Australia Data

潜在客户丰富涉及收集和分析有关潜在客户的其他数据，以增强 CRM 或销售数据库中已有的信息。此过程可以显著提高潜在客户资格，个性化销售方法，并提高营销策略的效率。但是，手动执行潜在客户丰富会带来相当大的挑战：

耗时：手动获取数据需要花费大量的时间和精力。

过时的信息：手动保持数据最新是一项挑战，通常会导致过时的信息，从而对销售和营销工作产生负面影响。

效率低下：手动数据收集通常效率低下，消耗本可以更好地用于战略活动的资源。
我们非常珍惜与用户进行个人互动的机会。这种互动对于收集反馈和快速改善 Moonlit 体验至关重要。因此，在本文中，我们将分享我们自己的案例研究。我们希望仅使用电子邮件和姓名来检索用户的 LinkedIn，以及有关个人的注释。我们将介绍构建 Moonlit 应用程序、大规模运行它的过程，以及如何根据您的用例对其进行自定义。

设置两个输入（一个用于电子邮件，一个用于姓名）后，我们添加了一个自定义 python 函数来预处理信息以生成 Google 搜索查询，我们可以使用该查询来获取有关用户的公开信息。

我们的目标是从他们的电子邮件中推断出公司网站，如果他们使 美国华侨华人数据 用常规的非工作电子邮件，那么搜索查询将只包含潜在客户的姓名。

收集和处理数据
我们将上述函数返回的搜索查询传递给 Google 搜索函数以返回前 5 个结果，然后最终将这些结果传递给 LLM（大型语言模型）进行正确的总结和构造。

如果找到的话，LLM 的任务是向我们提供 LinkedIn 个人资料以及有关候选人的注释。

我们特意提示 AI 以 JSON 格式返回结果，以便我们可以将 LinkedIn 个人资料和注释放在单独的输出中。

大规模运行
为了为所有潜在客户大规模运行此工作流程，我们使用了 Moonlit 的批量运行功能，该功能允许您提供包含 1000 个输入的 CSV，并让工作流程并行运行在它们之间。

导出所有线索后，我们创建了一项新的批量工作。

这将创建一个包含左侧输入和右侧输出的表。

启动作业将开始运行每一行，填充输出的值。

最后的想法
这就是我们与 Moonlit 的案例研究。它为我们节省了数天的调查时间，让我们可以了解每个潜在客户。在联系他们之前，我们仍然会手动检查每个潜在客户，并确保信息正确无误。我们已将此应用程序设为可克隆，以便您可以在此处访问它、克隆它并进行任何自定义编辑。如果您有更多关于潜在客户的信息，您可以添加更多输入以获得更准确的结果，您还可以扩展它的功能，以便它返回除 LinkedIn 之外的其他社交帐户。