CRM 数据清洗应从安全导出开始:保留每条联系人和 Account 的 ID,然后识别重复项、检查哪些字段已经过时、统一数据格式,并仅补全真正缺失的信息。将数据重新导入 CRM 前,务必审核所有变更记录。数据 Enrichment 可以补充信息,但本身无法修复重复记录或无效邮箱。
例如,导出 Contact ID、Email、First Name、Last Name、Company Domain 和 Account ID。处理期间,请在 Datablist collection 中保留这些 ID。清洗后的结果可以同时保留原始 ID、已审核的邮箱状态、规范化姓名以及新找到的公司信息,方便你把变更准确映射回对应的 CRM 记录。
如果 Account 名称存在大小写不一致或公司法律后缀混乱的问题,可以先在免费公司名称清洗工具中测试几条数据。将清洗结果与原名称进行对比,确认无误后,再把展示名称列添加到 CRM 导出文件中。
处理顺序很重要:先去重,避免为同一个人的 Enrichment 支付两次费用;先验证,再将联系人邮箱用于 Outbound;在确认替换值无误前,始终保留原始数据。以下章节将逐一演示如何在 Datablist 中完成这些操作。
CRM 数据清洗指南概览
本指南包含四个步骤。你可以先处理当前导出文件最需要解决的问题,再完成其他步骤,为数据重新导入 CRM 做好准备:
换句话说,我们会先对所有数据去重,再验证剩余数据是否仍然有效,随后进行结构化和信息提取,最后用新数据完成 Enrichment。
你可以直接跳到最相关的部分,也可以跟着本文从头操作。
❗️ 务必保留 Record ID
本例没有展示 Record ID(例如 Contact ID、Note ID、Account ID 等),但你必须保留这些字段,否则将无法把数据重新导入 CRM 并正确映射到原记录。
CRM 联系人和 Account 去重
如果要对 CRM 中的联系人和 Account 去重,可以在 Datablist 中使用以下三种方法:
列表可以是 Account 列表、联系人列表或 Deal 列表。无论其中包含什么数据,处理流程都相同。
方法 1:使用所有列对单个列表去重
有时,当你多次从 LinkedIn 抓取联系人或反复从其他来源获取数据时,同一联系人会被重复抓取。这种情况下,最快捷的清理方式就是使用所有列删除重复联系人。具体操作如下:
第 1 步:使用所有列对列表去重
首先,注册 Datablist.com。
然后,以 CSV 或 Excel 格式导入列表。
第 2 步:使用所有列对列表去重
点击 Clean,选择 Duplicates Finder。
打开 All Properties 旁边的开关。
点击 Next。
点击 Run duplicates check。
现在可以审核结果,然后点击 Auto-merge duplicates when possible。
CRM 联系人去重就是这么简单!
接下来看看 CRM 联系人去重的第二种方法。
方法 2:使用指定列对列表去重
如果列表中包含同一联系人,但部分信息略有差异,这是最合适的方法。
例如,同一个联系人出现了两次,邮箱和姓名相同,但备注内容不同。此时,只需依据两到三个指定列进行去重。
我们把这些字段称为唯一标识符,而且可以同时使用多个标识符。
第 1 步:使用指定列对列表去重
首先,注册 Datablist.com。
然后,以 CSV 或 Excel 格式导入列表。
第 2 步:使用指定列对列表去重
点击 Clean,选择 Duplicates Finder。
接着,勾选用于去重的列。本例将根据 Company Domain 和 First Name 两列比较联系人。
选择列时,也要确保选对 processor。
除非数据中包含必须精确匹配的 ID、URL 或其他属性,否则 Algorithm 保持默认设置即可。
域名选择 URL,公司名称选择 Company Name,其他字段以此类推。
最重要的是,processor 必须与用于去重的列内容相匹配。
完成后,点击 Run duplicates check。
第 3 步:使用指定列对列表去重
由于备注内容并不相同,系统会提示冲突。你可以选择:
- 丢弃冲突项中的值
- 合并冲突属性
点击 Combine conflicting properties,选择存在冲突的列,使用 Line break 作为分隔符,然后点击 Refresh Merging Preview。
现在,你可以在删除重复项前预览 Datablist 将如何合并两条备注。确认后,点击 Auto-merge when possible。
去重后的列表如下所示。
👉 想进一步了解去重,可以阅读关于 Mac/iOS 通讯录去重、多值列去重、匹配列表中的相似公司名称以及合并 Pipedrive 重复项的文章。
下面介绍第三种方法:如何对多个列表中的 CRM 记录去重。
方法 3:跨多个列表去重
以下是一个跨列表去重的实际案例:
**目标:**开展一场仅面向新 Account(第一季度未互动)的 ABM campaign
流程:
- 比较两个列表:Q1 Account 和新 Account
- 从新列表中删除 Q1 已互动的 Account
**结果:**你将获得一个仅包含真正新 Account 的干净 campaign 列表。
开始吧!
