Sales Account Intelligence

Account Intelligence — Control-M Sales

Overview

Sistema completo de inteligencia de cuentas para venta de Control-M de BMC Software (orquestación de workflows y automatización de procesos de negocio y TI). Combina datos de CRM (Salesforce) con análisis de fuentes públicas para generar dossiers ejecutivos con pains, oportunidades y plan de acción comercial.

When to Use

• El usuario quiere analizar una cuenta para vender Control-M
• El usuario pide "account intelligence" o "dossier de cuenta"
• El usuario menciona prospectar una empresa
• El usuario quiere preparar una reunión comercial con una cuenta
• El usuario pide "analiza esta empresa para Control-M"

Do NOT use when

• Solo se necesita auditoría técnica de código/seguridad → usa web-audit
• Solo se necesita análisis de un competidor → usa competitive-intelligence
• El usuario quiere un informe financiero → no es este skill

Prerequisites

1. Datos de cuentas (Salesforce export)

El skill espera un archivo JSON con cuentas de Salesforce. Formato:

[
  {
    "tier": "A – Atacar primero",
    "score": "10",
    "account": "Banco Sabadell",
    "country": "Spain",
    "segment": "Finance & Insurance",
    "subsegment": "Banking",
    "fit_subsegmento": "5",
    "top_enterprise": "1",
    "cliente_actual": "SaaS",
    "en_curso": "0",
    "aproximacion_notas": "Plan de transformación digital 2025-2027. Inversión 200M€ en cloud."
  }
]

Cargar datos:

# Si tienes el Excel de Salesforce, convertirlo:
python3 /hermes-home/scripts/convert-xlsx-to-json.py /path/to/accounts.xlsx
# O usar el script incluido:
python3 /hermes-home/scripts/control-m/extract-accounts.py /path/to/accounts.xlsx

Si no tienes datos CRM: El skill funciona con nombre de empresa + sector. Genera análisis basado en fuentes públicas (inferencias marcadas claramente).

2. Estructura de directorios

Los scripts están en /hermes-home/scripts/control-m/:

/hermes-home/scripts/control-m/
├── extract-accounts.py      # Convierte Excel Salesforce → JSON
├── generate-report.py       # Genera HTML/PDF de informe
├── template.html            # Plantilla HTML del informe (3 páginas)
├── search-stakeholders.py   # Búsqueda de stakeholders (LIMITADA — ver pitfall)
├── data/
│   └── accounts.json        # Cuentas procesadas (614 España)
└── reports/
    └── *.pdf                # Informes generados

Nota: Los scripts están en /hermes-home/scripts/control-m/, NO en el skill directory. El skill SKILL.md está en /hermes-home/skills/sales/sales-account-intelligence/.

The 6-Phase Account Intelligence Process

Phase 0: Contexto del Producto

Antes de cualquier análisis, la IA debe conocer exactamente qué vende Control-M:

Capacidades clave:

• Orquestación multi-plataforma (batch, data, cloud, mainframe, SAP)
• Multi-cloud nativo (AWS, Azure, GCP, híbrido)
• SAP workload management
• Data workflow orchestration (ETL/ELT)
• Business process automation
• Event-driven automation
• AI/ML Ops
• Self-healing

Competencia directa:

Diferenciadores:

• Única plataforma que une batch + cloud + SAP + data + mainframe
• +200 conectores nativos
• Pricing más flexible que Broadcom
• Self-healing y event-driven (Airflow no lo tiene)

Phase 1: Intelligence de Cuenta

Datos de CRM (si disponibles):

• Tier (A, B, C, D, I, X)
• Score
• Segment / SubSegment
• Cliente actual / En curso
• Notas de aproximación

Fuentes públicas a buscar:

• Trigger events: fusiones, adquisiciones, cambios de CIO/CTO, migraciones cloud anunciadas, nuevas regulaciones
• Señales de compra: hiring de roles IT, RFPs, inversiones IT anunciadas, partnerships tecnológicos
• Presupuesto IT estimado
• Situación financiera (si es pública)

