Come impostare un sistema di punteggio e qualificazione dei lead basato sull'intelligenza artificiale sul desktop locale

I punti critici: privacy, costi e ansia da token

Il cloud scoring sembra economico finché non si scala l'arricchimento e l'analisi iterativa. Ogni lead può attivare più chiamate API e ogni chiamata può attivare l'utilizzo del token LLM. Se hai anche un modesto apporto settimanale, la spesa mensile si trasforma in una tassa ricorrente sulla crescita.

La privacy è la trappola operativa più grande. La spedizione di dati grezzi sui lead a servizi di intelligenza artificiale esterni espande l'insieme di processori di cui devi fidarti, documentare e controllare. Anche quando i fornitori rivendicano il controllo, sei comunque responsabile della posizione di rischio relativa al modo in cui i dati dei clienti vengono trasmessi ed elaborati.

Una pipeline desktop locale risolve entrambi i problemi. Il set di dati estratto rimane sul tuo computer, il tuo modello viene eseguito localmente e solo un payload di notifica minimo viene inviato a Slack quando un lead vale tempo di vendita.

L'architettura di Desktop Automation (logica visiva)

Per inizializzare questo processo, definisci innanzitutto la pipeline di dati in modo che ogni componente abbia un contratto chiaro. Quindi applichi il cancello in cui il punteggio lead diventa la qualificazione lead solo per gli account ad alto adattamento.

Invece di incorporare regole aziendali all'interno di un flusso di lavoro SaaS opaco, mantieni i criteri di valutazione con versione, testabili e riproducibili sullo stesso host che esegue il tuo scraper.

Passaggio 1: estrazione dei dati grezzi sui lead tramite EasyClaw Desktop Agent

Una volta pronto il tuo ambiente desktop, configura EasyClaw per estrarre segnali sia firmografici che tecnografici dalle reti B2B di destinazione. L'obiettivo non è "più campi", ma campi coerenti che corrispondono al tuo profilo cliente ideale.

Inizia selezionando le superfici sorgente che si allineano con il tuo ICP. Quindi definisci gli obiettivi di estrazione in modo da acquisire il nome dell'azienda, il settore, le dimensioni dei dipendenti se disponibili, i titoli dei ruoli e qualsiasi suggerimento tecnologico presente nelle pagine del profilo. In pratica, questi breadcrumb tecnologici spesso determinano l’accuratezza della qualificazione più delle descrizioni generiche.

Rendi rigoroso il tuo schema di output. EasyClaw dovrebbe emettere un record JSON strutturato per lead in modo che il motore di punteggio locale possa valutare ogni volta gli stessi campi. Quando EasyClaw restituisce valori mancanti, preserva i valori null anziché inventare il testo, perché il tuo prompt penalizzerà l'incertezza.

Per mantenere la pipeline debuggabile, persisti l'output dell'estrazione non elaborata in una cartella locale con timestamp. Ciò ti fornisce una traccia di controllo quando sorgono domande sulla gestione dei lead di vendita in un secondo momento e ti consente di riprodurre un lead attraverso una nuova versione del prompt senza ripetere lo scraping.

Passaggio 2: impostazione del motore di punteggio AI locale (Ollama e Llama 3)

Dopo l'estrazione, la prossima sfida ingegneristica è garantire che l'endpoint del modello locale sia stabile e prevedibile. Installa Ollama ed esegui il pull di un modello che puoi eseguire comodamente sul tuo hardware. Le varianti di Lama 3 sono un punto di partenza comune perché gestiscono bene il ragionamento strutturato.

Quando Ollama è in esecuzione, l'endpoint locale dovrebbe essere disponibile su http://localhost:11434. Prima dell'integrazione con EasyClaw, esegui un test con una richiesta curl minima in modo da confermare l'accesso alla rete, il tempo di caricamento del modello e la formattazione della risposta.

Per la qualificazione dei lead di vendita, è necessario un comportamento di punteggio deterministico. Ove possibile, utilizza una configurazione di generazione fissa e richiedi un output JSON che corrisponda a uno schema noto. I modelli locali possono deviare, quindi una valida convalida da parte del chiamante non è facoltativa.

Quindi crea uno script locale di "servizio di punteggio" che accetta il JSON lead estratto e chiama l'API Ollama. Questo servizio diventa il confine tra gli output di scraping e la logica di qualificazione e consente di evolvere i prompt senza toccare il codice dello scraper.

Passaggio 3: progettazione della richiesta di punteggio di qualificazione lead obiettivo

Invece di fare affidamento sulla generazione soggettiva del testo "miglior ipotesi", imposti parametri di valutazione rigorosi tramite un prompt di sistema e uno schema di output richiesto. Il modello dovrebbe produrre un punteggio numerico di qualificazione del lead più una breve giustificazione legata a input specifici.

Per fare ciò, fornisci al modello il profilo cliente ideale, la rubrica di valutazione e le penalità per dati mancanti o contraddittori. Inoltre, istruisci il modello a evitare conoscenze esterne e a segnare rigorosamente i campi lead forniti.

Utilizza il seguente modello di prompt di sistema e sostituisci i campi tra parentesi con la tua rubrica ICP. In produzione, versione questo prompt nel repository in modo che le modifiche vengano tracciate insieme ai risultati del punteggio.

You are a lead qualification scorer for B2B sales lead management.
You must output valid JSON only, matching the exact schema provided by the user.

Grading rubric:
Score from 0 to 100.
Assign points based on the following criteria:
1) Firmographic fit (0-40): industry match, company size/segment match, geography if provided.
2) Technographic fit (0-35): evidence of relevant stack/usage; reward explicit tech signals.
3) Role fit (0-20): title relevance and seniority; reward decision-maker indicators.
4) Data confidence (0-5): penalize missing fields, nulls, or vague/contradictory signals.

