From data-gouv-bys
Run the full BYS targeting methodology on the French market — Discovery (10 questions), CAB-P matrix, 10 ciblages (signal × persona × geo) backed by real French companies fetched via the data.gouv MCP and the API Recherche d'entreprises. Use after /data-gouv-bys:setup to produce the strategic brief and lead lists.
How this skill is triggered — by the user, by Claude, or both
Slash command
/data-gouv-bys:ciblageThe summary Claude sees in its skill listing — used to decide when to auto-load this skill
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.
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.
clients/<client>_<date>/client.yaml exists (created by /data-gouv-bys:setup)setup first if not)references/methodology-bys.md for the full reference of the CAB-P, ABM tiers, look-alike, and sweet spot principlesThe 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)
Ask these questions ONE AT A TIME (never dump all 10 at once):
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>
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.
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.
Propose jusqu'à 10 micro-campagnes en combinant :
funding, hiring, growth, newleader, techchange, lookalike, expansion, compliance, seasonal, pain-triggerfr-national, fr-idf, fr-aura, fr-paca, fr-occitanie, fr-grand-est, etc.Convertir l'ICP en filtres data.gouv :
activite_principale=62.01Z,62.02A ou section_activite_principale=Jtranche_effectif_salarie=12,21,22 (10-49 salariés). Voir references/tranches-effectif.mddepartement=75,92,93,94,77,78,91,95 (Île-de-France) ou region=11categorie_entreprise=PME,ETIca_min=1000000&ca_max=20000000etat_administratif=A (entreprises actives)est_qualiopi=true (orgs de formation), est_rge=true (BTP éco), est_ess=true (économie sociale), est_organisme_formation=truePré-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'
total_results < 30 → cible trop étroite, propose d'élargir (autre NAF voisin, région voisine, tranche d'effectif élargie)total_results > 2000 → cible trop large, propose de resserrer (CA min, signal, sous-secteur)Créer le dossier campagne :
clients/<client>/campaigns/C{01-10}_<signal>_<persona>_<geo>/
├── campaign.yaml
└── ciblage.md
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
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
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 ?"
| 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.
| 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.
Si l'utilisateur a fourni des clients existants en discovery (Q5) :
/search?q=<nom_client>references/naf-codes.mdUser-Agent: data-gouv-bys/0.1Une fois les 10 ciblages validés :
"Lance
/data-gouv-bys:market-sizepour chiffrer le TAM/SAM/SOM de ton ICP global, puis/data-gouv-bys:handoff-outboundpour pousser tout ça vers l'Outbound Engine."
npx claudepluginhub build-your-sales/data_gouv_mcp_bys --plugin data-gouv-bysProvides UI/UX resources: 50+ styles, color palettes, font pairings, guidelines, charts for web/mobile across React, Next.js, Vue, Svelte, Tailwind, React Native, Flutter. Aids planning, building, reviewing interfaces.
Searches MemPalace before answering questions about past work, people, projects, or prior decisions. Returns verbatim stored content instead of guessing from model memory.