Cartographie des Douleurs Acheteur à partir d'Offres d'Emploi LinkedIn
Prenez des offres d'emploi LinkedIn. Décodez-les en une cartographie structurée des douleurs acheteur avec scores, douleurs et angles de prospection.
Règle critique : Chaque douleur inférée doit citer un langage spécifique de la description de poste qui la soutient. N'hallucinez jamais de douleurs qui ne sont pas fondées sur le texte. Si une offre est trop générique pour inférer une douleur, dites-le explicitement et attribuez un score de force de signal faible.
Règle éthique : N'inférez pas d'attributs personnels ou de caractéristiques protégées concernant les candidats. Concentrez-vous strictement sur la douleur opérationnelle au niveau de l'entreprise et les besoins organisationnels.
Étape 1 : Vérification de la Configuration
Confirmez les variables d'environnement requises :
echo "GEMINI_API_KEY: ${GEMINI_API_KEY:+défini}"
Si GEMINI_API_KEY est manquante : Arrêtez. Dites à l'utilisateur : "GEMINI_API_KEY est requise. Obtenez-la sur aistudio.google.com. Ajoutez-la à votre fichier .env."
Étape 2 : Collecte des Entrées
La compétence nécessite 3 entrées obligatoires. Collectez-les avant de continuer.
2a : Présentation du Produit
Demandez : "Décrivez votre produit en 2 à 5 phrases. Que faites-vous, quelle est votre proposition de valeur principale, et qui ciblez-vous ?"
Si l'utilisateur l'a déjà inclus dans son prompt : Extrayez-le. Confirmez : "Présentation du produit capturée : [résumé]."
2b : Description ICP
Demandez : "Décrivez votre profil client idéal en 2 à 6 puces : secteurs, tailles d'entreprise, rôles auxquels vous vendez, indices sur la stack technique."
Si l'utilisateur l'a déjà inclus dans son prompt : Extrayez-le. Confirmez : "ICP capturé : [résumé]."
2c : Offres d'Emploi
Demandez : "Collez les descriptions de poste que vous souhaitez analyser. Pour chaque offre, incluez le nom de l'entreprise, l'intitulé du poste et le texte complet de la description. Vous pouvez coller de 1 à 15 offres."
Formats acceptés :
- Texte brut collé avec le nom de l'entreprise et l'intitulé du poste clairement indiqués
- Objets JSON structurés avec les champs :
company_name,job_title,location(optionnel),seniority(optionnel),team_or_function(optionnel),job_description_text,job_url(optionnel) - Plusieurs offres séparées par des délimiteurs clairs (--- ou numérotés)
Si un champ est manquant : Inférez ce que vous pouvez à partir du texte de la description. Si company_name ou job_description_text est manquant, demandez-le avant de continuer.
2d : Entrées Optionnelles
Si l'utilisateur fournit l'un de ces éléments, capturez-les :
account_notes: contexte supplémentaire par entreprise (financement, stack technique, outils connus, contacts)focus_dimension: "pipeline" (biais vers le scoring et la priorisation), "positioning" (biais vers les angles de message), ou "both" (par défaut)
Étape 3 : Extraction des Signaux
Pour chaque offre d'emploi, analysez et extrayez :
- Équipe / fonction : À quelle équipe ce poste appartient-il ? (GTM, Produit, Infra, Données, RevOps, CS, Ingénierie, etc.)
- Séniorité : IC, Senior IC, Manager, Directeur, VP, C-level
- Accent sur les responsabilités : Classez le mode dominant :
- Lutte contre les incendies : "stabiliser", "réparer", "réduire les temps d'arrêt", "débloquer"
- Construction nouvelle : "construire à partir de zéro", "0→1", "greenfield", "concevoir et mettre en œuvre"
- Optimisation : "mettre à l'échelle", "optimiser", "améliorer l'efficacité", "automatiser"
- Remplacement : "remplacer l'héritage", "migrer de", "moderniser"
- Langage des exigences : Notez les mots-clés qui signalent l'intention : "première embauche X", "rôle critique", "immédiat", "doit avoir"
- Indices d'outils / stack : Toutes références à des outils, plateformes ou catégories technologiques spécifiques qui recoupent le domaine du produit de l'utilisateur
Regroupez par entreprise. Si plusieurs offres proviennent de la même entreprise, regroupez leurs signaux ensemble.
