أبحاث المبيعات

---
name: sales-research
description: توفر هذه المهارة منهجية وأفضل الممارسات للبحث عن العملاء المحتملين للمبيعات.
---

# بحث المبيعات

## نظرة عامة

توفر هذه المهارة منهجية وأفضل الممارسات للبحث عن العملاء المحتملين للمبيعات. وهي تغطي البحث عن الشركات، وتوصيف جهات الاتصال، واكتشاف الإشارات لاستخلاص معلومات قابلة للتنفيذ.

## الاستخدام

يستخدم الوكلاء الفرعيون company-researcher و contact-researcher هذه المهارة عند:
- البحث عن عملاء محتملين جدد
- العثور على معلومات الشركة
- توصيف جهات الاتصال الفردية
- اكتشاف إشارات الشراء

## منهجية البحث

### قائمة مراجعة البحث عن الشركات

1. **الملف الشخصي الأساسي**
   - اسم الشركة، الصناعة، الحجم (الموظفون، الإيرادات)
   - المقر الرئيسي والمواقع الرئيسية
   - تاريخ التأسيس، مرحلة النمو

2. **التطورات الأخيرة**
   - إعلانات التمويل (آخر 12 شهرًا)
   - نشاط الاندماج والاستحواذ (M&A)
   - تغييرات القيادة
   - إطلاق المنتجات

3. **Tech Stack**
   - التقنيات المعروفة (BuiltWith, StackShare)
   - إعلانات الوظائف التي تذكر الأدوات
   - شراكات التكامل

4. **الإشارات**
   - إعلانات الوظائف (التوسع = فرصة)
   - مراجعات Glassdoor (نقاط الألم)
   - الإشارات الإخبارية (السياق)
   - نشاط وسائل التواصل الاجتماعي

### قائمة مراجعة البحث عن جهات الاتصال

1. **الخلفية المهنية**
   - الدور الحالي ومدة الخدمة
   - الشركات والأدوار السابقة
   - التعليم

2. **مؤشرات التأثير**
   - هيكل التقارير
   - سلطة اتخاذ القرار
   - ملكية الميزانية

3. **نقاط جذب المشاركة**
   - منشورات LinkedIn الأخيرة
   - المقالات المنشورة
   - المشاركات الخطابية
   - الاتصالات المشتركة

## الموارد

- `resources/signal-indicators.md` - تصنيف إشارات الشراء
- `resources/research-checklist.md` - قائمة مراجعة البحث الكاملة

## السكربتات

- `scripts/company-enricher.py` - تجميع بيانات الشركة من مصادر متعددة
- `scripts/linkedin-parser.py` - هيكلة بيانات ملف LinkedIn الشخصي
FILE:company-enricher.py
#!/usr/bin/env python3
"""
company-enricher.py - تجميع بيانات الشركة من مصادر متعددة

المدخلات:
  - company_name: string
  - domain: string (اختياري)

المخرجات:
  - profile:
      name: string
      industry: string
      size: string
      funding: string
      tech_stack: [string]
      recent_news: [news items]

التبعيات:
  - requests, beautifulsoup4
"""

# المتطلبات: requests, beautifulsoup4

import json
from typing import Any
from dataclasses import dataclass, asdict
from datetime import datetime


@dataclass
class NewsItem:
    title: str
    date: str
    source: str
    url: str
    summary: str


@dataclass
class CompanyProfile:
    name: str
    domain: str
    industry: str
    size: str
    location: str
    founded: str
    funding: str
    tech_stack: list[str]
    recent_news: list[dict]
    competitors: list[str]
    description: str


def search_company_info(company_name: str, domain: str = None) -> dict:
    """
    البحث عن معلومات الشركة الأساسية.
    في الإنتاج، ستستدعي هذه الدالة واجهات برمجة التطبيقات مثل Clearbit، Crunchbase، إلخ.
    """
    # TODO: تنفيذ استدعاءات API الفعلية
    # هيكل الإرجاع المؤقت
    return {
        "name": company_name,
        "domain": domain or f"{company_name.lower().replace(' ', '')}.com",
        "industry": "Technology",  # ستأتي من API
        "size": "Unknown",
        "location": "Unknown",
        "founded": "Unknown",
        "description": f"Information about {company_name}"
    }