第 1 步:跨多个列表去重
首先,注册 Datablist.com。
然后,点击侧边栏中的文件夹图标,创建文件夹。
接着,点击三个点并选择 New collection,在文件夹中创建 collection。
新 collection 创建完成后,将第一个列表上传至 Datablist,然后重复上述流程上传第二个列表。
第 2 步:跨多个列表去重
上传两个列表后,进入 Q2 列表(或你所使用的较新版本)。
点击 Clean,选择 Duplicates finder。
打开 Check deduplicates across several collections? 左侧的开关。
选择要用于比较的 collection。本例中为“Q1 ABM”。
选择用于比较的属性,然后点击 Next。匹配 Account 时,建议始终使用域名;对联系人去重时,则使用邮箱或 LinkedIn Profile。
如果选择公司域名或其他链接作为唯一标识符,请将 processor 设为 URL,然后点击 Run duplicates check。
系统会展示两个 collection 共有的重复项预览。
点击 Auto cleaning rule 下方的字段并选择规则。目前只有一个选项:Remove duplicate items from collection X。
如果比较三个或更多 collection,还会出现第二个选项:Keep duplicate items only in collection X。
现在可以选择从哪个 collection 删除重复项。务必从新数据中移除旧数据。
然后点击 Click here to process duplicated items。
📘 如何获得最佳结果
从 Q2 列表中删除 Q1 联系人,切勿反向操作。例如:
✅ Q1 列表:100 位联系人 → 全部保留
✅ Q2 列表:200 位联系人 → 删除与 Q1 重复的记录 → 最终获得 100 位唯一联系人
❌ Q1 列表:100 位联系人 → 删除与 Q2 重复的记录
❌ Q2 列表:150 位联系人 → 全部保留
这样可以确保:
- 完整保留 Q1 的历史数据
- 从 Q2 campaign 中移除已联系过的 Account
- 避免误将同一 Account 作为目标两次
本例从 Q2 列表中删除了 5,236 个重复 Account,最终保留 3,152 个唯一 Account。
去重部分到此结束,接下来讨论如何验证 CRM 数据。
检查 CRM 数据是否最新
检查 CRM 数据是否仍然最新,是 CRM 清洗中最容易被忽略的一步。很多人认为,营销或销售团队收集的数据一旦被标记为有效,就会一直有效,但这是一个严重的误区。
本节将介绍:
开始吧!
