Un pipeline de prospection commerciale automatise le processus de recherche de clients potentiels, de qualification basée sur des signaux tels que la taille de l'entreprise et la stack technologique, et d'enrichissement de leurs profils pour la prospection. Les outils de prospection traditionnels comme Apollo (49 $/utilisateur/mois) ou ZoomInfo fournissent des bases de données pré-construites, mais ils sont coûteux et souvent obsolètes. En utilisant une API de recherche, vous pouvez construire un pipeline de prospection en temps réel qui trouve des leads frais en recherchant des signaux d'achat. Ce tutoriel construit le pipeline complet à 0,005 $ par recherche via Scavio.
Prérequis
- Python 3.9+ installé
- bibliothèque requests installée
- Une clé API Scavio depuis scavio.dev
- Un profil client cible (secteur d'activité, taille, stack technologique)
Parcours
Étape 1: Définissez les recherches de votre profil client idéal
Créez des requêtes de recherche qui ciblent les entreprises correspondant à votre ICP. Utilisez des signaux d'achat comme les offres d'emploi, les mentions technologiques et les annonces de financement.
Python
ICP_SEARCHES = [
# Companies hiring for roles that signal they need your product
'"hiring" AND "head of marketing" AND "series A" 2026',
# Companies using competitor products (potential switchers)
'"switching from HubSpot" OR "HubSpot alternative" 2026',
# Companies in target verticals with growth signals
'SaaS startup raised funding 2026 marketing automation',
# Job boards as lead source
'site:linkedin.com/jobs marketing director saas startup',
]
for i, q in enumerate(ICP_SEARCHES, 1):
print(f'{i}. {q}')Étape 2: Recherchez et extrayez les entreprises prospects
Exécutez chaque recherche ICP et extrayez les noms d'entreprise et les URL des résultats. Dédupliquez entre les recherches.
Python
import requests, os, re
API_KEY = os.environ['SCAVIO_API_KEY']
def search(query: str) -> list:
resp = requests.post('https://api.scavio.dev/api/v1/search',
headers={'x-api-key': API_KEY, 'Content-Type': 'application/json'},
json={'query': query, 'country_code': 'us'})
return resp.json().get('organic_results', [])
def extract_prospects(queries: list) -> list:
seen_domains = set()
prospects = []
for query in queries:
results = search(query)
for r in results:
from urllib.parse import urlparse
domain = urlparse(r.get('link', '')).netloc.replace('www.', '')
if domain and domain not in seen_domains:
seen_domains.add(domain)
prospects.append({
'domain': domain,
'title': r['title'],
'snippet': r.get('snippet', ''),
'source_query': query[:50]
})
return prospects
prospects = extract_prospects(ICP_SEARCHES)
print(f'Found {len(prospects)} unique prospects')Étape 3: Qualifiez les prospects avec un score
Attribuez un score à chaque prospect en fonction des signaux trouvés dans leurs extraits de recherche. Des scores plus élevés indiquent une meilleure adéquation avec votre ICP.
Python
SCORING_RULES = {
'series a': 10, 'series b': 15, 'raised': 10,
'hiring': 8, 'growing': 5, 'saas': 5,
'marketing': 5, 'automation': 5, 'startup': 3,
'2026': 3, 'remote': 2
}
def score_prospect(prospect: dict) -> int:
text = f'{prospect["title"]} {prospect["snippet"]}'.lower()
score = sum(points for keyword, points in SCORING_RULES.items() if keyword in text)
return score
def qualify_prospects(prospects: list, min_score: int = 10) -> list:
scored = []
for p in prospects:
p['score'] = score_prospect(p)
scored.append(p)
qualified = sorted([p for p in scored if p['score'] >= min_score],
key=lambda x: x['score'], reverse=True)
print(f'Qualified: {len(qualified)}/{len(prospects)} (score >= {min_score})')
return qualified
qualified = qualify_prospects(prospects)
for p in qualified[:5]:
print(f' [{p["score"]}] {p["domain"]}: {p["title"][:50]}')Étape 4: Enrichissez les prospects qualifiés
Pour les prospects qualifiés uniquement, effectuez des recherches supplémentaires pour trouver les pages de contact, les pages d'équipe et les profils sociaux. Cet enrichissement ciblé permet de maintenir les coûts bas.