def search_funding_info(company_name: str) -> dict:
    """
    البحث عن معلومات التمويل.
    في الإنتاج، ستستدعي Crunchbase، PitchBook، إلخ.
    """
    # TODO: تنفيذ استدعاءات API الفعلية
    return {
        "total_funding": "Unknown",
        "last_round": "Unknown",
        "last_round_date": "Unknown",
        "investors": []
    }


def search_tech_stack(domain: str) -> list[str]:
    """
    اكتشاف حزمة التقنيات (tech stack).
    في الإنتاج، ستستدعي BuiltWith، Wappalyzer، إلخ.
    """
    # TODO: تنفيذ استدعاءات API الفعلية
    return []


def search_recent_news(company_name: str, days: int = 90) -> list[dict]:
    """
    البحث عن الأخبار الأخيرة حول الشركة.
    في الإنتاج، ستستدعي واجهات برمجة تطبيقات الأخبار.
    """
    # TODO: تنفيذ استدعاءات API الفعلية
    return []


def main(
    company_name: str,
    domain: str = None
) -> dict[str, Any]:
    """
    تجميع بيانات الشركة من مصادر متعددة.

    الوسائط:
        company_name: اسم الشركة للبحث عنها
        domain: نطاق الشركة (اختياري، سيتم استنتاجه)

    الإرجاع:
        قاموس يحتوي على ملف تعريف الشركة بما في ذلك الصناعة، الحجم، التمويل، حزمة التقنيات، الأخبار
    """
    # الحصول على معلومات الشركة الأساسية
    basic_info = search_company_info(company_name, domain)

    # الحصول على معلومات التمويل
    funding_info = search_funding_info(company_name)

    # اكتشاف حزمة التقنيات
    company_domain = basic_info.get("domain", domain)
    tech_stack = search_tech_stack(company_domain) if company_domain else []

    # الحصول على الأخبار الأخيرة
    news = search_recent_news(company_name)

    # تجميع الملف الشخصي
    profile = CompanyProfile(
        name=basic_info["name"],
        domain=basic_info["domain"],
        industry=basic_info["industry"],
        size=basic_info["size"],
        location=basic_info["location"],
        founded=basic_info["founded"],
        funding=funding_info.get("total_funding", "Unknown"),
        tech_stack=tech_stack,
        recent_news=news,
        competitors=[],  # سيتم إثراؤها من تحليل الصناعة
        description=basic_info["description"]
    )

    return {
        "profile": asdict(profile),
        "funding_details": funding_info,
        "enriched_at": datetime.now().isoformat(),
        "sources_checked": ["company_info", "funding", "tech_stack", "news"]
    }


if __name__ == "__main__":
    import sys

    # مثال على الاستخدام
    result = main(
        company_name="DataFlow Systems",
        domain="dataflow.io"
    )
    print(json.dumps(result, indent=2))
FILE:linkedin-parser.py
#!/usr/bin/env python3
"""
linkedin-parser.py - هيكلة بيانات ملف LinkedIn الشخصي

المدخلات:
  - profile_url: string
  - أو name + company: strings

المخرجات:
  - contact:
      name: string
      title: string
      tenure: string
      previous_roles: [role objects]
      mutual_connections: [string]
      recent_activity: [post summaries]

التبعيات:
  - requests
"""

# المتطلبات: requests

import json
from typing import Any
from dataclasses import dataclass, asdict
from datetime import datetime


@dataclass
class PreviousRole:
    title: str
    company: str
    duration: str
    description: str


@dataclass
class RecentPost:
    date: str
    content_preview: str
    engagement: int
    topic: str


