Data to AI™ / Claude/HubSpot
Erhalten Sie in Claude Antworten zu gewichteter Pipeline, Phasengeschwindigkeit und Forecast versus Ist aus HubSpot-Deals, mit Stage IDs, die bereits in lesbare Bezeichnungen übersetzt sind.
Weniger Tokens, bessere Antworten.
Claude
Wie lange haben die im September gewonnenen Deals in jeder Phase verbracht?
Die 23 im September gewonnenen Deals brauchten von der Qualifizierung bis zum Vertrag im Schnitt 31 Tage. Decision maker bought-in war mit 12 Tagen oder 39 % des Zyklus die langsamste Phase.
| Stage Label | Deals | Ø Tage in Phase | Anteil am Zyklus |
|---|---|---|---|
| Qualified to buy Properties History | 23 | 6 | 19 % |
| Presentation scheduled Properties History | 23 | 9 | 29 % |
| Decision maker bought-in Properties History | 23 | 12 | 39 % |
| Contract sent Properties History | 23 | 4 | 13 % |
Die Tage werden zwischen den Timestamps der dealstage-Änderungen in Properties History gemessen, wobei Stage IDs über Deal Pipelines auf Stage Label abgebildet werden.
HubSpot ist eine Plattform für Marketing, Vertrieb und Service. Dataddo extrahiert die CRM-Einträge wie Deals, Line Items, Angebote und Owner, mit benutzerdefinierten Feldern auf jedem Objekt, dazu Pipeline-Phasen und den Änderungsverlauf von Properties.
Wende Stage Probability aus Deal Pipelines auf offene Deals an und zeige die gewichtete Pipeline nach Stage Label für dieses Quartal.
Vor dem monatlichen Finance-Review fragt der Controller, welche Phasen den Großteil der gewichteten Pipeline tragen, und erhält eine Erklärung, die er direkt in die Review-Notizen übernehmen kann.
Lies mit dem dataddo-Server die dealstage-Änderungen aus Properties History und schreibe die mittleren Tage pro Phase in analysis/deal-velocity.md.
Ein RevOps-Analyst pflegt die Annahmen zur Zykluslänge in einem Repository. Claude Code berechnet sie aus den Timestamp-Werten, sodass die Forecast-Eingaben aus erfassten Phasenwechseln stammen, nicht aus dem Gedächtnis.
Welche offenen Deals haben ein hs_lastmodifieddate, das älter als 21 Tage ist? Gruppiere sie nach Owner, mit First Name und Last Name aus Owners.
Zwei Wochen vor Quartalsende prüft die Vertriebsleitung, wer auf unbearbeiteten Deals in späten Phasen sitzt, und verteilt sie unter den Vertrieblern neu, bevor sie verrutschen.
Data to AI™ ist während der privaten Vorabversion kostenlos. Wir nehmen Teams in Wellen auf und entwickeln das Produkt mit ihrem Feedback weiter. Zum Launch wird es so abgerechnet wie die KI-Assistenten, die Ihr Team bereits nutzt. Sie brauchen individuelle Verträge oder Mengenpreise? Sprechen Sie mit uns über Enterprise.
Stellen Sie Claude, ChatGPT und anderen KI-Tools governte Geschäftsdaten über MCP bereit.
Kostenlos in der Vorabversion
Stellen Sie Dataddo flexibel in jeder Cloud- oder Hybridumgebung bereit.
Wir haben ein Zahlungsmodell, das zu Ihnen passt
| Ohne Dataddo |
Mit Dataddo
|
Ihr Ergebnis | |
|---|---|---|---|
| Lesbare Phasen | Ein Deal-Export zeigt dealstage als interne ID, also ordnet jemand die IDs von Hand Phasennamen zu, bevor Claude etwas erklären kann. | Verknüpfen Sie Deal Pipelines über Stage ID, dann antwortet Claude mit Stage Label und kann Stage Probability für gewichtete Zahlen anwenden. | Phasennamen statt IDs |
| Verweildauer in jeder Phase | Ein Export zeigt nur, wo jeder Deal heute steht, für Fragen, wie lange Deals in einer Phase warten, fehlen also die Daten. | Properties History erfasst jede dealstage-Änderung mit Value und Timestamp, sodass Claude die Tage zwischen den Änderungen messen kann. | Geschwindigkeit aus echten Änderungen |
| Einführung in RevOps | Jeder Analyst lädt eine andere Deal-Datei hoch, sodass dieselbe Frage im Chat jeder Person eine andere Antwort bekommt. | Ein Owner in einem Team- oder Enterprise-Tarif fügt Dataddo Data Access für die Organisation hinzu, und alle melden sich dann mit ihren persönlichen Dataddo-Zugangsdaten an. | Gemeinsame Quelle für Antworten |
| Token-Verbrauch | Claude verbraucht Tokens, um rohe HubSpot-Spalten zu erkunden, Zeilen zu sichten und neu anzusetzen, bis die Daten verstanden sind. | Felddefinitionen und Beziehungen werden vorab geliefert, sodass das Modell die Erkundung überspringt und direkt antwortet. | Weniger Tokens pro Antwort |
| Antwortqualität | Anfällig für falsche Joins, erfundene Felder und schwer überprüfbare Zahlen. | Antworten auf Basis definierter Felder. Im Dataddo-Benchmark wurden 78,5 % der Fragen korrekt beantwortet, gegenüber 65,5 % mit einfachen CSV-Dateien. | Bessere Antworten |
Die HubSpot-Datensätze, die Finance- und RevOps-Teams am häufigsten nutzen, mit ihren echten Feldnamen. Claude fragt sie über die semantische Schicht von Dataddo beim Namen ab.
