Flow-beskrivelse
Formål og fordele
Oversigt
Arbejdsgangen “Genkend en virksomhedsadresse” er designet til at evaluere e-mailadresser og afgøre, om de tilhører generiske/gratis e-mailudbydere (såsom Gmail, Yahoo, Outlook osv.) eller et tilpasset (typisk virksomheds- eller organisations-) domæne. Dette er en vigtig opgave for leadkvalificering, målretning af virksomheder og filtrering af potentielle kunder eller kontakter baseret på deres e-mailtype.
Sådan fungerer arbejdsgangen
Velkomst og brugerinformation:
Når brugeren åbner chatten, udløser arbejdsgangen automatisk en velkomstbesked. Denne besked introducerer værktøjet og forklarer dets funktion: at skelne mellem generiske e-mailudbydere og tilpassede virksomhedsdomæner.
Brugeren bliver bedt om at indtaste en e-mailadresse til analyse.
Brugerinput:
Brugeren indtaster en e-mailadresse i chat-grænsefladen.
Forberedelse af prompt:
Arbejdsgangen tager brugerens input og indsætter det i en dynamisk prompt-skabelon. Denne skabelon instruerer den underliggende AI-model i at analysere den angivne e-mailadresse og svare med:
TRUE
, hvis e-mailen bruger et tilpasset/virksomhedsdomæne (f.eks. @company.com
)FALSE
, hvis e-mailen bruger en generisk/gratis udbyder (f.eks. @gmail.com
, @yahoo.com
)
Prompten er meget specifik og sikrer, at AI’en kun returnerer et af de to mulige outputs.
AI-drevet evaluering:
Den sammensatte prompt med brugerens e-mail sendes til en Large Language Model (LLM) generator. LLM’en behandler anmodningen ud fra promptens instruktioner.
Visning af resultat:
AI’ens output (TRUE
eller FALSE
) vises i chatten og giver brugeren øjeblikkelig feedback om typen af den angivne e-mailadresse.
Arbejdsgangens struktur
Trin | Komponent | Funktion |
---|
1 | ChatOpenedTrigger | Registrerer, når en bruger åbner chatten og igangsætter arbejdsgangen. |
2 | MessageWidget | Viser en velkomst-/informationsbesked til brugeren. |
3 | ChatInput | Modtager e-mailadresseinput fra brugeren. |
4 | PromptTemplate | Konstruerer en klar og præcis prompt til AI’en, hvor brugerens e-mailadresse indgår. |
5 | Generator (LLM) | Behandler prompten og afgør, om e-mailen er generisk eller fra et tilpasset domæne. |
6 | ChatOutput | Viser LLM’ens svar (TRUE /FALSE ) direkte i chat-grænsefladen for brugeren. |
Hvorfor denne arbejdsgang er nyttig
Leadkvalificering i stor skala:
Skeln nemt mellem personlige og forretnings-/professionelle e-mails til salg, marketing eller onboarding af kunder, hvilket muliggør automatiseret lead scoring og filtrering.
Målrettet outreach og segmentering:
Hjælper med at segmentere brugere eller leads baseret på, om deres e-mail er tilknyttet en virksomhed, hvilket er nyttigt for B2B-kampagner eller adgangskontrol.
Automatisering & konsistens:
Eliminerer manuel kontrol, reducerer menneskelige fejl og sparer tid, især ved behandling af store lister over e-mailadresser.
Øjeblikkelig feedback:
Giver brugere eller teammedlemmer øjeblikkelige resultater, hvilket gør det velegnet til interaktive arbejdsgange eller selvbetjeningsværktøjer.
Eksempler på anvendelse
- Salgsteams: Automatisér identifikationen af værdifulde leads ved at filtrere generiske e-mailadresser fra.
- Marketingteams: Tilpas kampagner til kun at omfatte kontakter tilknyttet virksomheder eller organisationer.
- Customer Success: Verificér hurtigt, om tilmeldinger kommer fra virksomhedsdomæner for adgang til særlige funktioner eller kontotyper.
Resumé
Denne arbejdsgang kombinerer brugerinteraktion, prompt engineering og AI-drevet evaluering for effektivt og pålideligt at bestemme karakteren af en e-mailadresse. Den er især værdifuld for organisationer, der ønsker at automatisere og skalere deres leadkvalificering og brugersegmenteringsprocesser.