Output:

• Visión general de la empresa
• Trigger events recientes (timeline)
• Señales de compra (tabla)
• Estimación de presupuesto IT

Phase 2: Tech Stack y Automatización

Analizar:

• Cloud: AWS/Azure/GCP/híbrido (con fuentes)
• Aplicaciones críticas: SAP, Salesforce, legacy, mainframe
• Data: lakes, warehouses, analytics
• Automatización actual: qué usan, cómo lo hacen
• Gap analysis: qué tienen vs. qué les falta vs. qué ofrece Control-M

Output:

• Tabla de cloud e infraestructura
• Tabla de aplicaciones críticas
• Tabla de automatización y scheduling (CRÍTICO)
• Identificación de gap crítico

Phase 3: Pains por Vertical Sectorial

Pains comunes por sector:

Banca:

• Batch nocturno con scripts manuales
• Compliance regulatorio (BCB, DORA)
• SAP para reporting financiero
• Mainframe legacy con COBOL

Seguros:

• Procesamiento de siniestros batch
• Legacy systems + cloud
• Compliance sanitario
• Suscripción automatizada

Retail:

• Promociones y pricing batch
• Inventario multi-sucursal
• Omnicanal coordination
• Supply chain optimization

Manufactura:

• Producción batch
• Supply chain / IoT
• Compliance industrial
• Maintenance scheduling

Output:

• Tabla de pains con: problema, impacto, solución Control-M, beneficios, roles afectados

Phase 4: Oportunidades Comerciales

Clasificar oportunidades:

1. Quick Wins (bajo esfuerzo, alto impacto):

   • Migrar batch crítico de scripts a Control-M Cloud
   • Orquestación SAP en cloud
   • Consolidar herramientas fragmentadas

2. Land & Expand (entrada pequeña, crecimiento):

   • Control-M Enterprise completo
   • Business Process Automation
   • Multi-región / multi-tenant

3. Análisis competitivo:

   • Por qué Control-M sobre X
   • Estrategia de diferenciación

4. ROI estimado:

   • Horas ahorradas
   • Reducción de fallos
   • Coste OPEX evitado

Phase 5: Stakeholders y Plan de Acción

Identificar stakeholders:

• CTO / CIO
• Head of Infrastructure & Operations
• SAP Manager
• Head of Data & Analytics
• CRO / Compliance

Para cada stakeholder:

• Rol y responsabilidad
• Ángulo de acercamiento
• Objecciones anticipadas y respuestas

Plan de acción:

• Pasos concretos con timing
• Prioridad (ALTA/MEDIA/BAJA)
• Probabilidad de cierre

Phase 6: Generación de Informe

Output final:

• Dossier compacto de 3 páginas (no extenso)
• HTML profesional + conversión a PDF (A4, ~90KB)
• Resumen en texto plano (para Telegram/email)

Comandos:

# Generar informe de cuenta #1
python3 /hermes-home/scripts/control-m/generate-report.py 1

# Generar informe de cuenta por nombre
python3 /hermes-home/scripts/control-m/generate-report.py --name "Banco Sabadell"

# Generar informe de múltiples cuentas
python3 /hermes-home/scripts/control-m/generate-report.py 1 5 12

# Generar todas las Tier A
python3 /hermes-home/scripts/control-m/generate-report.py --tier "A – Atacar primero"

# Generar informe de sector
python3 /hermes-home/scripts/control-m/generate-report.py --segment "Banking"

# Generar informe y convertir a PDF
python3 /hermes-home/scripts/control-m/generate-report.py 1 --pdf

Estructura del informe (3 páginas):

1. Portada — Datos CRM de la cuenta
2. Tech Stack — Cloud, SAP, legacy, automatización actual, gap analysis
3. Pains + Oportunidades — Tabla de pains con solución Control-M, quick wins, land & expand
4. Stakeholders + Plan — Roles clave con ángulo de acercamiento, plan de acción con timing

