L'enrichissement de leads ajoute du contexte aux listes de contacts brutes en renseignant la taille de l'entreprise, le secteur, la stack technologique, les actualités récentes et les données de financement. Les services d'enrichissement traditionnels comme Apollo facturent 49 $/utilisateur/mois pour des bases de données préconstruites qui deviennent obsolètes. En utilisant une API de recherche, vous pouvez enrichir des leads avec les données publiques les plus récentes pour 0,005 $ par requête. Ce tutoriel construit un pipeline d'enrichissement Python qui prend un CSV de leads, recherche chaque entreprise et produit un tableur enrichi prêt pour la prospection sortante.
Prérequis
- Python 3.9+ installé
- bibliothèque requests installée
- Une clé API Scavio depuis scavio.dev
- Un fichier CSV avec des noms d'entreprise ou domaines à enrichir
Parcours
Étape 1: Chargez votre liste de leads depuis un CSV
Lisez un CSV contenant au minimum une colonne nom d'entreprise ou domaine. Le script recherchera chaque entreprise et ajoutera des colonnes d'enrichissement.
Python
import csv
def load_leads(csv_path: str) -> list:
with open(csv_path) as f:
reader = csv.DictReader(f)
leads = list(reader)
print(f'Loaded {len(leads)} leads from {csv_path}')
return leads
# Expected CSV format:
# company,domain,contact_name,email
# Acme Corp,acme.com,John Doe,[email protected]
# BetaTech,betatech.io,Jane Smith,[email protected]Étape 2: Construisez la fonction de recherche d'enrichissement
Pour chaque lead, effectuez deux recherches ciblées : une pour l'aperçu de l'entreprise et une pour les actualités récentes. Analysez les extraits SERP pour extraire les points de données clés.
Python
import requests, os
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 enrich_company(company: str, domain: str = '') -> dict:
# Company overview search
overview_query = f'{company} company overview' + (f' site:{domain}' if domain else '')
overview = search(overview_query)
overview_snippet = overview[0].get('snippet', '') if overview else ''
# Recent news search
news = search(f'{company} funding OR hiring OR launch 2026')
recent_news = [r.get('title', '') for r in news[:3]]
return {
'description': overview_snippet[:200],
'website': overview[0].get('link', '') if overview else '',
'recent_news': ' | '.join(recent_news),
'news_count': len(news)
}Étape 3: Extrayez les données structurées des extraits
Analysez les extraits de recherche pour identifier les indicateurs de taille d'entreprise, le secteur et les mentions de stack technologique. Une simple correspondance de mots-clés est efficace pour cela.
Python
import re
def extract_signals(snippets: list) -> dict:
text = ' '.join(snippets).lower()
# Company size signals
size_match = re.search(r'(\d+[,.]?\d*)\+?\s*employees', text)
size = size_match.group(0) if size_match else 'unknown'
# Industry detection
industries = ['saas', 'fintech', 'healthcare', 'ecommerce', 'edtech',
'cybersecurity', 'ai', 'logistics', 'real estate', 'marketing']
detected_industry = next((ind for ind in industries if ind in text), 'unknown')
# Funding signals
funding_match = re.search(r'raised\s+\$([\d.]+[mb])', text)
funding = funding_match.group(0) if funding_match else 'not found'
# Tech stack mentions
techs = ['react', 'python', 'aws', 'azure', 'kubernetes', 'shopify',
'salesforce', 'hubspot', 'stripe', 'twilio']
tech_stack = [t for t in techs if t in text]
return {'size': size, 'industry': detected_industry,
'funding': funding, 'tech_stack': tech_stack}Étape 4: Traitez tous les leads avec limitation de débit
Enrichissez chaque lead avec un délai entre les requêtes. Deux recherches par lead signifient que 200 leads coûtent 2,00 $ au total.
Python
import time
def enrich_all(leads: list) -> list:
enriched = []
for i, lead in enumerate(leads):
company = lead.get('company', '')
domain = lead.get('domain', '')
if not company:
continue
data = enrich_company(company, domain)
# Extract signals from overview snippet
snippets_query = search(f'{company} company')
snippets = [r.get('snippet', '') for r in snippets_query[:5]]
signals = extract_signals(snippets)
enriched_lead = {**lead, **data, **signals}
enriched.append(enriched_lead)
if (i + 1) % 10 == 0:
print(f' Enriched {i + 1}/{len(leads)}')
time.sleep(0.3)
return enriched
leads = load_leads('leads.csv')
enriched = enrich_all(leads)
print(f'Enriched {len(enriched)} leads')Étape 5: Enregistrez les leads enrichis dans un CSV
Écrivez les données enrichies dans un CSV. La sortie inclut toutes les colonnes d'origine plus les nouvelles colonnes d'enrichissement.
Python
def save_enriched(leads: list, output_path: str) -> None:
if not leads:
print('No leads to save')
return
fieldnames = list(leads[0].keys())
with open(output_path, 'w', newline='') as f:
writer = csv.DictWriter(f, fieldnames=fieldnames)
writer.writeheader()
for lead in leads:
# Convert lists to strings for CSV
row = {k: ', '.join(v) if isinstance(v, list) else v
for k, v in lead.items()}
writer.writerow(row)
credits_used = len(leads) * 3 # 3 searches per lead
cost = credits_used * 0.005
print(f'Saved {len(leads)} enriched leads to {output_path}')
print(f'Credits used: {credits_used} (${cost:.2f})')
save_enriched(enriched, 'enriched_leads.csv')Exemple Python
Python
import os, csv, re, time, requests
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 enrich(company, domain=''):
overview = search(f'{company} company overview')
news = search(f'{company} funding OR launch 2026')
return {
'description': overview[0].get('snippet', '')[:150] if overview else '',
'recent_news': news[0].get('title', '') if news else '',
}
def main():
companies = ['Stripe', 'Notion', 'Linear']
for c in companies:
data = enrich(c)
print(f'{c}: {data["description"][:60]}...')
print(f' News: {data["recent_news"][:60]}')
time.sleep(0.3)
print(f'Cost: ${len(companies) * 2 * 0.005:.3f}')
if __name__ == '__main__':
main()Exemple JavaScript
JavaScript
const API_KEY = process.env.SCAVIO_API_KEY;
async function search(query) {
const resp = await fetch('https://api.scavio.dev/api/v1/search', {
method: 'POST',
headers: { 'x-api-key': API_KEY, 'Content-Type': 'application/json' },
body: JSON.stringify({ query, country_code: 'us' })
});
return (await resp.json()).organic_results || [];
}
async function enrich(company) {
const [overview, news] = await Promise.all([
search(`${company} company overview`),
search(`${company} funding OR launch 2026`)
]);
return {
description: overview[0]?.snippet?.slice(0, 150) || '',
news: news[0]?.title || ''
};
}
async function main() {
for (const company of ['Stripe', 'Notion', 'Linear']) {
const data = await enrich(company);
console.log(`${company}: ${data.description.slice(0, 60)}...`);
}
}
main().catch(console.error);Sortie attendue
JSON
Loaded 50 leads from leads.csv
Enriched 10/50
Enriched 20/50
Enriched 30/50
Enriched 40/50
Enriched 50/50
Enriched 50 leads
Saved 50 enriched leads to enriched_leads.csv
Credits used: 150 ($0.75)
Stripe: Stripe is a financial infrastructure platform for businesses...
News: Stripe Raises Series I at $70B Valuation (2026)
Notion: Notion is a connected workspace for docs, wikis, and projects...
News: Notion Launches AI-Powered Project Management