免费检查邮箱是否有效
如果你曾通过表单、Lead Magnet 或免费资源收集邮箱,就会知道很多人会使用非企业邮箱注册。
如果你也遇到这种情况,计划开展 Email campaign 时,可以先用此功能完成第一轮筛选,再决定是否投入成本进行更全面的送达能力验证。
❗ 先分清:有效邮箱与可送达邮箱
此功能不会告诉你邮件是否可送达。它通过检查 MX 记录,仅判断邮箱背后的域名能否接收邮件。
简单示例:
邮箱
habibi@datablist.com并不存在,但该域名具有有效的 MX 记录,因此即使没有真实收件箱,它仍会被判定为有效。邮箱
habib@datablist.ai不存在,且该域名没有有效的 MX 记录,因此它是无效邮箱。邮箱
habib@datablist.com存在,且 MX 记录有效,因此它既有效,也可送达。简单来说
邮箱有效性验证 = 域名层面
邮箱可送达性验证 = 收件箱层面
已验证有效的邮箱 = 域名可以接收邮件,但具体邮箱地址仍可能有误
可送达邮箱 = 存在能够接收邮件的收件箱
并非每个有效邮箱都能真正收到邮件。
第 1 步:免费检查邮箱是否有效
首先,注册 Datablist.com。
注册后,导入包含 CRM Account 或联系人的列表。
第 2 步:免费检查邮箱是否有效
接下来使用 Datablist 的一项免费功能,查询负责接收邮件的 MX provider。如果域名没有有效的 MX Records,就无法接收邮件,因此会被自动判定为不可送达。
点击 Enrich。
进入 People,选择 Free Email Address Validation。
将邮箱字段映射为 input property,然后点击 Continue to output configuration。
点击加号图标创建新的 output properties,然后点击 Instant Run。
运行 Datablist Free Email Validator 后,你将看到以下结果:
结果会告诉你:
- 邮箱是否为企业邮箱
- 邮箱能否接收邮件,无论它是企业邮箱还是个人邮箱
- 哪个 provider 为该域名提供 MX 服务。这一点很重要:发送 Cold Email 时,应避免向使用某些 provider 的邮箱发送邮件,尤其是 Microsoft,否则可能损害发件邮箱的信誉
👉 想了解更多,请查看免费邮箱列表验证指南。
确认这些邮箱是否有效后,下面继续检查它们能否真正接收邮件。
检查邮箱能否接收邮件
**如果你已经完成上一个流程:**请筛选结果中的有效邮箱,因为无效邮箱一定不可送达。下面会演示具体操作。
如果你从这里开始,有两个选择:
- 返回并完成上一个流程。
- 注册 Datablist,导入列表,然后直接进入第二步。
第 1 步:检查邮箱能否接收邮件
点击 Valid Email,选择 Filter on property。
确保勾选此复选框,然后点击 Apply。
💡 给 B2B 企业的建议
如果你的业务只面向 B2B,请筛选“Business Email”列,而不是“Valid Email”。这里使用更宽泛的示例,是因为也有很多 B2C 企业在使用 Datablist。
第 2 步:检查邮箱能否接收邮件
点击 Enrich。
进入 People,选择 Waterfall Advanced Email Address Verification。
将邮箱列映射至 input property,然后点击 Continue to output configuration。
点击加号图标,只为 Email Status 和 Role Account 创建新属性,然后点击 Instant Run。
**为什么只选这两个属性:**其他属性只会增加复杂度。如果目的只是清理 CRM,并不需要它们。
你将获得以下结果:
**Valid:**邮箱背后存在可以接收邮件的收件箱。
Risky 邮箱分为两类:
- 验证时无法确认该邮箱地址。
- 该邮箱属于 catch-all,即使具体邮箱账户不存在,邮件服务器也会接收所有邮件。
**Invalid:**该邮箱账户不存在,请勿使用。
批量检查联系人是否仍在原公司任职
你可能已经注意到,现在人们换工作的频率越来越高。给联系人发送邮件时,也可能越来越常看到**“此人已不在 XYZ 公司任职”**之类的提示。
如果你也遇到这种情况,不必担心。下面会介绍如何确认联系人是否仍在原公司任职。
先明确所需数据:
- 联系人的 LinkedIn Profile,必不可少
- 联系人原本任职公司的邮箱或域名
接下来要完成的操作
- 抓取联系人的 LinkedIn Profile,确认其当前任职公司
- 查找该公司的域名
- 让 AI 比较两个域名
**注意:**也可以使用联系人所在公司的 LinkedIn Company Page。
第 1 步:检查联系人是否仍在原公司任职
注册 Datablist.com。
将列表导入 Datablist。
第 2 步:检查联系人是否仍在原公司任职
这一步需要抓取联系人的 LinkedIn Profile。
点击 Enrich。
进入 People,选择 LinkedIn People Profile Scraper。
将包含 LinkedIn Profile URL 的列映射为 input property,然后点击 Continue to output configuration。
点击加号图标,为以下输出创建新列:Company Name、Company page URL 和 Company website,然后点击 Instant Run。