@dataclass
class ContactProfile:
    name: str
    title: str
    company: str
    location: str
    tenure: str
    previous_roles: list[dict]
    education: list[str]
    mutual_connections: list[str]
    recent_activity: list[dict]
    profile_url: str
    headline: str


def search_linkedin_profile(name: str = None, company: str = None, profile_url: str = None) -> dict:
    """
    البحث عن معلومات ملف LinkedIn الشخصي.
    في الإنتاج، ستستخدم LinkedIn API أو Sales Navigator.
    """
    # TODO: تنفيذ تكامل LinkedIn API الفعلي
    # ملاحظة: لدى LinkedIn API شروط خدمة صارمة

    return {
        "found": False,
        "name": name or "Unknown",
        "title": "Unknown",
        "company": company or "Unknown",
        "location": "Unknown",
        "headline": "",
        "tenure": "Unknown",
        "profile_url": profile_url or ""
    }


def get_career_history(profile_data: dict) -> list[dict]:
    """
    استخراج السيرة المهنية من الملف الشخصي.
    """
    # TODO: تنفيذ استخراج السيرة المهنية
    return []


def get_mutual_connections(profile_data: dict, user_network: list = None) -> list[str]:
    """
    البحث عن الاتصالات المشتركة.
    """
    # TODO: تنفيذ اكتشاف الاتصالات المشتركة
    return []


def get_recent_activity(profile_data: dict, days: int = 30) -> list[dict]:
    """
    الحصول على المنشورات والأنشطة الأخيرة.
    """
    # TODO: تنفيذ استخراج النشاط
    return []


def main(
    name: str = None,
    company: str = None,
    profile_url: str = None
) -> dict[str, Any]:
    """
    هيكلة بيانات ملف LinkedIn الشخصي لإعداد المبيعات.

    الوسائط:
        name: اسم الشخص
        company: الشركة التي يعمل بها
        profile_url: رابط ملف LinkedIn الشخصي المباشر

    الإرجاع:
        قاموس يحتوي على ملف تعريف جهة اتصال مهيكل
    """
    if not profile_url and not (name and company):
        return {"error": "Provide either profile_url or name + company"}

    # البحث عن الملف الشخصي
    profile_data = search_linkedin_profile(
        name=name,
        company=company,
        profile_url=profile_url
    )

    if not profile_data.get("found"):
        return {
            "found": False,
            "name": name or "Unknown",
            "company": company or "Unknown",
            "message": "Profile not found or limited access",
            "suggestions": [
                "Try searching directly on LinkedIn",
                "Check for alternative spellings",
                "Verify the person still works at this company"
            ]
        }

    # الحصول على السيرة المهنية
    previous_roles = get_career_history(profile_data)

    # البحث عن الاتصالات المشتركة
    mutual_connections = get_mutual_connections(profile_data)

    # الحصول على النشاط الأخير
    recent_activity = get_recent_activity(profile_data)

    # تجميع ملف تعريف جهة الاتصال
    contact = ContactProfile(
        name=profile_data["name"],
        title=profile_data["title"],
        company=profile_data["company"],
        location=profile_data["location"],
        tenure=profile_data["tenure"],
        previous_roles=previous_roles,
        education=[],  # سيتم استخراجها من الملف الشخصي
        mutual_connections=mutual_connections,
        recent_activity=recent_activity,
        profile_url=profile_data["profile_url"],
        headline=profile_data["headline"]
    )

    return {
        "found": True,
        "contact": asdict(contact),
        "research_date": datetime.now().isoformat(),
        "data_completeness": calculate_completeness(contact)
    }


def calculate_completeness(contact: ContactProfile) -> dict:
    """حساب مدى اكتمال بيانات الملف الشخصي."""
    fields = {
        "basic_info": bool(contact.name and contact.title and contact.company),
        "career_history": len(contact.previous_roles) > 0,
        "mutual_connections": len(contact.mutual_connections) > 0,
        "recent_activity": len(contact.recent_activity) > 0,
        "education": len(contact.education) > 0
    }

    complete_count = sum(fields.values())
    return {
        "fields": fields,
        "score": f"{complete_count}/{len(fields)}",
        "percentage": int((complete_count / len(fields)) * 100)
    }


if __name__ == "__main__":
    import sys

    # مثال على الاستخدام
    result = main(
        name="Sarah Chen",
        company="DataFlow Systems"
    )
    print(json.dumps(result, indent=2))
FILE:priority-scorer.py
#!/usr/bin/env python3
"""
priority-scorer.py - حساب وترتيب أولويات العملاء المحتملين