⚠️ LIMITACIÓN CRÍTICA: Búsqueda de Stakeholders

NO se pueden buscar nombres reales de personas automáticamente:

• LinkedIn → requiere login (no tengo credenciales de acceso)
• Google → bloquea por CAPTCHA desde IP de server (46.62.185.46)
• DuckDuckGo HTML → no devuelve resultados útiles para queries de personas
• SearXNG → no responde o no da resultados útiles

Solución: El informe incluye los roles genéricos (CTO, Head of Infra, SAP Manager, Head of Data) con ángulo de acercamiento. Para encontrar nombres reales:

• Buscar manualmente en LinkedIn: site:linkedin.com "Empresa" CTO
• Buscar en prensa: "Empresa" "nuevo CTO" o "Empresa" "contrata"
• Buscar en ofertas de empleo: "Empresa" "Head of IT" (a veces aparecen managers)

NUNCA intentar automatizar la búsqueda de stakeholders — no funciona sin credenciales de LinkedIn o proxy residencial. El script search-stakeholders.py existe pero es de referencia para cuando haya credenciales disponibles.

⚠️ Pitfalls Operativos

• Google/LinkedIn scraping desde server IP = imposible. CAPTCHA en Google, login en LinkedIn. DuckDuckGo HTML no devuelve resultados útiles. SearXNG no responde. No perder tiempo intentándolo.
• write_file se trunca en archivos grandes. Si el contenido supera ~10KB, dividir en múltiples writes o usar patch.
• patch puede corromper archivos con \n literales. Cuando un archivo es complejo (>200 líneas), reescribir con write_file en vez de parchear.
• generate-report.py usa Playwright Chromium en /opt/hermes/node_modules/playwright-core, NO Puppeteer. Puppeteer no está instalado en el venv.
• El Excel de Salesforce usa sharedStrings.xml + sheet1.xml con índices. No se puede parsear con librerías simples sin pip. El script extract-accounts.py ya maneja esto.
• Los datos de tamaño (facturación, empleados) están en add-company-data.py. Solo ~20 Tier A tienen datos. Para añadir más, editar el diccionario SIZE_DATA.
• NUNCA generar todos los informes de golpe. Son ~600 cuentas. Generar a demanda: por tier, por sector, por nombre, o por índice. Batch de 10-20 máximo.

Pitfalls

No inventar datos del CRM

Los datos de CRM (tier, score, notas) son fuente de verdad. NUNCA los modifiques ni inventes datos adicionales. Si una cuenta no tiene datos CRM, marcar todo como "inferencia por sector".

Distinguir directo de inferencia

Siempre marcar:

• Fuente directa — cuando hay confirmación pública (noticias, ofertas de empleo, comunicados)
• Mención indirecta — cuando es inferencia por sector, stack típico, o hiring patterns

Plantilla de 3 páginas, no extensa

El informe debe ser compacto: 3 páginas máximo. No generar dossiers largos. El usuario quiere información accionable, no relleno.

Datos de tamaño (facturación, empleados, oficinas)

Los datos de tamaño están en add-company-data.py para ~20 Tier A. Para añadir más empresas, editar el diccionario SIZE_DATA en ese script. Si una cuenta no tiene datos de tamaño, el informe muestra "N/A" — no inventar datos.

No generar todos los informes de golpe

NUNCA generar los 614 informes de golpe. Son ~100MB de PDFs. Generar a demanda: por tier (--tier), por sector (--segment), por nombre (--name), o por índice (1 5 12). Batch de 10-20 máximo por ejecución.

No confundir con competitive-intelligence

competitive-intelligence analiza un competidor/socio/partner. sales-account-intelligence analiza una cuenta objetivo para venta. Son complementarios, no sustitutivos.

