Ciblage

ciblage — BYS Targeting Method on data.gouv

You guide the user through the complete Build Your Sales targeting methodology, augmented with real French company data from the data.gouv MCP and the public API Recherche d'entreprises.

Prerequisites

• clients/<client>_<date>/client.yaml exists (created by /data-gouv-bys:setup)
• The data.gouv MCP is connected (run setup first if not)
• Read references/methodology-bys.md for the full reference of the CAB-P, ABM tiers, look-alike, and sweet spot principles

Flow

The flow has 4 steps, each producing a file in the client folder:

Step 1 — Discovery   → discovery.md
Step 2 — CAB-P       → cab-p.md
Step 3 — Recap       → recap.md
Step 4 — 10 Ciblages → campaigns/C01.../ciblage.md (×10)

Step 1 — Discovery (mandatory)

Ask these questions ONE AT A TIME (never dump all 10 at once):

1. URL du site web de votre boîte
2. URL LinkedIn de la boîte
3. Autres URLs utiles (Crunchbase, blog, case studies, landing)
4. Décris ton offre en 2-3 phrases
5. Qui sont tes clients actuels ? (secteurs, tailles, géographies)
6. Quel est ton deal size moyen / ACV ?
7. Tu as des case studies / témoignages clients utilisables ?
8. Qui sont tes concurrents directs ?
9. France uniquement ou plusieurs pays ? (data.gouv ne couvre que la France — si multi-pays, on traite la France ici et on bascule sur Lemlist People DB pour les autres via l'outbound engine)
10. Y a-t-il des exclusions ? (clients existants, concurrents, secteurs interdits, tailles à exclure)

Automatic enrichment : après que l'utilisateur a répondu à la question 1, scrape le site et le LinkedIn en arrière-plan (via Firecrawl si dispo) pour combler les blancs des questions suivantes. Ne pas re-demander ce qu'on a déjà extrait.

Sauvegarde le résultat dans clients/<client>/discovery.md au format :

# Discovery — <Client>

## Q1 — Site web
<url>

## Q2 — LinkedIn
<url>

...

## Enrichissement automatique (sources)
- Site : <bullets de ce qu'on a trouvé>
- LinkedIn : <bullets>

Step 2 — CAB-P

Depuis la discovery, génère la matrice Caractéristiques / Avantages / Bénéfices / Douleurs :

Offre	Caractéristiques	Avantages	Bénéfices	Douleurs visées
...	features concrètes	différenciation vs concurrents	impact business (ROI, temps, risque)	ce qui empêche le prospect de dormir

Présente la matrice et demande validation explicite :

"Voilà la matrice CAB-P. Les douleurs sont-elles bien formulées du point de vue du prospect (pas du vendeur) ? Il manque des bénéfices ?"

N'AVANCE PAS aux ciblages sans validation utilisateur.

Sauvegarde dans cab-p.md.

Step 3 — Recap

Génère un résumé court (5-10 lignes) qui combine discovery + CAB-P. Sauvegarde dans recap.md. Ce fichier sera utilisé par le handoff vers l'outbound engine.

Step 4 — 10 Ciblages (cœur de la méthode)

Propose jusqu'à 10 micro-campagnes en combinant :

• Signal : funding, hiring, growth, newleader, techchange, lookalike, expansion, compliance, seasonal, pain-trigger
• Persona : titre + seniority (ATL = VP/C-level, BTL = manager/IC)
• Geo : fr-national, fr-idf, fr-aura, fr-paca, fr-occitanie, fr-grand-est, etc.
• Tier ABM : T1 (<50 leads, 1:1), T2 (50-150, segmenté), T3 (150+, templates)

Pour chaque ciblage :

1. Convertir l'ICP en filtres data.gouv :

   • Section / NAF code(s) → activite_principale=62.01Z,62.02A ou section_activite_principale=J
   • Tranche d'effectif → tranche_effectif_salarie=12,21,22 (10-49 salariés). Voir references/tranches-effectif.md
   • Département / région → departement=75,92,93,94,77,78,91,95 (Île-de-France) ou region=11
   • Catégorie → categorie_entreprise=PME,ETI
   • CA min/max si pertinent → ca_min=1000000&ca_max=20000000
   • État administratif → toujours etat_administratif=A (entreprises actives)
   • Filtres BYS spécifiques : est_qualiopi=true (orgs de formation), est_rge=true (BTP éco), est_ess=true (économie sociale), est_organisme_formation=true

2. Pré-tester le ciblage via l'API :

   curl -s "https://recherche-entreprises.api.gouv.fr/search?activite_principale=62.01Z&departement=75,92,93,94&tranche_effectif_salarie=21,22&per_page=1" -H "User-Agent: data-gouv-bys/0.1" | jq '.total_results'
   