也可以为其他输出创建新列,但本流程不需要。只有确实需要其他 LinkedIn 数据时再添加,避免为同一数据支付两次费用。
以下是 LinkedIn Profile 抓取结果。整体不错,但还要为剩余记录查找域名,这正是下一步要完成的工作。
第 3 步:检查联系人是否仍在原公司任职
点击 Enrich。
进入 Companies,选择 Company Domain/Website and LinkedIn Company Page Matcher。
将 Matching Type 设为 Get the company website from the LinkedIn page URL。
然后,把 LinkedIn Page URL 映射为 input property。
点击 Continue to output configuration。
将“Company website”输出映射到新创建的 Company website 列。
**请注意:**不要映射到存放旧域名的列!
点击 Instant Run。
接下来会看到以下选项:
- **Run in Async:**勾选后,Enrichment 将在云端运行。处理大型列表时,你可以同时执行其他任务。
- **Test on the first 10 items:**如果想先了解 Enrichment 效果,可以使用此选项。
通过 number of items to process,可以只处理前 10 条、100 条或自定义数量的记录。
Existing data rule 用于指定 Datablist 如何处理列中的现有数据。请选择第二个选项,即 Update only the empty cells。
完成设置后,点击 Run enrichment on all items。
第 4 步:检查联系人是否仍在原公司任职
现在已经取得新旧网站域名,接下来比较它们是否一致,从而判断联系人是否更换了公司。
点击 Enrich。
进入 AI,选择 Ask ChatGPT/OpenAI。
勾选使用 Datablist credits 完成 Enrichment,或提供你的 OpenAI API key,然后点击 Use template。
向下滚动,选择 Check if prospect is still working at a company。
将 collection 中的列映射到模板。操作方法如下:
输入 “/” 查看 collection 中的列,并将旧域名映射到第一个字段。
以同样方式将新域名映射到第二个字段。
然后点击 Continue to output configuration。
点击加号图标为输出创建新列,然后点击 Instant Run。
完成联系人任职状态检查后,结果如下:
这就是验证 CRM 数据是否仍然最新的方法!
你还可以使用 AI 为 Account 评分。
CRM 数据结构化与格式化
清洗 CRM 时,数据结构化和格式化至关重要,因为它会直接影响销售和营销团队后续如何使用这些数据。为了将 CRM 数据统一为整洁格式,本节将介绍:
统一 CRM 数据格式只是第一步。要维护好 CRM,关键在于持续保持数据整洁且结构清晰。以下方法可以帮助你做到这一点:
- 定义标准化输入格式,例如为通话备注建立统一模板
- 限制某些列只能接受特定输入类型,例如将电话号码列设为“仅数字”属性
- 设置必填字段,例如要求销售代表填写“Last Contact Date”等指定字段,确保数据完整
拆分姓名
清洗 CRM 时,一个常见问题是名字和姓氏经常写在同一列中。这可能导致 Lead 或潜在客户收到使用其全名作为称呼的邮件,读起来会很不自然。
第 1 步:拆分姓名
注册 Datablist.com。
导入包含 CRM 联系人姓名的 CSV 或 Excel 文件。
第 2 步:拆分姓名
点击 Enrich。
进入 People,选择 Name Parser。
将包含姓名的列映射为 input property,然后点击 Continue to outputs configuration。
可以获得以下输出:
- 名
- 中间名
- 姓
- 性别
- 称谓
- 姓名来源国家
点击加号(+)图标,为所需的每项输出创建新列,然后点击 Instant Run。
以下是在 Datablist 中拆分姓名后的结果。
从邮箱中提取域名
第 1 步:从邮箱中提取域名
注册 Datablist。
导入 CSV 或 Excel 文件。
点击 Extract,选择 Extract domains for email addresses or URLs。
将邮箱列映射为 input property,然后点击 Preview extraction。
系统会预览前 10 行。确认无误后,点击 Extract data。
使用 Datablist 从邮箱地址提取域名后的结果如下:
CRM 清洗中格式化电话号码
电话号码格式化是我最喜欢的 CRM 清洗流程之一。Datablist 特别适合这项任务,原因如下:
- 可以处理任何国家的电话号码
- 同时支持:
- 国际格式(+XX)
- 本地格式
- 可以在同一个文件中处理多个国家的电话号码
本例文件包含:
- 美国电话号码
- 印度尼西亚电话号码
- 德国电话号码
- 阿尔及利亚电话号码
我们将一次性统一这些号码的格式。
❗ 重要提示
如果要在同一个文件中格式化来自不同国家的电话号码,必须包含“Country”列,以便 Datablist 判断每个号码所属的国家。
开始吧!