Liste kuratierter Datasets
Fehlt ein Dataset, eine Kennzahl oder ein Attribut?
Sag uns, was fehlt, und wir fügen es dem Connector hinzu.
Läuft nach Ihrem Zeitplan. Deals und Line Items laden bei jedem Lauf alle aktuellen Einträge, Date Range-Varianten und Properties History lesen ein relatives Fenster. Historie lässt sich nicht nachladen, speichern Sie daher Snapshots mit dem Extraktionszeitstempel.
HubSpot-Konnektor →Wir haben 43 vorab registrierte Fragen zu drei echten Datensätzen gestellt - Google Search Console, HubSpot-Deals und Google Ads - und dieselben Zeilen auf vier Arten an dasselbe Modell geliefert. Nur die Datenschicht hat sich geändert.
der Fragen richtig beantwortet - der beste der vier getesteten Bereitstellungswege
weniger selbstsicher falsche Antworten - 14,0 % der Durchläufe gegenüber 24,0 % und 26,3 %
mehr richtige Antworten bei unübersichtlichen CRM-Daten - besser bei 8 Fragen, bei keiner schlechter
Dasselbe Modell, dieselben Prompts und dieselben Zeilen in jeder Bedingung; 759 bewertete Durchläufe, Referenzantworten vor dem ersten Durchlauf festgelegt. Allein bei Google Search Console schnitten dokumentierte CSV-Dateien genauso gut ab wie Data to AI™ - der Vorteil entsteht bei unübersichtlicheren Daten wie HubSpot-Deals.
Benchmark lesen →Legen Sie in Dataddo eine HubSpot-Quelle mit Datensätzen wie Deals, Deal Pipelines und Properties History an und verbinden Sie sie mit einem Claude-Ziel oder AI Model. Fügen Sie in Claude den benutzerdefinierten Konnektor https://headless.dataddo.com/mcp-data hinzu und melden Sie sich bei Dataddo an. In Claude Code führen Sie claude mcp add --transport http dataddo mit dieser URL aus.
Deals speichern dealstage als ID. Fügen Sie den Datensatz Deal Pipelines hinzu und verknüpfen Sie ihn über Stage ID, dann kann Claude mit Stage Label antworten und Stage Probability für gewichtete Zahlen nutzen.
Erst ab dem Tag, an dem Sie Snapshots speichern. HubSpot kann keine historischen Deal-Daten laden, fügen Sie daher den Dataddo-Extraktionszeitstempel hinzu und hängen Sie jeden Lauf an. Properties History deckt außerdem frühere Property-Änderungen ab.
Ja. Properties History liefert für ein gewähltes CRM-Objekt, wer welche Property geändert hat, den alten und neuen Wert und wann. Fragen Sie es nach claude mcp add aus Ihrem Repository ab.
Benutzerdefinierte Felder werden für alle HubSpot-Objekte unterstützt, wählen Sie sie also in der Quelle aus. Für benutzerdefinierte Objekte nutzen Sie den Datensatz Custom Objects mit der Objekt-ID aus Ihren HubSpot-Einstellungen oder fragen das Dataddo Solutions team.
Das HubSpot-Konto, das Dataddo autorisiert, braucht mindestens Admin-Berechtigungen. Claude-Nutzer melden sich nur bei Dataddo an, und bei Team und Enterprise nutzt jedes Mitglied sein eigenes Dataddo-Konto.
Jeder Tarif unterstützt benutzerdefinierte Konnektoren, bei Free ist einer erlaubt. Nutzer von Pro und Max fügen ihn selbst hinzu, bei Team und Enterprise fügt ein Owner ihn für die gesamte Organisation hinzu.