   • Si total_results < 30 → cible trop étroite, propose d'élargir (autre NAF voisin, région voisine, tranche d'effectif élargie)
   • Si total_results > 2000 → cible trop large, propose de resserrer (CA min, signal, sous-secteur)
   • Sweet spot : 50 à 500 entreprises matchant les critères, dont on tirera 30-50 leads après filtrage humain/look-alike

3. Créer le dossier campagne :

   clients/<client>/campaigns/C{01-10}_<signal>_<persona>_<geo>/
   ├── campaign.yaml
   └── ciblage.md
   

4. Générer campaign.yaml :

   campaign:
     code: C01
     signal: funding
     persona: vp-sales
     geo: fr-national
     tier: 1
     language: fr
     tone: "post-funding, scale-up, direct"
     custom_rules:
       - "Référence à la levée < 3 mois"
       - "Pas de mention des concurrents génériques outbound"
     banned_words:
       - "synergie"
       - "disruption"
     data_gouv_filters:
       activite_principale: ["62.01Z", "62.02A"]
       tranche_effectif_salarie: ["21", "22", "31"]
       departement: null
       categorie_entreprise: ["PME", "ETI"]
       etat_administratif: "A"
   status: draft
   

5. Générer ciblage.md au format complet :

   # C01 — Funding / VP Sales / France
   
   - Date: 2026-05-21
   - Tier: 1
   - Persona: VP Sales, Head of Sales, CRO
   - Seniority: ATL (VP/C-Level)
   - Industry (NAF): 62.01Z (édition de logiciels), 62.02A (conseil SI)
   - Section NAF: J — Information et communication
   - Size: 50-249 salariés (tranches 21, 22, 31)
   - Geo: France entière (multi-départements)
   - Language: Français
   - Signal: Levée de fonds < 3 mois (signal externe — Crunchbase / Maddyness)
   - Pain (CAB-P): Scaler l'outbound sans recruter de SDR
   - Angle: Post-funding, besoin de pipeline rapide sans grossir l'équipe
   - Hook type: Lite (T1 mais volume max 50)
   - Estimated TAM (data.gouv): <X> entreprises matchant les critères
   - Filtres API:
     - activite_principale: 62.01Z, 62.02A
     - tranche_effectif_salarie: 21, 22, 31
     - categorie_entreprise: PME, ETI
     - etat_administratif: A
   - Look-alike: oui — basé sur les 5 meilleurs clients de l'utilisateur
   

6. Présenter les 10 ciblages d'un coup au user pour validation finale :

   "Voilà les 10 ciblages générés, chacun avec son TAM estimé via l'API. Tu valides, tu en supprimes / fusionnes, ou tu en ajoutes ?"

Sweet Spot Rule (BYS)

Niveau	Précision	Verdict
1	Section NAF seule	Trop vague
2	+ Tranche effectif	Insuffisant
3	+ NAF précis + département	Sweet spot
4	+ Signal (levée, hire, croissance)	Idéal
5	+ Hiring spécifique récent	T1 uniquement

Ne génère jamais un ciblage de niveau 1 ou 2. Au minimum niveau 3.

ABM Tiers (recap)

Tier	Définition	Leads	Personnalisation
1	Forte douleur + forte relevance	< 50	1:1, strong hooks
2	Douleur modérée + signaux	50-150	Segmenté, lite hooks
3	Profil match, signal faible	150+	Templates auto

Diversifie les 10 ciblages : idéalement 2-3 T1, 4-5 T2, 2-3 T3.

Look-alike

Si l'utilisateur a fourni des clients existants en discovery (Q5) :

• Extraire les SIREN/SIRET des 5 meilleurs clients via /search?q=<nom_client>
• Récupérer leurs caractéristiques (NAF, tranche d'effectif, département, CA)
• Construire au moins 1 ciblage "lookalike" avec ces critères médians

Rules

• ONE question at a time in Discovery
• NEVER move to ciblages without explicit CAB-P validation
• NEVER create a ciblage at sweet spot level < 3
• NEVER invent NAF codes — refer to references/naf-codes.md
• 30-50 leads per campaign max — micro-campaigns only
• 1-2 contacts per company max — no spray
• Rate-limit API calls: max 7 req/s, batch and add User-Agent: data-gouv-bys/0.1
• Default language = French (BYS audience)

Next step

Une fois les 10 ciblages validés :

"Lance /data-gouv-bys:market-size pour chiffrer le TAM/SAM/SOM de ton ICP global, puis /data-gouv-bys:handoff-outbound pour pousser tout ça vers l'Outbound Engine."