Hard rules:
If the lead lacks role title OR firmographic industry is null, subtract 20 points from the subtotal.
If technographic signals are absent (empty list), subtract 10 points.
Never invent missing data. Only use fields given in the input payload.
Return score as an integer.

Output JSON schema:
{
  "leadQualificationScore": <integer 0-100>,
  "fitSummary": "<one short sentence>",
  "evidence": ["<field>: <reason>", "..."],
  "rejectionReasons": ["<reason>", "..."]
}

Quando esegui il punteggio, indica al modello di fare riferimento alle righe di prova che corrispondono ai campi di input. Ciò crea una spiegazione concreta di cui le vendite possono fidarsi senza leggere i registri dei token grezzi.

Infine, convalida la risposta JSON prima di utilizzarla. Se l'analisi non riesce o il punteggio non rientra nell'intervallo, impostare automaticamente un punteggio basso sicuro e archiviare la risposta del modello non elaborato per il debug.

Passaggio 4: instradamento di lead con punteggio elevato a Slack tramite webhook automatizzati

Una volta che l'endpoint locale produce il set di dati grezzi e il modello restituisce un punteggio strutturato, la logica di controllo è semplice e rigorosa. Filtri per i lead in cui il punteggio di qualificazione dei lead soddisfa la tua soglia, ad esempio 80, e solo successivamente informi il canale di vendita.

Crea una funzione locale che legge ogni lead scartato, lo pubblica nell'API Ollama, analizza l'output JSON e confronta leadQualificationScore con la soglia. Se idoneo, chiama il webhook in entrata Slack con un payload del messaggio minimo.

Questo modello impedisce a Slack di ricevere campi non elaborati sensibili. Invece di inviare il record completo del lead, invia solo ciò di cui il team ha bisogno per agire: nome dell'azienda, titolo del ruolo, punteggio e un breve riepilogo delle prove.

Di seguito è riportato un esempio realistico. La prima richiesta è un payload lead generato da EasyClaw inviato all'API Ollama locale. La seconda risposta mostra un punteggio strutturato su cui il tuo motore di filtro può agire immediatamente.

{
  "lead": {
    "companyName": "Acme Logistics",
    "industry": "Supply Chain SaaS",
    "employeeRange": "51-200",
    "location": "NA",
    "leadPerson": {
      "name": "J. Rivera",
      "title": "VP Operations",
      "seniority": "VP"
    },
    "technographics": {
      "signals": ["uses: Salesforce", "mentions: NetSuite integrations"],
      "confidence": 0.74
    },
    "source": "easyclaw-desktop-extract"
  }
}

{
  "leadQualificationScore": 86,
  "fitSummary": "Strong firmographic and role fit with clear CRM/integration signals.",
  "evidence": [
    "industry: Supply Chain SaaS matches ICP segment",
    "employeeRange: 51-200 aligns with target accounts",
    "title: VP Operations indicates decision influence",
    "technographics.signals: Salesforce and NetSuite integration mentions"
  ],
  "rejectionReasons": []
}

Per rendere operativo il routing Slack, la fase di notifica dovrebbe includere un collegamento stabile al record lead nel tuo sistema locale. Se non disponi di un collegamento CRM, genera un identificatore locale e archivia insieme ad esso il JSON completo del lead, in modo che la notifica sia ancora utilizzabile senza dover ripetere lo scraping.

Comparison Matrix: AI desktop locale rispetto a software cloud di terze parti

Il modo più semplice per spiegare i compromessi è confrontare fianco a fianco i vincoli tecnici e operativi, non le affermazioni di marketing. Di seguito è riportata la visualizzazione tecnica da utilizzare nella propria valutazione.

L'approccio locale costa in anticipo tempo di progettazione, ma viene ripagato ogni mese una volta che il volume dei lead aumenta. Ti offre anche una posizione di privacy difendibile perché il percorso dei dati è trasparente.

Strategic EasyClaw Integration (Soft CTA)

EasyClaw svolge il ruolo che tende a creare colli di bottiglia ai team: scraping affidabile del desktop, estrazione coerente con lo schema e orchestrazione che trasforma gli input web disordinati in record puliti. Con un motore di punteggio LLM locale, EasyClaw diventa il tuo livello di acquisizione dati privato per la gestione dei lead di vendita che rimane all'interno del tuo ambiente.

Scarica EasyClaw Desktop, esegui il tuo primo processo di estrazione e collega il JSON di output al tuo servizio di punteggio Ollama locale. Una volta arrivati ​​i primi avvisi Slack per i lead con punteggio limitato, avrai un ciclo chiuso completo che puoi ottimizzare.

Conclusione e passaggi successivi

Puoi smettere di pagare le tasse sui token e ridurre l'esposizione alla privacy eseguendo il lead scoring a livello locale. Il flusso di lavoro è chiaro: estrazione sul dispositivo con EasyClaw, punteggio con un LLM locale su localhost:11434, applicazione della valutazione oggettiva tramite una richiesta rigorosa, quindi invio solo dei risultati qualificanti a Slack utilizzando i webhook.

Successivamente, rafforza la tua griglia con una valutazione basata sull'evidenza, aggiungi la convalida JSON e registra sia gli input che gli output del modello in modo da poter eseguire l'iterazione in sicurezza. Infine, misura le prestazioni del punteggio di qualificazione dei lead rispetto ai risultati della pipeline e modifica le soglie solo dopo aver compreso il motivo per cui ai lead è stato assegnato il punteggio in quel modo.

Se desideri passare dalla sperimentazione alla gestione ripetibile dei lead di vendita, inizia scaricando EasyClaw Desktop ed eseguendo il tuo primo flusso di lavoro di qualificazione AI locale dall'inizio alla fine.