第 1 步:格式化 CRM 电话号码
注册 Datablist.com。
导入 CSV 或 Excel 文件。
点击 Enrich。
进入 AI,选择 Phone Number Extractor。
选择 collection 中电话号码的来源国家,并勾选 Advanced Settings。
勾选 Define country per Item 左侧的复选框,启用逐条指定国家的设置。
💡 小提示
只有在处理单一国家的电话号码时,才建议启用 Add phone number type。处理多个国家的号码时,这项功能的准确度较低。
将电话号码列和国家列映射为 input properties,然后点击 Continue to outputs configuration。
点击加号图标,为格式化后的电话号码添加新列,然后点击 Instant Run。
接下来会看到 Run Settings,可用于:
- Run in Async,尤其适合大型列表
- Test on the first 10 items
- 选择 number of items to process,如 10 条、100 条或自定义数量
配置完成后,点击 Run enrichment on all items。
以下是刚刚完成格式化的电话号码:
更新 CRM 数据
保持 CRM 数据最新对业务成功至关重要。要高效更新 CRM,你需要了解以下内容:
开始吧!
根据公司名称查找域名
这可能是我们最常用的公司 Enrichment 之一。说实话,没有域名,很多后续工作都无法展开,因此先从这里开始最合理。
第 1 步:根据公司名称查找域名
注册 Datablist.com。
上传包含公司名称的列表。
第 2 步:根据公司名称查找域名
点击 Enrich。
进入 URLs,选择 Find company domains from company names。
搜索设置说明 🔍
有两种搜索方式:
-
默认选项:Companies Dataset + Google Fallback
先查询数据库,找到结果消耗 1 credit;如未找到,则转用 Google,消耗 2.5 credits
-
最经济的选项:Use only Companies Dataset
仅查询数据库,消耗 1 credit
以下设置可以控制公司域名的查找方式:
- Target Country:将搜索限制在一个国家,以获得更准确的结果
- Accept non-root websites:允许查找“域名 + 路径”形式的网站,例如
platform.com/company,而不只限于主域名company.com - Skip following domains:过滤 Crunchbase、Northdata 等目录网站,因为它们并非公司的真实官网
**如果希望获得最高覆盖率,**请保留默认搜索选项,选择一个国家,其余设置留空。
完成搜索配置后,向下滚动,将公司名称列映射为 input property,然后点击 Continue to outputs configuration。
点击加号图标,可以创建“Company URL”“Company Domain”列,或同时创建两者。我通常只选择 Company Domain。完成后,点击 Instant Run。
接下来会看到 Run Settings,可用于:
- Run in Async,尤其适合大型列表
- 选择 number of items to process,如 10 条、100 条或自定义数量
配置完成后,点击 Run enrichment on all items。
使用公司名称到域名 Enrichment 后,collection 将如下所示,费用见下文。
查找 16 个域名共花费 33 credits,平均每个域名 2.06 credits。如果列表中有 1,000 个域名,只需投入约 2,062 credits,即 2.03 美元。
👉 想了解更多,请阅读根据公司名称查找公司网站指南。
抓取企业信息和公司详情
本节将重点查找基础 Firmographic Data(企业特征数据),帮助我们判断某个 Account 是否值得继续研究和补充信息。
这里所说的 Firmographic Data,是指 LinkedIn 上通常会展示的信息,例如:
- 员工人数
- 公司名称
- 网站
- 公司总部
- 专长领域
- 行业
- 公司简介
- 国家
- 地区
- 成立年份
- LinkedIn URL
- Sales Navigator ID
- 关注者数量
- Slogan
开始吧!