المدخلات:
  - prospects: [كائنات العملاء المحتملين مع الإشارات]
  - weights: {deal_size, timing, warmth, signals}

المخرجات:
  - ranked: [العملاء المحتملون مع الدرجات والمنطق]

التبعيات:
  - (لا شيء - بايثون خالص)
"""

import json
from typing import Any
from dataclasses import dataclass


# الأوزان الافتراضية للتسجيل
DEFAULT_WEIGHTS = {
    "deal_size": 0.25,
    "timing": 0.30,
    "warmth": 0.20,
    "signals": 0.25
}

# تعيين نقاط الإشارة
SIGNAL_SCORES = {
    # إشارات ذات نية عالية
    "recent_funding": 10,
    "leadership_change": 8,
    "job_postings_relevant": 9,
    "expansion_news": 7,
    "competitor_mention": 6,

    # إشارات ذات نية متوسطة
    "general_hiring": 4,
    "industry_event": 3,
    "content_engagement": 3,

    # إشارات العلاقة
    "mutual_connection": 5,
    "previous_contact": 6,
    "referred_lead": 8,

    # إشارات سلبية
    "recent_layoffs": -3,
    "budget_freeze_mentioned": -5,
    "competitor_selected": -7,
}


@dataclass
class ScoredProspect:
    company: str
    contact: str
    call_time: str
    raw_score: float
    normalized_score: int
    priority_rank: int
    score_breakdown: dict
    reasoning: str
    is_followup: bool


def score_deal_size(prospect: dict) -> tuple[float, str]:
    """تسجيل بناءً على حجم الصفقة المقدر."""
    size_indicators = prospect.get("size_indicators", {})

    employee_count = size_indicators.get("employees", 0)
    revenue_estimate = size_indicators.get("revenue", 0)

    # تسجيل بسيط بناءً على حجم الشركة
    if employee_count > 1000 or revenue_estimate > 100_000_000:
        return 10.0, "فرصة على مستوى المؤسسة"
    elif employee_count > 200 or revenue_estimate > 20_000_000:
        return 7.0, "فرصة في السوق المتوسطة"
    elif employee_count > 50:
        return 5.0, "فرصة للشركات الصغيرة والمتوسطة"
    else:
        return 3.0, "شركة صغيرة"


def score_timing(prospect: dict) -> tuple[float, str]:
    """تسجيل بناءً على إشارات التوقيت."""
    timing_signals = prospect.get("timing_signals", [])

    score = 5.0  # النتيجة الأساسية
    reasons = []

    for signal in timing_signals:
        if signal == "budget_cycle_q4":
            score += 3
            reasons.append("تخطيط ميزانية الربع الرابع")
        elif signal == "contract_expiring":
            score += 4
            reasons.append("العقد ينتهي قريباً")
        elif signal == "active_evaluation":
            score += 5
            reasons.append("تقييم نشط")
        elif signal == "just_funded":
            score += 3
            reasons.append("تم تمويلها مؤخرًا")

    return min(score, 10.0), "; ".join(reasons) if reasons else "توقيت قياسي"


def score_warmth(prospect: dict) -> tuple[float, str]:
    """تسجيل بناءً على دفء العلاقة."""
    relationship = prospect.get("relationship", {})

    if relationship.get("is_followup"):
        last_outcome = relationship.get("last_outcome", "neutral")
        if last_outcome == "positive":
            return 9.0, "متابعة دافئة (اتصال إيجابي أخير)"
        elif last_outcome == "neutral":
            return 7.0, "متابعة (اتصال محايد أخير)"
        else:
            return 5.0, "متابعة (تحتاج إلى إعادة تفعيل)"

    if relationship.get("referred"):
        return 8.0, "عميل محتمل محال"

