该明确需要解决（或实现）哪些问题或目标，而这些问题或目标可以通过数据丰富来解决。对于 Metabase 而言，我们希望丰富客户联系方式的原因有两个：

1. 与客户保持联系。数据丰富可以提醒我们联系人的工作变动，这可能会影响我们的关系。例如，如果某个联系人在公司内部或外部调动了工作，我们可能希望向他们表示祝贺，并确保我们与接替关系的人员保持联系，以免重要的产品沟通信息丢失。
2. 更好地了解组织规模和行业，这有助于我们根据这些细分市场面临的问题量身定制营销和产品工作，确保我们正在构建的 Metabase 能够解决这些问题。

服务提供商评估

令人惊讶的是，数据丰富服务提供商有很多，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，因为我们不应将这类数据存储在我们的数据仓库中。我们也没有评估 Clearbit，因为它不再作为独立服务提供。

总结：Apollo.io 为我们的用例提供了最佳的覆盖范围、定价和功能。

持续数据丰富

选择了服务提供商后，我们使用 dlt 和 Apollo.io 的 API，按优先级每小时丰富新联系人——优先处理新联系人，然后再更新现有联系人，以此类推。

以下是 Python 代码片段，它实现了

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

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，用于指示联系人何时离开客户组织。此字段使我们能够轻松找出应该联系哪些组织，以便他们及时了解重要的产品通讯。

关于数据丰富的最终思考

丰富我们的数据已被证明是有价值的。从丰富的数据中得出的一个有趣见解是，我们的客户来自微型到巨型组织的混合体。我们的团队已经利用这些数据更好地了解我们的客户并监控工作变动。

我们现在正在讨论如何将数据丰富用于其他目的，例如创建理想客户画像，以充分利用我们的营销工作。

但数据丰富并非免费，因此我们将继续评估我们所获得的价值与成本之间的关系，并进行相应的迭代。我们希望这篇帖子能帮助您找到适合您需求的丰富服务。