El problema
Las secuencias de Outreach.io envían correos electrónicos con plantillas a escala, pero la personalización se limita a campos de CRM como nombre, cargo y empresa. Los correos electrónicos que reciben respuestas hacen referencia a algo específico: el lanzamiento reciente de un producto, una ronda de financiación, una charla en una conferencia. Los SDR dedican entre 5 y 10 minutos a investigar manualmente a cada cliente potencial, lo que limita el volumen diario a entre 30 y 50 correos electrónicos personalizados. A escala, la calidad de la personalización cae a cero.
La solucion de Scavio
Automatice la investigación de prospectos con una búsqueda en Google para cada contacto antes de que se active la secuencia. Extraiga la señal reciente más relevante (financiación, lanzamiento de producto, contratación, mención de prensa) e inyéctela como una variable personalizada en la secuencia de Divulgación. Cada correo electrónico hace referencia a algo real y reciente sin una investigación manual.
Antes
Antes del enriquecimiento de búsqueda automatizado, un equipo de SDR personalizaba manualmente 40 correos electrónicos por día. Cada uno requirió 5 minutos de investigación. Por encima de 40 por día, la personalización se redujo a líneas genéricas "Vi que su empresa hace X". Tasa de respuesta para correos electrónicos investigados manualmente: 4,2%. Tasa de respuesta para plantillas genéricas: 1,1%.
Después
Después de agregar el enriquecimiento de búsqueda de Scavio, cada cliente potencial obtiene automáticamente un fragmento de personalización generado por la búsqueda. Los SDR procesan más de 200 correos electrónicos por día con referencias específicas y oportunas. La tasa de respuesta se estabilizó en el 3,8% en todo el volumen. 200 búsquedas por día a $1,00 en total, más barato que el tiempo SDR que antes se dedicaba a la investigación manual.
Para quien es
Equipos de SDR, agencias salientes y líderes de ventas que utilizan Outreach.io y desean ampliar el alcance personalizado más allá de los límites de la investigación manual.
Beneficios clave
- La investigación automatizada de prospectos reemplaza 5 minutos de búsqueda manual en Google por prospecto
- Más de 200 correos electrónicos personalizados por día por DEG
- La tasa de respuesta se mantiene en el 3,8 % con un volumen 5 veces mayor
- 200 búsquedas/día por 1 dólar frente a horas de investigación manual
- Las variables personalizadas se inyectan directamente en las secuencias de Outreach.io
Ejemplo en Python
import requests, os
H = {'x-api-key': os.environ['SCAVIO_API_KEY']}
def research_prospect(name: str, company: str) -> dict:
query = f'{name} {company} 2026'
r = requests.post('https://api.scavio.dev/api/v1/search', headers=H,
json={'platform': 'google', 'query': query}, timeout=10).json()
organic = r.get('organic', [])[:5]
signals = []
signal_keywords = ['funding', 'raised', 'launched', 'announced', 'hired', 'conference', 'spoke']
for o in organic:
snippet = o.get('snippet', '').lower()
if any(kw in snippet for kw in signal_keywords):
signals.append(o['snippet'][:120])
return {
'name': name, 'company': company,
'best_signal': signals[0] if signals else organic[0].get('snippet', '')[:120] if organic else '',
'signal_count': len(signals),
}
prospects = [('Sarah Chen', 'DataFlow'), ('Mike Torres', 'CloudBase')]
for name, company in prospects:
r = research_prospect(name, company)
print(f'{name} @ {company}: {r["best_signal"]}')Ejemplo en JavaScript
const H = { 'x-api-key': process.env.SCAVIO_API_KEY, 'Content-Type': 'application/json' };
async function researchProspect(name, company) {
const r = await fetch('https://api.scavio.dev/api/v1/search', {
method: 'POST', headers: H,
body: JSON.stringify({ platform: 'google', query: `${name} ${company} 2026` })
}).then(r => r.json());
const organic = (r.organic || []).slice(0, 5);
const signalKw = ['funding', 'raised', 'launched', 'announced', 'hired'];
const signals = organic.filter(o =>
signalKw.some(kw => (o.snippet || '').toLowerCase().includes(kw)));
return {
name, company,
bestSignal: signals[0]?.snippet?.slice(0, 120) || organic[0]?.snippet?.slice(0, 120) || '',
signalCount: signals.length,
};
}
const r = await researchProspect('Sarah Chen', 'DataFlow');
console.log(`${r.name} @ ${r.company}: ${r.bestSignal}`);Plataformas utilizadas
Búsqueda web con grafo de conocimiento, PAA y resúmenes de IA