El Excel de Salesforce puede tener duplicados

El extract extract-accounts.py ya filtra duplicados por nombre. Si ves duplicados en el output, es porque los nombres son ligeramente diferentes. Normalizar antes de procesar.

Los nombres de archivo HTML pueden ser largos

Sanitizar nombres de cuenta para filenames: reemplazar espacios, acentos y caracteres especiales. Truncar a 60 chars.

No generar todos los informes de golpe

Generar informes en batch de 10-20 máximo. Para 100+ informes, usar cron jobs o generar a demanda.

NUNCA intentar buscar stakeholders automáticamente

LinkedIn requiere login, Google bloquea por CAPTCHA desde IP de server, DuckDuckGo no responde. El informe incluye roles genéricos (CTO, Head of Infra...) y el usuario busca nombres manualmente. No perder tiempo intentando automatizar esto.

Plantilla de 3 páginas, no extensa

El informe debe ser compacto: 3 páginas máximo. No generar dossiers largos. El usuario quiere información accionable, no relleno.

Integration with Other Skills

With competitive-intelligence

• competitive-intelligence → analiza un competidor/socio/partner
• sales-account-intelligence → analiza cuentas objetivo para venta
• Usar juntos cuando el competidor está presente en la cuenta objetivo

With web-audit

• web-audit → auditoría técnica de código/seguridad
• sales-account-intelligence → análisis comercial de cuenta
• Usar juntos para cuentas con interés técnico profundo

With linkedin-david-antizar-style

• Para generar posts LinkedIn sobre casos de éxito de Control-M

Data Model

Account Object

{
    "tier": str,           # "A – Atacar primero", "B – Alta prioridad", etc.
    "score": str,          # 0-10
    "account": str,        # Nombre de la empresa
    "country": str,        # País
    "segment": str,        # "Finance & Insurance", "Retail & Wholesale Trade", "Manufacturing"
    "subsegment": str,     # "Banking", "Insurance", "Retail", "Manufacturing", etc.
    "fit_subsegmento": str,# 1-5 (nivel de ajuste con Control-M)
    "top_enterprise": str, # "1" si es empresa top
    "cliente_actual": str, # "SaaS", "Perp", "OPS", "Endpoints", "0"
    "en_curso": str,       # "1" si hay oportunidad en curso
    "aproximacion_notas": str  # Notas de CRM sobre la cuenta
}

Scoring Logic

• Tier A → Score >= 7, prioritar atacar
• Tier A★ → Score >= 9, en curso con comercial asignado
• Tier B → Score >= 5, alta prioridad
• Tier C → Score >= 3, media prioridad
• Tier D → Score >= 0, nurturing
• Tier I → Cliente actual, NO prospectar new logo
• Tier X → Descartar

Wallet Estimation

• Banking/Insurance Tier A: 300-600K€/año
• Banking/Insurance Tier B: 150-400K€/año
• Retail/Wholesale Tier A: 250-500K€/año
• Retail/Wholesale Tier B: 100-300K€/año
• Manufacturing Tier A: 200-500K€/año
• Manufacturing Tier B: 100-300K€/año
• Pharma/Chemicals Tier A: 200-400K€/año
• Pharma/Chemicals Tier B: 100-250K€/año

Linked Reference Files

• references/README.md — Quick reference para Gandarillas con comandos y estructura
• references/quick-start.md — Guía de inicio rápido en 3 pasos
• references/stakeholder-search-limitations.md — Documentación de la limitación de búsqueda de stakeholders y workaround manual

# 1. Si tienes Excel de Salesforce:
python3 /hermes-home/scripts/control-m/extract-accounts.py /path/to/accounts.xlsx

# 2. Generar informe de cuenta #1:
python3 /hermes-home/scripts/control-m/generate-report.py 1

# 3. Generar PDF:
python3 /hermes-home/scripts/control-m/generate-report.py 1 --pdf

# 4. Generar todas las Tier A:
python3 /hermes-home/scripts/control-m/generate-report.py --tier A --pdf