第 1 步:抓取企业信息和公司详情
注册 Datablist.com。
导入包含 CRM 中公司域名或 LinkedIn URL 的列表。
第 2 步:抓取企业信息和公司详情
点击 Enrich。
进入 Companies,选择 Company Enrichment。
需要理解两项关键设置:
**1. Data Source Options:**用于启动 Enrichment 的数据
- Company domain,默认选项
- LinkedIn URL
**2. Data Return Options & Costs:**Enrichment 返回的数据及费用
- Basic data,1 credit:提供行业、地点、员工人数和成立年份
- LinkedIn data,5 credits:直接从 LinkedIn Page 获取实时信息
建议使用 LinkedIn URL 获取最新的 LinkedIn 数据。如果没有 LinkedIn URL,则使用公司域名和 Basic data。
选择设置后,将 LinkedIn URL 列映射为 input property,然后点击 Continue to outputs configuration。
点击加号图标,为每个所需数据点创建一列,然后点击 Instant Run。
接下来会看到 Run Settings,可用于:
- Run in Async,尤其适合大型列表
- 选择 number of items to process,如 10 条、100 条或自定义数量
配置完成后,点击 Run enrichment on all items。
以下是从 LinkedIn 抓取最新公司详情后得到的结果:
但你可能还想查找 LinkedIn 上没有的信息,而且手动研究每家公司可能需要数小时。如果正是如此,Datablist 也能解决:你可以让 AI Agent 自动完成重复性研究工作。
抓取难以查找的公司详情
这可能是本指南中我最喜欢的部分。等等,我是不是已经说过一次了?
没错,但这一部分确实很特别,因为你将看到如何使用 AI Research Agent,找出传统数据库普遍遗漏的隐藏公司数据。
以制造企业为例,它们可能拥有多个零售网点、生产设施和专业业务,而这些信息通常不会出现在标准数据库中。
以下是一些值得深入研究的隐藏公司信息:
- 专利和知识产权持有情况
- 关键高管过往工作经历
- 供应商关系和供应链详情
- 客户成功案例
- 研发重点领域
这些数据需要从网站、新闻稿、行业报告和专业数据库中进行更深入的研究。AI Research Agent 可以分析多个来源并汇总相关信息,帮助你发现这些数据。
本例将演示如何查找一些企业拥有多少处生产设施。
开始吧!
第 1 步:抓取难以查找的公司详情
注册 Datablist.com。
导入包含公司域名的公司列表。
第 2 步:抓取难以查找的公司详情
点击 Enrich。
进入 AI,选择 AI Agent。
配置 Prompt,或使用下面的示例 Prompt 测试该工具。点击此处了解如何为 AI Agent 编写 Prompt。
这个 Prompt 会:
- 搜索每家公司拥有多少处生产设施
- 识别拥有超过五处设施的公司
- 将拥有 5 处以上设施的公司标记为“ICP”,其余标记为“Irrelevant”
- 查找这些设施的位置
- 提供完整的设施地点列表
背景:我需要了解这些公司拥有多少个运营地点,以判断它们是否符合我们的 ICP。
===你需要完成的任务:
- 使用 Google 搜索这些公司拥有多少处生产设施
- 验证它们是否拥有超过五处设施
- 将超过五处的公司标记为“ICP”,其余标记为“Irrelevant”
- 再次搜索这些设施的所在地
- 向我提供所有地点的完整列表
需要查找的数据点(含示例):
以下运营地点:
- 生产基地
- 制造设施
- 工厂
- 研发中心
需要避免的错误: - 不要查找任何零售网点,只查找运营地点。 - 不要为“Irrelevant”公司提供地点列表。
===理想输出示例:
ICP Status: ICP Locations:
- Bonn, Germany
- Solingen, Germany
- Wilkau-Haßlau, Germany
- Neuss, Germany
- Graz, Austria
- Pontefract, UK
- Castleford, UK
- Wisconsin, USA
公司名称: /Company
设置 Prompt 后,向下滚动并配置所需输出。本例配置两个 outputs:
- ICP Status
- Locations
先配置第一个输出,再点击 More 创建第二个。你可以根据需要添加任意数量的输出。
完成后,勾选 Advanced Settings。
Datablist AI Agent 的高级设置可以用于:
- 选择任务所使用的 LLM model
- 设置 Agent 的最大迭代次数
- 启用 Render HTML,让 Agent 能够滚动浏览网站
设置完成后,点击 Continue to outputs configuration。
点击加号图标为每个输出添加新列,然后点击 Instant Run。
此时可以配置 Run Settings,选择要处理的记录数量。