Indiquez : "Signaux extraits de X offres dans Y entreprises."
Étape 4 : Scorer avec le LLM
Lisez references/scoring-rubric.md pour le modèle de scoring complet.
Construisez la requête LLM :
cat > /tmp/pain-map-score-request.json << 'ENDJSON'
{
"system_instruction": {
"parts": [{
"text": "Vous êtes un analyste GTM spécialisé dans le décodage des signaux de recrutement en intention d'achat. Pour chaque compte fourni, vous noterez trois dimensions et inférerez le contexte de l'entreprise. Règles : (1) Chaque score doit inclure une explication en une phrase en texte brut. (2) signal_strength mesure le nombre et la spécificité des signaux de recrutement par rapport au domaine produit de l'utilisateur. (3) urgency mesure l'urgence temporelle apparente du besoin de recrutement. (4) icp_fit mesure à quel point l'entreprise correspond à la description ICP de l'utilisateur. (5) Chaque score est de 1 à 10. (6) overall_score = round((0.4 * signal_strength + 0.3 * urgency + 0.3 * icp_fit) * 10). (7) Inférez buy_vs_build à partir du langage de l'offre. Utilisez EXACTEMENT un de ces labels : 'Leaning build', 'Leaning buy', 'Hybrid (buy-and-build)', 'Unknown'. (8) Inférez stage_guess à partir des indices sur l'entreprise : stade de financement, nombre d'employés, type d'entreprise. (9) Sortez uniquement du JSON valide."
}]
},
"contents": [{
"parts": [{
"text": "SCORING_CONTEXT_HERE"
}]
}],
"generationConfig": {
"temperature": 0.2,
"maxOutputTokens": 4096
}
}
ENDJSON
curl -s -X POST \
"https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash:generateContent?key=$GEMINI_API_KEY" \
-H "Content-Type: application/json" \
-d @/tmp/pain-map-score-request.json \
| python3 -c "import sys,json; d=json.load(sys.stdin); print(d['candidates'][0]['content']['parts'][0]['text'])"
Remplacez SCORING_CONTEXT_HERE par :
- La présentation du produit et la description ICP de l'Étape 2
- Les signaux extraits par entreprise de l'Étape 3
- Les règles de la grille de scoring de
references/scoring-rubric.md - Instructions pour sortir du JSON avec :
company_name,headline,overall_score,score_breakdown(signal_strength, urgency, icp_fit — chacun avec score et explication),stage_guess,buy_vs_build_guess
Étape 5 : Construction de la Cartographie des Douleurs
Pour chaque compte, utilisez les signaux extraits et le contexte de scoring LLM pour construire la cartographie des douleurs acheteur.
cat > /tmp/pain-map-analysis-request.json << 'ENDJSON'
{
"system_instruction": {
"parts": [{
"text": "Vous êtes un analyste des douleurs B2B qui lit les descriptions de poste et identifie les douleurs opérationnelles qu'une entreprise rencontre. Règles : (1) Chaque douleur doit avoir un court libellé, une description de 1 à 3 phrases, et des phrases spécifiques citées du poste comme preuve à l'appui. (2) Classez les douleurs comme primaires (directement pertinentes pour le produit de l'utilisateur) ou secondaires (douleur réelle mais tangentielle au produit). (3) Si une offre est trop générique pour inférer une douleur spécifique, dites-le explicitement — n'hallucinez pas. (4) Pour chaque compte, générez également 1 à 3 angles de prospection recommandés. Chaque angle comprend : angle_name (court), narrative (1 à 2 phrases sur comment mener), et talk_track_bullets (2 à 4 points de discussion concrets). (5) Les angles de prospection doivent faire référence à des douleurs et des preuves spécifiques, pas à des propositions de valeur génériques. Pas de mots interdits : synergie, levier, innovant, de pointe, meilleur de sa catégorie, de classe mondiale, révolutionnaire, disruptif, sans couture, robuste, complet, révolutionner, transformer, rationaliser. (6) Sortez uniquement du JSON valide."
