Full Stack · 38 nodes

Strategic Account Intel

38-node multi-agent AI pipeline yang menghasilkan full intel report per prospect dalam 20 menit. Sebelumnya: 4+ jam manual research per account.

Outcome

60% lebih cepat · Report dalam 20 menit

Stack yang digunakan

n8nClaude AI (claude-opus-4)PostgresSupabaseSlackPerplexity APILinkedIn Data API

Problem

Tim sales B2B klien menghabiskan rata-rata 4+ jam per prospect untuk manual research sebelum discovery call. Prosesnya mencakup: scraping LinkedIn, cek berita terbaru, analisis financial statements, mapping key stakeholders, identifikasi pain points, dan formulasi opening pitch.

Dengan pipeline 80+ prospect per bulan, ini memakan 320+ jam SDR time — yang seharusnya bisa digunakan untuk actual selling. Conversion rate juga tidak optimal karena research yang tergesa-gesa dan tidak sistematis.

Approach & Architecture

Saya design 3-layer multi-agent pipeline dengan pattern sequential orchestration:

Layer 1 — Researcher Agent (12 nodes)

Parallel data collection dari LinkedIn, Perplexity, company website, Crunchbase. Output: raw data JSON yang terstruktur.

Layer 2 — Analyst Agent (14 nodes)

Sintesis raw data: SWOT analysis, stakeholder mapping, pain point identification, competitive landscape.

Layer 3 — Strategist Agent (12 nodes)

Generate opening pitch personalized, pertanyaan discovery yang tepat, dan red flags untuk di-avoid. Output: Markdown report siap pakai.

Implementation Highlights

Tantangan terbesar adalah rate limiting dari LinkedIn Data API dan Perplexity — saya implement exponential backoff dengan retry queue di n8n, serta caching hasil di Postgres untuk menghindari duplicate API calls untuk prospect yang sama.

Untuk Claude, saya gunakan structured output dengan JSON schema ketat sehingga setiap agent menghasilkan output yang predictable dan bisa diparse oleh agent berikutnya. System prompt di-tune untuk domain B2B SaaS klien dengan few-shot examples.

Final report dikirim ke Slack channel SDR dalam format yang actionable: executive summary, key talking points, 3 opening questions yang dipersonalisasi, dan direct link ke full Notion doc.

Outcome & Metrics

20 menit

per full intel report

60%

lebih cepat dari manual

320 jam

SDR time saved/bulan

+18%

conversion rate

Lessons Learned

→ Sequential agent pattern lebih reliable dari parallel untuk use case ini — error recovery lebih mudah.
→ Structured output JSON schema di Claude adalah must-have, bukan nice-to-have.
→ Cache layer di Postgres sangat worth it — cut API cost 40% setelah bulan pertama.
→ SDR adoption jauh lebih tinggi ketika output dikirim via Slack dibanding email.

Mau build serupa untuk tim sales Pak/Bu?

Konsultasi gratis 30 menit — kita identifikasi pendekatan yang paling tepat.

Book Konsultasi Gratis →