    if relationship.get("mutual_connections", 0) > 0:
        return 6.0, f"{relationship['mutual_connections']} اتصالات مشتركة"

    if relationship.get("inbound"):
        return 7.0, "اهتمام وارد"

    return 4.0, "تواصل بارد"


def score_signals(prospect: dict) -> tuple[float, str]:
    """تسجيل بناءً على إشارات الشراء المكتشفة."""
    signals = prospect.get("signals", [])

    total_score = 0
    signal_reasons = []

    for signal in signals:
        signal_score = SIGNAL_SCORES.get(signal, 0)
        total_score += signal_score
        if signal_score > 0:
            signal_reasons.append(signal.replace("_", " "))

    # تطبيع إلى مقياس 0-10
    normalized = min(max(total_score / 2, 0), 10)

    reason = f"الإشارات: {', '.join(signal_reasons)}" if signal_reasons else "لا توجد إشارات قوية"
    return normalized, reason


def calculate_priority_score(
    prospect: dict,
    weights: dict = None
) -> ScoredProspect:
    """حساب درجة الأولوية الإجمالية لعميل محتمل."""
    weights = weights or DEFAULT_WEIGHTS

    # حساب درجات المكونات
    deal_score, deal_reason = score_deal_size(prospect)
    timing_score, timing_reason = score_timing(prospect)
    warmth_score, warmth_reason = score_warmth(prospect)
    signal_score, signal_reason = score_signals(prospect)

    # المجموع الموزون
    raw_score = (
        deal_score * weights["deal_size"] +
        timing_score * weights["timing"] +
        warmth_score * weights["warmth"] +
        signal_score * weights["signals"]
    )

    # تجميع المنطق
    reasons = []
    if timing_score >= 8:
        reasons.append(timing_reason)
    if signal_score >= 7:
        reasons.append(signal_reason)
    if warmth_score >= 7:
        reasons.append(warmth_reason)
    if deal_score >= 8:
        reasons.append(deal_reason)

    return ScoredProspect(
        company=prospect.get("company", "Unknown"),
        contact=prospect.get("contact", "Unknown"),
        call_time=prospect.get("call_time", "Unknown"),
        raw_score=round(raw_score, 2),
        normalized_score=int(raw_score * 10),
        priority_rank=0,  # سيتم تعيينها بعد الفرز
        score_breakdown={
            "deal_size": {"score": deal_score, "reason": deal_reason},
            "timing": {"score": timing_score, "reason": timing_reason},
            "warmth": {"score": warmth_score, "reason": warmth_reason},
            "signals": {"score": signal_score, "reason": signal_reason}
        },
        reasoning="; ".join(reasons) if reasons else "أولوية قياسية",
        is_followup=prospect.get("relationship", {}).get("is_followup", False)
    )


def main(
    prospects: list[dict],
    weights: dict = None
) -> dict[str, Any]:
    """
    حساب وترتيب أولويات العملاء المحتملين.

    الوسائط:
        prospects: قائمة بكائنات العملاء المحتملين مع الإشارات
        weights: أوزان مخصصة اختيارية لمكونات التسجيل

    الإرجاع:
        قاموس يحتوي على العملاء المحتملين المصنفين وتفاصيل التسجيل
    """
    weights = weights or DEFAULT_WEIGHTS

    # تسجيل جميع العملاء المحتملين
    scored = [calculate_priority_score(p, weights) for p in prospects]

    # الفرز حسب الدرجة الخام تنازليًا
    scored.sort(key=lambda x: x.raw_score, reverse=True)

    # تعيين الرتب
    for i, prospect in enumerate(scored, 1):
        prospect.priority_rank = i

    # التحويل إلى قواميس لتسلسل JSON
    ranked = []
    for s in scored:
        ranked.append({
            "company": s.company,
            "contact": s.contact,
            "call_time": s.call_time,
            "priority_rank": s.priority_rank,
            "score": s.normalized_score,
            "reasoning": s.reasoning,
            "is_followup": s.is_followup,
            "breakdown": s.score_breakdown
        })