Python
import time
def enrich_prospect(prospect: dict) -> dict:
domain = prospect['domain']
# Find contact/team page
contact_results = search(f'site:{domain} contact OR team OR about')
contact_urls = [r['link'] for r in contact_results[:3]]
# Find social profiles
social_results = search(f'{domain} linkedin OR twitter company')
social_links = [r['link'] for r in social_results
if 'linkedin.com' in r.get('link', '') or 'twitter.com' in r.get('link', '')]
prospect['contact_pages'] = contact_urls
prospect['social_profiles'] = social_links[:3]
return prospect
def enrich_batch(prospects: list) -> list:
enriched = []
for i, p in enumerate(prospects):
enriched.append(enrich_prospect(p))
if (i + 1) % 5 == 0:
print(f' Enriched {i + 1}/{len(prospects)}')
time.sleep(0.3)
return enriched
enriched = enrich_batch(qualified[:20]) # top 20 only
print(f'Enriched {len(enriched)} prospects')Étape 5: Exportez la sortie du pipeline
Enregistrez les prospects qualifiés et enrichis dans un fichier CSV trié par score. Incluez le suivi des coûts pour connaître le ROI de chaque campagne de prospection.
Python
import csv
def export_prospects(prospects: list, output: str = 'prospects.csv') -> None:
if not prospects:
return
fields = ['score', 'domain', 'title', 'snippet', 'contact_pages', 'social_profiles']
with open(output, 'w', newline='') as f:
writer = csv.DictWriter(f, fieldnames=fields, extrasaction='ignore')
writer.writeheader()
for p in prospects:
row = {**p}
row['contact_pages'] = ' | '.join(p.get('contact_pages', []))
row['social_profiles'] = ' | '.join(p.get('social_profiles', []))
writer.writerow(row)
# Cost calculation:
# ICP searches: 4 queries = $0.02
# Enrichment: 20 prospects x 2 searches = $0.20
total_cost = (len(ICP_SEARCHES) + len(prospects) * 2) * 0.005
print(f'Saved {len(prospects)} prospects to {output}')
print(f'Pipeline cost: ${total_cost:.2f}')
print(f'Cost per qualified lead: ${total_cost / max(len(prospects), 1):.3f}')
export_prospects(enriched)Exemple Python
Python
import os, requests, time
API_KEY = os.environ['SCAVIO_API_KEY']
def search(query):
resp = requests.post('https://api.scavio.dev/api/v1/search',
headers={'x-api-key': API_KEY, 'Content-Type': 'application/json'},
json={'query': query, 'country_code': 'us'})
return resp.json().get('organic_results', [])
def prospect(queries):
prospects = []
for q in queries:
for r in search(q):
prospects.append({'title': r['title'], 'url': r['link'], 'snippet': r.get('snippet', '')})
time.sleep(0.3)
return prospects
queries = ['SaaS startup hiring marketing 2026', 'series A marketing automation']
results = prospect(queries)
print(f'Found {len(results)} prospects at ${len(queries) * 0.005:.3f}')
for r in results[:5]:
print(f' {r["title"][:60]}')Exemple JavaScript
JavaScript
const API_KEY = process.env.SCAVIO_API_KEY;
async function search(query) {
const resp = await fetch('https://api.scavio.dev/api/v1/search', {
method: 'POST',
headers: { 'x-api-key': API_KEY, 'Content-Type': 'application/json' },
body: JSON.stringify({ query, country_code: 'us' })
});
return (await resp.json()).organic_results || [];
}
async function main() {
const queries = ['SaaS startup hiring marketing 2026', 'series A marketing automation'];
const prospects = [];
for (const q of queries) {
const results = await search(q);
results.forEach(r => prospects.push({ title: r.title, url: r.link }));
}
console.log(`Found ${prospects.length} prospects`);
prospects.slice(0, 5).forEach(p => console.log(` ${p.title.slice(0, 60)}`));
}
main().catch(console.error);Sortie attendue
JSON
Found 38 unique prospects
Qualified: 15/38 (score >= 10)
[25] acmesaas.com: Acme SaaS Raises $12M Series A for Marketing...
[20] growthco.io: GrowthCo Hiring Head of Marketing, Series B...
[18] betastart.com: BetaStart Switches from HubSpot to...
Enriched 5/15
Enriched 10/15
Enriched 15/15
Saved 15 prospects to prospects.csv
Pipeline cost: $0.17
Cost per qualified lead: $0.011