配置完成后,点击 Run enrichment on all items。AI Agent 随即开始研究并提取所需的公司地点信息。
可以看到,这些结果远远超出普通数据库所能提供的信息,其中不少高价值数据是传统数据供应商无法匹配的。
📘 唯一的限制是你的想象力
这个例子是特意设计得更复杂一些,用来展示 **AI Agent 的强大能力!**你也可以用它判断一家医院是私立还是公立,或执行其他研究任务。我们还可以帮助你优化 Prompt。
抓取潜在客户的 LinkedIn 资料
如果想在 Prospecting 中增加更多人情味,个性化至关重要。但前提是你能区分“人情味”和相关性,而要做到这两点,就需要抓取 LinkedIn Profile。
你唯一需要的是 LinkedIn Profile URL。
第 1 步:抓取潜在客户的 LinkedIn 资料
注册 Datablist.com。
上传包含潜在客户 LinkedIn URL 的列表。
第 2 步:抓取潜在客户的 LinkedIn 资料
点击 Enrich。
进入 People,选择 LinkedIn Profile Scraper。
以下是抓取 LinkedIn Profile 时的关键设置:
- **Cache vs Real-time:**默认使用缓存数据。启用实时抓取可以获得最新数据,每个 Profile 消耗 50 credits
- **Work Experience:**选择要返回多少段过往工作经历,默认 3 段,最多 10 段
- Datablist 同时支持普通 LinkedIn URL(
linkedin.com/in/xxx)和 Sales Navigator URL 作为输入
设置完成后,点击 Continue to outputs configuration。
点击加号图标,为所需输出添加新列。可选数据点包括:
- LinkedIn Profile URL:标准化 Profile URL,格式为 linkedin.com/in/xxx
- Basic Info:姓名,包括名、姓和全名,以及 Headline 和 Summary
- Location:城市、州或省、国家代码和国家全称
- Current Position:职位、公司名称、任职时间、公司 URL、网站、行业、规模、简介和地点
- Work History:最近两段过往经历,包括职位、公司名称和任职时间
- Additional Info:使用语言和 LinkedIn Connections 数量
完成后,点击 Instant Run。
Datablist 的 Run Settings 可以用于:
- Run in Async,尤其适合大型列表
- Test on the first 10 items
- 选择 number of items to process,如 10 条、100 条或自定义数量
配置完成后,点击 Run enrichment on first X items,开始查找潜在客户的 LinkedIn 数据。
以下是获得的结果:
**注意:**本例只需要姓名和域名来查找电话号码,因此没有抓取全部数据。但通过这项 Enrichment,你还可以获得更多数据点。
接下来看看如何用有效邮箱充实 CRM!
为 CRM 查找已验证邮箱
没有已验证的邮箱地址,就像要在一座没有街道名称的城市里送信,显然效率不会太高。
要为 CRM 补充已验证邮箱,需要:
- 联系人姓名,必填
- 公司名称或域名,必填
- LinkedIn URL,选填
第 1 步:为 CRM 查找已验证邮箱
注册 Datablist.com。
导入联系人列表。
第 2 步:为 CRM 查找已验证邮箱
点击 Enrich。
进入 People,使用 Waterfall Email Finder。
它的工作原理很简单:
Datablist 的 Waterfall Email Finder 会依次调用 15 个以上的邮箱数据 provider,查找潜在客户的邮箱,而且只有找到结果才收费。这很合理,对吧?
接下来可以配置 Waterfall,例如:
- 使用 full name,而不是分别提供 first name 和 last name
- 使用你自己的 API keys 选择偏好的 providers
完成后,向下滚动并配置 input columns。
这些全部是可选设置。若希望获得最高覆盖率,请保留默认设置。
将相应列映射为 input property,然后点击 Continue to output configuration。
这项 Enrichment 会提供三个输出:
- Email address
- Email address status
- MX provider
点击加号图标,为每项输出添加一列,然后点击 Instant Run。
接下来会看到 Run Settings,可选择要处理的记录数量,如 10 条、100 条或自定义数量。
配置完成后,点击 Run enrichment on all items,查找潜在客户的邮箱。
可以看到,只要存在可用数据,它就找到了相应邮箱。使用 Datablist Waterfall Email Finder,你可以轻松查找数千个邮箱地址,用准确的联系人数据完善 CRM。
下面介绍如何查找已验证的手机号码!
