Data to AI™ / Claude/HubSpot
Obtenga en Claude respuestas sobre pipeline ponderado, velocidad por etapa y previsión frente a real a partir de los deals de HubSpot, con los IDs de etapa ya convertidos en etiquetas legibles.
Menos tokens, mejores respuestas.
Claude
¿Cuánto tiempo pasaron en cada etapa los deals que ganamos en septiembre?
Los 23 deals ganados en septiembre tardaron 31 días de media desde la cualificación hasta el contrato. Decision maker bought-in fue la etapa más lenta, con 12 días o el 39 % del ciclo.
| Stage Label | Deals | Días medios en la etapa | Proporción del ciclo |
|---|---|---|---|
| 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 % |
Los días se miden entre los Timestamps de cambio de dealstage en Properties History, con los Stage IDs asignados a Stage Label mediante Deal Pipelines.
HubSpot es una plataforma de marketing, ventas y servicio al cliente. Dataddo extrae sus registros de CRM, como deals, line items, presupuestos y propietarios, con campos personalizados en cada objeto, además de las etapas del pipeline y el historial de cambios de propiedades.
Aplique la Stage Probability de Deal Pipelines a los Deals abiertos y muestre el pipeline ponderado por Stage Label de este trimestre.
Antes de la revisión financiera mensual, el controller pregunta qué etapas concentran la mayor parte del pipeline ponderado y obtiene una explicación lista para pegar en las notas de la revisión.
Use el servidor dataddo para leer los cambios de dealstage de Properties History y escriba la mediana de días por etapa en analysis/deal-velocity.md.
Un analista de RevOps guarda en un repositorio los supuestos de duración del ciclo. Claude Code los calcula a partir de los valores de Timestamp, así que los datos de la previsión salen de cambios de etapa registrados, no de la memoria.
¿Qué Deals abiertos tienen un hs_lastmodifieddate de hace más de 21 días? Agrúpelos por responsable, con First Name y Last Name de Owners.
Dos semanas antes del cierre del trimestre, la dirección de ventas comprueba quién tiene deals en etapas avanzadas sin tocar y los redistribuye entre comerciales antes de que se retrasen.
Data to AI™ es gratuito durante la versión preliminar privada. Incorporamos equipos por oleadas y damos forma al producto con sus comentarios. En el lanzamiento, se cobrará como los asistentes de IA que tu equipo ya utiliza. ¿Necesitas contratos a medida o precios por volumen? Habla con nosotros sobre Enterprise.
Entrega datos de negocio gobernados a Claude, ChatGPT y otras herramientas de IA mediante MCP.
Gratis durante la versión preliminar
Implemente Dataddo de manera flexible en cualquier entorno híbrido o de nube.
Tenemos un modelo de pago que funciona para ti
| Sin Dataddo |
Con Dataddo
|
Resultado para ti | |
|---|---|---|---|
| Etapas legibles | Una exportación de deals muestra dealstage como un ID interno, así que alguien tiene que asignar a mano los IDs a nombres de etapa antes de que Claude pueda explicar nada. | Combine Deal Pipelines por Stage ID y Claude responderá con Stage Label y podrá aplicar Stage Probability para obtener cifras ponderadas. | Nombres de etapa, no IDs |
| Tiempo en cada etapa | Una exportación solo muestra dónde está cada deal hoy, así que las preguntas sobre cuánto esperan los deals en una etapa no tienen datos que las respalden. | Properties History registra cada cambio de dealstage con su Value y su Timestamp, así que Claude puede medir los días entre cambios. | Velocidad a partir de cambios reales |
| Despliegue en RevOps | Cada analista sube un archivo de deals distinto, así que la misma pregunta obtiene una respuesta diferente en el chat de cada persona. | Un Owner con plan Team o Enterprise añade Dataddo Data Access para la organización, y después cada persona inicia sesión con sus credenciales personales de Dataddo. | Una fuente común de respuestas |
| Consumo de tokens | Claude gasta tokens explorando columnas sin procesar de HubSpot, muestreando filas y reintentando hasta entender los datos. | Las definiciones de campos y las relaciones se entregan de antemano, así que el modelo se salta la exploración y va directo a la respuesta. | Menos tokens por respuesta |
| Calidad de las respuestas | Propenso a uniones incorrectas, campos inventados y cifras difíciles de comprobar. | Respuestas basadas en campos definidos. En el benchmark de Dataddo se respondió correctamente el 78,5 % de las preguntas, frente al 65,5 % con archivos CSV simples. | Mejores respuestas |
Los datasets de HubSpot que más usan los equipos de finanzas y RevOps, con sus nombres de campo reales. Claude los consulta por su nombre a través de la capa semántica de Dataddo.