    return {
        "ranked": ranked,
        "weights_used": weights,
        "total_prospects": len(prospects)
    }


if __name__ == "__main__":
    import sys

    # مثال على الاستخدام
    example_prospects = [
        {
            "company": "DataFlow Systems",
            "contact": "Sarah Chen",
            "call_time": "2pm",
            "size_indicators": {"employees": 200, "revenue": 25_000_000},
            "timing_signals": ["just_funded", "active_evaluation"],
            "signals": ["recent_funding", "job_postings_relevant"],
            "relationship": {"is_followup": False, "mutual_connections": 2}
        },
        {
            "company": "Acme Manufacturing",
            "contact": "Tom Bradley",
            "call_time": "10am",
            "size_indicators": {"employees": 500},
            "timing_signals": ["contract_expiring"],
            "signals": [],
            "relationship": {"is_followup": True, "last_outcome": "neutral"}
        },
        {
            "company": "FirstRate Financial",
            "contact": "Linda Thompson",
            "call_time": "4pm",
            "size_indicators": {"employees": 300},
            "timing_signals": [],
            "signals": [],
            "relationship": {"is_followup": False}
        }
    ]

    result = main(prospects=example_prospects)
    print(json.dumps(result, indent=2))
FILE:research-checklist.md
# قائمة مراجعة البحث عن العملاء المحتملين

## البحث عن الشركة

### معلومات أساسية
- [ ] اسم الشركة (التحقق من الإملاء)
- [ ] الصناعة/القطاع
- [ ] موقع المقر الرئيسي
- [ ] عدد الموظفين (LinkedIn، الموقع الإلكتروني)
- [ ] تقدير الإيرادات (إذا كان متاحًا)
- [ ] تاريخ التأسيس
- [ ] مرحلة/تاريخ التمويل

### أخبار حديثة (آخر 90 يومًا)
- [ ] إعلانات التمويل
- [ ] عمليات الاستحواذ أو الاندماج
- [ ] تغييرات القيادة
- [ ] إطلاق المنتجات
- [ ] فوز عملاء رئيسيين
- [ ] إشارات صحفية
- [ ] أخبار الأرباح/المالية

### البصمة الرقمية
- [ ] مراجعة الموقع الإلكتروني
- [ ] مواضيع المدونة/المحتوى
- [ ] التواجد على وسائل التواصل الاجتماعي
- [ ] إعلانات الوظائف (صفحة الوظائف + LinkedIn)
- [ ] Tech stack (BuiltWith، إعلانات الوظائف)

### المشهد التنافسي
- [ ] المنافسون المعروفون
- [ ] الوضع في السوق
- [ ] نقاط التمايز المعلنة
- [ ] التحركات التنافسية الأخيرة

### مؤشرات نقاط الألم
- [ ] مراجعات Glassdoor (المواضيع)
- [ ] مراجعات G2/Capterra (إذا كانت B2B)
- [ ] شكاوى وسائل التواصل الاجتماعي
- [ ] أنماط إعلانات الوظائف

## البحث عن جهات الاتصال

### الملف الشخصي المهني
- [ ] المسمى الوظيفي الحالي
- [ ] مدة العمل في الدور
- [ ] مدة العمل في الشركة
- [ ] الشركات السابقة
- [ ] الأدوار السابقة
- [ ] التعليم

### سلطة القرار
- [ ] لمن يقدم التقارير
- [ ] حجم الفريق (إذا كان مديرًا)
- [ ] سلطة الميزانية (مستنتجة)
- [ ] تاريخ المشاركة في الشراء

### نقاط جذب المشاركة
- [ ] منشورات LinkedIn الأخيرة
- [ ] المقالات المنشورة
- [ ] الظهور في البودكاست
- [ ] المحاضرات في المؤتمرات
- [ ] الاتصالات المشتركة
- [ ] الاهتمامات/المجموعات المشتركة