}]
},
"contents": [{
"parts": [{
"text": "ANALYSIS_CONTEXT_HERE"
}]
}],
"generationConfig": {
"temperature": 0.4,
"maxOutputTokens": 8192
}
}
ENDJSON
curl -s -X POST \
"https://generativelanguage.googleapis.com/v1beta/models/gemini-2.0-flash:generateContent?key=$GEMINI_API_KEY" \
-H "Content-Type: application/json" \
-d @/tmp/pain-map-analysis-request.json \
| python3 -c "import sys,json; d=json.load(sys.stdin); print(d['candidates'][0]['content']['parts'][0]['text'])"
Remplacez ANALYSIS_CONTEXT_HERE par :
- La présentation du produit et la description ICP
- Les offres d'emploi de chaque entreprise (texte intégral)
- Les scores et le contexte de l'Étape 4
- Les notes de compte si fournies
- La préférence focus_dimension (pipeline / positioning / both)
- Instructions pour sortir par compte :
buyer_pain_map(primary_pains, secondary_pains) etrecommended_outreach_angles
Lisez references/examples.md pour calibrer la qualité et la profondeur attendues de la sortie.
Étape 6 : Construction de l'Objet de Transmission
Pour chaque compte, générez un bloc de transmission structuré que outreach-sequence-builder peut consommer directement :
handoff:
for_outreach_sequence_builder:
account_summary: Résumé en 2-3 phrases de la situation de l'entreprise et du contexte de recrutement
key_pain: La douleur la plus actionnable en une phrase
suggested_personas: 2-4 intitulés de poste des personnes les plus susceptibles de posséder cette douleur
tone: Une phrase décrivant le ton de prospection recommandé
La transmission doit être suffisamment concrète pour que quelqu'un puisse la coller dans le prompt de outreach-sequence-builder et obtenir une séquence utilisable sans avoir à rechercher à nouveau le compte.
Étape 7 : Auto-Qualité
Exécutez chaque vérification et corrigez les violations avant de présenter :
- Chaque douleur inférée cite au moins une phrase spécifique de la description de poste
- Aucune douleur hallucinée pour les offres génériques/à faible signal (vérifiez les offres avec signal_strength ≤ 3)
- Les trois scores (signal_strength, urgency, icp_fit) ont une explication en une phrase
- Le score global correspond à la formule :
round((0,4 × signal + 0,3 × urgence + 0,3 × icp_fit) × 10) - Le label Achat-vs-Construction est l'un de : "Leaning build", "Leaning buy", "Hybrid (buy-and-build)", "Unknown"
- Aucun mot interdit dans les angles de prospection : synergie, levier, innovant, de pointe, meilleur de sa catégorie, de classe mondiale, révolutionnaire, disruptif, sans couture, robuste, complet, révolutionner, transformer, rationaliser
- Chaque angle de prospection a 2 à 4 points de discussion, pas des déclarations de valeur génériques
- Les comptes hors ICP sont signalés avec une recommandation claire de dépriorisation
- Les objets de transmission sont complets avec les 4 champs (account_summary, key_pain, suggested_personas, tone)
- Aucun attribut personnel ou caractéristique protégée inféré concernant les candidats
- Les offres sont regroupées par entreprise lorsque plusieurs offres proviennent de la même entreprise
Corrigez toute violation avant de présenter.
