Sei milioni di aziende, un milione di siti: anatomia di un data enrichment su scala nazionale
Da un'anagrafe di sei milioni di aziende italiane al sito giusto per un milione di loro — con telefoni, email, WhatsApp e profili social estratti in un run di dieci giorni. Il caso reale, e le tre domande difficili che un lavoro così deve risolvere.
L'anagrafe camerale delle aziende italiane dice chi sono e dove hanno sede. Non dice come contattarle davvero: il sito, i telefoni che rispondono, le email operative, i profili social. Per un committente serviva colmare esattamente quel vuoto — non su un campione, ma su sei milioni di aziende.
I numeri, subito
- 6.000.000di aziende italiane in ingresso, dall'anagrafe camerale.
- 1.000.000di siti web aziendali identificati e collegati all'azienda giusta.
- 10 giorniper il run completo, dall'inizio alla fine.
- Estratti per ogni sito: telefoni, indirizzi email, indirizzi fisici, contatti WhatsApp, profili social (LinkedIn e altri).
Le tre domande difficili
Il valore di un lavoro così non sta nello "scaricare pagine" — sta nelle tre domande a cui un sistema del genere deve rispondere bene, milioni di volte di fila.
1. Qual è il sito giusto?
Una ragione sociale non è un dominio. Omonimie, directory che si spacciano per il sito dell'azienda, rivenditori che compaiono prima del produttore: collegare l'azienda al suo sito è il problema più sottovalutato di tutto il data enrichment — e sbagliarlo significa attribuire i contatti di qualcun altro. Un milione di collegamenti è il numero di volte in cui questa domanda ha avuto una risposta.
2. Come si estrae da un milione di siti diversi?
Non esiste un template: ogni sito mette i contatti dove vuole — nel footer, in una pagina contatti, dentro un'immagine, in un link WhatsApp. L'estrazione deve riconoscere il dato per quello che è, non per dove sta: un numero di telefono, un'email, un profilo LinkedIn valgono solo se il sistema li identifica in mezzo a tutto il resto.
3. Come si regge per dieci giorni?
Un run a scala nazionale non è uno script lanciato e sperato: è un processo che deve sopravvivere a siti irraggiungibili, pagine rotte e interruzioni, e riprendere da dove stava invece di ripartire da zero. È la differenza — la stessa che racconto per le automazioni su documenti e dati — tra uno script una tantum e un sistema.
Cosa se ne fa un'azienda normale
Sei milioni è la scala di quel committente. La struttura però è la stessa a qualsiasi scala: una lista di aziende — i vostri prospect, il vostro settore, la vostra provincia — che oggi ha solo ragioni sociali, e domani ha siti, telefoni, email e profili verificati. Se il vostro CRM è pieno di anagrafiche mute, questo è il lavoro che le fa parlare.
Domande frequenti
Da dove venivano i dati?
Da fonti pubbliche: l'anagrafe camerale delle aziende come punto di partenza, e i siti web pubblici delle aziende stesse come fonte dei contatti. Il lavoro non è stato trovare dati segreti — è stato collegare correttamente, a scala nazionale, due cose pubbliche che non si parlano.
Si può fare sul nostro settore, o su una lista più piccola?
Sì, ed è il caso più frequente: una lista di qualche migliaio di aziende — un settore, una provincia, i clienti di un gestionale — si arricchisce con la stessa struttura e tempi molto più corti. La scala cambia i numeri, non il metodo.
I contatti estratti erano affidabili?
Un'estrazione a questa scala produce sempre rumore: numeri di fax morti, email generiche, pagine social abbandonate. Per questo l'estrazione è solo metà del lavoro — l'altra metà è normalizzare e ripulire, perché un dato sbagliato in un CRM costa più di un dato mancante. È lo stesso principio degli altri casi: l'output si verifica, non si spera.
Quanto costa un lavoro così?
Dipende dalla scala e da cosa va estratto. L'ordine di grandezza si definisce in una call dopo aver visto la lista di partenza e un campione di quello che serve — mezz'ora, e la prima cosa che vi dico è se il gioco vale la candela.