### أسلوب التواصل
- [ ] نبرة المنشورات (رسمية/غير رسمية)
- [ ] المواضيع التي يتفاعل معها
- [ ] أنماط الاستجابة

## التحقق من CRM (إذا كان متاحًا)

- [ ] أي نقاط اتصال سابقة
- [ ] فرص سابقة
- [ ] جهات اتصال ذات صلة في الشركة
- [ ] ملاحظات من الزملاء
- [ ] تاريخ التفاعل عبر البريد الإلكتروني

## عمق البحث بناءً على الوقت

| الوقت المتاح | عمق البحث |
|---------------|------------|
| 5 دقائق | أساسيات الشركة + مسمى جهة الاتصال فقط |
| 15 دقيقة | + أخبار حديثة + ملف LinkedIn الشخصي |
| 30 دقيقة | + إشارات نقاط الألم + نقاط جذب المشاركة |
| 60 دقيقة | قائمة مراجعة كاملة + تحليل تنافسي |
FILE:signal-indicators.md
# مرجع مؤشرات الإشارة

## إشارات ذات نية عالية

### إعلانات الوظائف
- **3+ أدوار ذات صلة معلنة** = مبادرة نشطة، ميزانية مخصصة
- **توظيف قيادي رفيع في مجالك** = أولوية استراتيجية
- **لغة عاجلة ("في أقرب وقت ممكن"، "فوري")** = الألم حاد
- **أداة محددة مذكورة** = وعي بالمنافسين أو الفئة

### الأحداث المالية
- **تمويل من الفئة B+** = رأس مال نمو، قوة شرائية
- **التحضير للاكتتاب العام** = الحاجة إلى نضج تشغيلي
- **الإعلان عن استحواذ** = تحديات التكامل قادمة
- **علاقات عامة حول إنجاز في الإيرادات** = ميزانية متاحة

### تغييرات القيادة
- **رئيس تنفيذي جديد في مجالك** = تحديد أولويات 90 يومًا
- **رئيس قسم الإيرادات/التسويق الجديد** = من المرجح تقييم حزمة التقنيات (Tech stack)
- **انتقال المؤسس إلى منصب الرئيس التنفيذي** = احتراف العمليات

## إشارات ذات نية متوسطة

### إشارات التوسع
- **افتتاح مكتب جديد** = احتياجات البنية التحتية
- **توسع دولي** = التوطين، الامتثال
- **إطلاق منتج جديد** = تحديات التوسع
- **فوز عميل رئيسي** = ضغط التسليم

### إشارات التكنولوجيا
- **نشر طلب تقديم عروض (RFP)** = عملية شراء نشطة
- **ذكر مراجعة بائع** = مقارنة التسوق
- **تغيير حزمة التقنيات (Tech stack)** = فرصة تكامل
- **شكاوى حول الأنظمة القديمة** = الحاجة إلى التحديث

### إشارات المحتوى
- **منشور مدونة حول موضوعك** = تثقيف أنفسهم
- **حضور ندوة عبر الإنترنت** = تأكيد الاهتمام
- **تنزيل ورقة بيضاء** = وعي بالمشكلة
- **التحدث في مؤتمر** = قيادة فكرية، رؤية

## إشارات ذات نية منخفضة (رعاية)

### النشاط العام
- **حضور حدث صناعي** = مشارك في السوق
- **توظيف عام** = الشركة تنمو
- **تغطية إعلامية إيجابية** = شركة صحية
- **نشاط وسائل التواصل الاجتماعي** = قيادة متفاعلة

## تسجيل الإشارة

| نوع الإشارة | النتيجة | الإجراء |
|-------------|-------|--------|
| إعلان وظيفة (ذات صلة) | +3 | إعطاء الأولوية للتواصل |
| تمويل حديث | +3 | الإشارة إليه في المحادثة |
| تغيير في القيادة | +2 | فرصة حساسة للوقت |
| أخبار التوسع | +2 | زاوية النمو |
| مراجعات سلبية | +2 | زاوية نقطة الألم |
| تفاعل المحتوى | +1 | مسار الرعاية |
| لا توجد إشارات | 0 | التركيز على الاكتشاف |