Étape 8 : Sortie et Sauvegarde
Sortie lisible par un humain
Présentez l'analyse complète dans ce format :
## Cartographie des Douleurs Acheteur — [AAAA-MM-JJ]
**Produit :** [nom du produit de la présentation]
**Offres analysées :** X offres dans Y entreprises
**Focus :** [pipeline / positioning / both]
---
### [Nom de l'Entreprise] — Score : [N]/100
**Titre :** [résumé en une ligne de ce que révèle le recrutement]
| Dimension | Score | Explication |
|-----------|-------|-------------|
| Force du signal | N/10 | [une phrase] |
| Urgence | N/10 | [une phrase] |
| Adéquation ICP | N/10 | [une phrase] |
**Stade :** [stade estimé] | **Achat vs Construction :** [label de posture]
#### Douleurs Primaires
- **[Libellé de la douleur] :** [description en 1-3 phrases]
- Preuve : "[phrase citée de l'offre d'emploi]"
#### Douleurs Secondaires
- **[Libellé de la douleur] :** [description en 1-3 phrases]
- Preuve : "[phrase citée de l'offre d'emploi]"
#### Angles de Prospection Recommandés
1. **[Nom de l'angle] :** [récit]
- [point 1]
- [point 2]
- [point 3]
#### Transmission → outreach-sequence-builder
> **Résumé :** [2-3 phrases]
> **Douleur clé :** [une phrase]
> **Personas suggérés :** [liste]
> **Ton :** [une phrase]
---
[répéter pour chaque entreprise, triée par overall_score décroissant]
Sauvegarder dans un fichier
mkdir -p docs/pain-maps
OUTFILE="docs/pain-maps/$(date +%Y-%m-%d).md"
cat > "$OUTFILE" << 'EOF'
CONTENU_DU_RAPPORT_ICI
EOF
echo "Cartographie des douleurs sauvegardée dans $OUTFILE"
Si plusieurs entreprises sont analysées, sauvegardez également des fichiers individuels en utilisant des noms d'entreprise slugifiés (minuscules, remplacez les espaces et caractères spéciaux par des traits d'union, supprimez les traits d'union finaux) :
ex : "ACME, Inc." → acme-inc.md, "CoolStartup Inc" → coolstartup-inc.md
SLUG=$(echo "NOM_ENTREPRISE" | tr '[:upper:]' '[:lower:]' | sed 's/[^a-z0-9]/-/g' | sed 's/--*/-/g' | sed 's/-$//')
cat > "docs/pain-maps/${SLUG}.md" << 'EOF'
CONTENU_COMPTE_INDIVIDUEL_ICI
EOF
Quand Utiliser
- Vous avez 1 à 15 descriptions de poste collées et vous voulez savoir quelle douleur chaque entreprise ressent
- Vous planifiez une prospection basée sur les comptes et avez besoin d'une analyse structurée des douleurs avant d'écrire des séquences
- Vous souhaitez prioriser les comptes avec signaux de recrutement à cibler en premier
- Un PMM veut un langage de douleur réel provenant des offres d'emploi pour affiner le positionnement
Quand NE PAS Utiliser
- Vous devez trouver des entreprises qui recrutent (utilisez plutôt
linkedin-hiring-intent-scannerouyc-intent-radar-skill) - Vous devez rédiger des messages de prospection (utilisez plutôt
outreach-sequence-builder— alimentez-le avec la transmission de cette compétence) - Vous souhaitez surveiller une plateforme pour des signaux au fil du temps (utilisez plutôt
reddit-icp-monitoroutwitter-GTM-find-skill) - Vous avez besoin d'informations de contact ou d'enrichissement d'e-mails (cette compétence ne les fournit pas)
Fonctionne Bien Avec
- outreach-sequence-builder : Passez le bloc
handoff.for_outreach_sequence_builderdirectement comme contexte lors de la construction d'une séquence. - noise-to-linkedin-carousel : Utilisez les douleurs primaires et les preuves citées comme matériau source pour un carrousel sur les problèmes des acheteurs.
- reddit-icp-monitor : Croisez les thèmes de douleur des offres d'emploi avec les thèmes de douleur apparaissant dans les discussions Reddit.