为 CRM 补充已验证电话号码
Cold Calling 从业者就像猎人。当其他人还在用自动化消息挤满收件箱时,他们只需打一通 Cold Call,就能直接穿透噪声。
没错,两种方式都有效,但电话沟通显然更有人情味。
下面介绍如何查找这些高价值电话号码:
第 1 步:为 CRM 查找已验证电话号码
注册 Datablist.com。
上传包含 LinkedIn Profile URL 的列表。
第 2 步:为 CRM 查找已验证电话号码
点击 Enrich。
进入 People,选择 Waterfall Phone Finder。
将 LinkedIn Profile URL 列映射为 input property,然后点击 Continue to outputs configuration。
点击加号图标添加新的输出列:
- **Phone Number:**返回带国家区号的完整国际格式,例如 +1-555-0123
- **Country:**返回电话号码所在地的两位国家代码,例如 US、GB、DE
然后点击 Instant Run。
接下来会看到 Run Settings,可选择要处理的记录数量,如 10 条、100 条或自定义数量。
配置完成后,点击 Run enrichment on all items,开始查找潜在客户的电话号码。
Datablist 几乎找到了所有电话号码。不妨亲自试试!
总结
在当今快节奏的商业环境中,业务关系瞬息万变。过时或不准确的 CRM 数据会降低成功率,造成商机流失和资源浪费。
因此,应优先定期进行数据清洗和 Enrichment。
借助 Datablist 等工具实施上述 Enrichment 策略,可以持续维护高质量的 CRM 数据库,从而提升客户互动效果和转化率。
请记住,营销、销售和客户服务的质量,取决于背后的数据质量。将数据 Enrichment 纳入 CRM 的日常维护流程,才能持续保持竞争力。
“你如何收集、管理和使用信息,将决定你的成败。” ——比尔·盖茨
CRM 数据清洗常见问题
CRM 数据每年有多少会过时?
每年约有 30% 的 CRM 数据会过时,其中包括:
- 15%~20% 的邮箱地址失效
- 18% 的电话号码发生变化
- 21% 的 CEO 职位发生更替
- 25%~33% 的人更换工作
错误的 CRM 数据会给企业造成多少损失?
平均而言,每条错误的 CRM 记录会给企业造成约 100 美元损失。对大型企业来说,由此带来的年度损失可能达到数百万美元,主要包括:
- 浪费营销预算
- 降低工作效率
- 错失商机
- 因客户沟通不当损害品牌声誉
什么是 CRM 数据清洗?
CRM 数据清洗是系统维护和改善客户数据库质量的过程,主要包含四个方面:
- 数据去重:删除重复条目并合并记录
- 数据验证:检查邮箱地址、电话号码等现有数据是否准确
- 结构化与格式化:统一数据格式,并以一致的方式组织信息
- 数据 Enrichment:添加新的相关信息,完善客户画像
定期清洗 CRM,可以确保团队始终使用准确、最新的信息,从而改善决策质量和客户互动效果。
如何保持 CRM 数据整洁?
- 定义标准化输入格式,例如为通话备注建立统一模板
- 限制某些列只能接受特定输入类型,例如将电话号码列设为“仅数字”属性
- 设置必填字段,例如要求销售代表填写“Last Contact Date”等指定字段,确保数据完整
ChatGPT 能清洗数据吗?
ChatGPT 并非专门为数据清洗而设计。对于这类任务,Datablist 等免费工具通常更合适。这并不意味着 ChatGPT 完全无法清洗数据,但它不擅长处理大型文件;当记录超过 1,000 条时,结果很容易出现混乱。



















































































