Lista de datasets curados
¿Necesita un dataset, métrica o atributo que no ve?
Díganos qué falta y lo añadiremos al conector.
Se ejecuta según su programación. Deals y Line Items extraen todos los registros actuales en cada ejecución; las variantes Date Range y Properties History leen una ventana relativa. El historial no se puede cargar con efecto retroactivo, así que conserve snapshots con la marca de tiempo de extracción.
Conector de HubSpot →Planteamos 43 preguntas registradas de antemano sobre tres conjuntos de datos reales - Google Search Console, deals de HubSpot y Google Ads - y entregamos las mismas filas al mismo modelo de cuatro formas. Solo cambió la capa de datos.
de las preguntas respondidas correctamente - el mejor de los cuatro métodos de entrega probados
menos respuestas erróneas presentadas como seguras - 14,0 % de las ejecuciones frente a 24,0 % y 26,3 %
más respuestas correctas con datos de CRM desordenados - mejor en 8 preguntas, peor en ninguna
El mismo modelo, las mismas instrucciones y las mismas filas en todas las condiciones; 759 ejecuciones evaluadas, con las respuestas de referencia fijadas antes de cualquier ejecución. Solo en Google Search Console, los archivos CSV documentados rindieron igual que Data to AI™: la ventaja viene de datos más complejos, como los deals de HubSpot.
Leer el informe →Cree una fuente de HubSpot en Dataddo con datasets como Deals, Deal Pipelines y Properties History, y vincúlela a un destino Claude o a un AI Model. En Claude, añada el conector personalizado https://headless.dataddo.com/mcp-data e inicie sesión en Dataddo. Para Claude Code, ejecute claude mcp add --transport http dataddo con esa URL.
Deals guarda dealstage como un ID. Añada el dataset Deal Pipelines y combínelo por Stage ID, para que Claude pueda responder con Stage Label y usar Stage Probability en cifras ponderadas.
Solo desde el día en que empiece a guardar snapshots. HubSpot no permite cargar datos históricos de deals, así que añada la marca de tiempo de extracción de Dataddo y anexe cada ejecución. Properties History también cubre cambios pasados de propiedades.
Sí. Properties History devuelve quién cambió qué propiedad, el valor anterior y el nuevo, y cuándo, para un objeto de CRM elegido. Consúltelo desde su repositorio tras claude mcp add.
Los campos personalizados se admiten en todos los objetos de HubSpot, así que selecciónelos en la fuente. Para objetos personalizados, use el dataset Custom Objects con el ID del objeto que figura en la configuración de HubSpot, o consulte al Solutions team de Dataddo.
La cuenta de HubSpot que autoriza Dataddo necesita permisos de nivel administrador como mínimo. Los usuarios de Claude solo inician sesión en Dataddo, y en Team y Enterprise cada miembro usa su propia cuenta de Dataddo.
Todos los planes admiten conectores personalizados, con uno permitido en Free. Los usuarios de Pro y Max lo añaden por su cuenta; en Team y Enterprise, un Owner lo añade para toda la organización.