Option
HeimHeim Skill Produktivität und Workflow social-graph-ranker

social-graph-ranker

affaan-m/ECC affaan-m/ECC

Ordnet gemeinsame Kontakte nach dem Brückenwert für „Warm Introductions“ ein, wobei ein gewichtetes Graphmodell mit Abkling- und Interaktionsboni verwendet wird.

...Alle erweitern
0
Zeit aktualisiert 12. Oktober 2026

Social-Graph-Ranker

Kanonische, gewichtete Graph-Ranking-Ebene für netzwerkorientiertes Outreach.

Verwenden Sie diese Funktion, wenn der Benutzer Folgendes tun muss:

  • bestehende gegenseitige Kontakte oder Verbindungen nach ihrem Intro-Wert bewerten
  • „Warm Paths“ einer Zielliste zuordnen
  • den Brückenwert über Verbindungen erster und zweiter Ordnung messen
  • entscheiden, welche Ziele eine „warme“ Einführung verdienen und welche eine direkte „kalte“ Kontaktaufnahme erfordern
  • die Graphmathematik unabhängig von Lead-Intelligence oder dem Connections-Optimizer verstehen

Wann sollte diese eigenständige Lösung verwendet werden?

Wählen Sie diese Funktion, wenn der Nutzer in erster Linie die Ranking-Engine nutzen möchte:

  • „Wer in meinem Netzwerk ist am besten geeignet, mich vorzustellen?“
  • „Ordne meine gemeinsamen Kontakte danach, wer mich zu diesen Personen bringen kann“
  • „Ordne mein Netzwerk diesem ICP zu“
  • „Zeig mir die Brückenberechnung“

Verwenden Sie diese Funktion nicht isoliert, wenn der Nutzer eigentlich Folgendes möchte:

  • umfassende Lead-Generierung und Outbound-Sequenzierung – nutze dazu „Lead-Intelligence“
  • Ausdünnen, Neuausbalancieren und Ausbau des Netzwerks -> nutze den „Connections-Optimizer“

Eingaben

Erfassen oder ableiten:

  • Zielpersonen, Unternehmen oder ICP-Definition
  • den aktuellen Netzwerkbaum des Nutzers auf X, LinkedIn oder beiden Plattformen
  • Gewichtungsprioritäten wie Rolle, Branche, Region und Reaktionsbereitschaft
  • Durchsuchungstiefe und Toleranz für den Datenverfall

Kernmodell

Gegeben:

  • T = gewichtete Zielmenge
  • M = Ihre aktuellen gegenseitigen / direkten Verbindungen
  • d(m, t) = kürzeste Hop-Distanz vom gemeinsamen Knoten m zum Ziel t
  • w(t) = Zielgewicht aus der Signalbewertung

Basis-Brücken-Score:

B(m) = Σ_{t ∈ T} w(t) · λ^(d(m,t) - 1)

Dabei gilt:

  • λ der Abklingfaktor ist, üblicherweise 0,5
  • Ein direkter Pfad trägt den vollen Wert bei
  • jeder zusätzliche Hop halbiert den Beitrag

Entwicklung zweiter Ordnung:

B_ext(m) = B(m) + α · Σ_{m' ∈ N(m) \\ M} Σ_{t ∈ T} w(t) · λ^(d(m',t))

Dabei gilt:

  • N(m) \\ M die Menge der Personen ist, die der gemeinsame Bekannte kennt, die du jedoch nicht kennst
  • α berücksichtigt die Reichweite zweiter Ordnung, üblicherweise 0,3

Antwortbereinigte endgültige Rangliste:

R(m) = B_ext(m) · (1 + β · engagement(m))

Dabei gilt:

  • engagement(m) die normalisierte Reaktionsbereitschaft oder Beziehungsstärke ist
  • β ist der Engagement-Bonus, in der Regel 0,2

Interpretation:

  • Stufe 1: hoher R(m) -Wert und direkte Brückenpfade -> Anfragen für „Warm Intro“
  • Stufe 2: mittlerer R(m)-Wert und Brückenpfade mit einem Zwischenkontakt -> bedingte Einführungsanfragen
  • Stufe 3: niedriges R(m) oder keine brauchbare Verbindung -> direkte Kontaktaufnahme oder Lücken schließen

Bewertungssignale

Gewichtung der Ziele vor der Graphdurchquerung anhand der für den aktuellen Prioritätssatz relevanten Kriterien:

  • Übereinstimmung von Rolle oder Titel
  • Passung zum Unternehmen oder zur Branche
  • aktuelle Aktivität und Aktualität
  • geografische Relevanz
  • Einfluss oder Reichweite
  • Wahrscheinlichkeit einer Antwort

Gewichtung der gegenseitigen Beziehungen nach Durchlauf mit:

  • Anzahl der gewichteten Pfade in die Zielmenge
  • Direktheit dieser Pfade
  • Reaktionsbereitschaft oder bisherige Interaktionshistorie
  • kontextuelle Eignung für die Einführung

Ablauf

  1. Erstellen Sie die gewichtete Zielgruppe.
  2. Rufen Sie den Nutzergraphen aus X, LinkedIn oder beiden Quellen ab.
  3. Berechnung der direkten Brückenwerte.
  4. Erweitern Sie die Kandidaten zweiter Ordnung um die wertvollsten gemeinsamen Kontakte.
  5. Nach R(m) ordnen.
  6. Ergebnis:
    • die besten Anfragen für „Warm Intro“
    • bedingte Brückenpfade
    • Lücken im Graphen, in denen kein „Warm Intro“-Pfad existiert

Ausgabeform

SOZIALGRAFIK-RANKING
====================

Prioritätsmenge:
Plattformen:
Abklingmodell:

Top-Brücken
- gegenseitig / Verbindung
  Basiswert:
  erweiterter Wert:
  beste Ziele:
  Pfadzusammenfassung:
  empfohlene_Maßnahme:

Bedingte Pfade
- gegenseitig / Verbindung
  Grund:
  zusätzliche Hop-Kosten:

Kein „Warm Path“
- Ziel
  Empfehlung: direkte Kontaktaufnahme / Lücke im Graphen schließen

Verwandte Fähigkeiten

  • „lead-intelligence“ nutzt dieses Ranking-Modell im Rahmen der umfassenderen Pipeline zur Zielidentifizierung und Kontaktaufnahme
  • connections-optimizer nutzt dieselbe Brückenlogik bei der Entscheidung, wen beizubehalten, zu entfernen oder hinzuzufügen
  • „brand-voice“ sollte vor dem Verfassen einer Vorstellungsanfrage oder einer direkten Kontaktaufnahme ausgeführt werden
  • x-api bietet Zugriff auf den X-Graph und optionale Ausführungspfade
Auf GitHub ansehen
---
name: social-graph-ranker
description: Ranks mutual connections by bridge value for warm introductions, using a weighted graph model with decay and engagement bonuses.
---

# Social Graph Ranker

Canonical weighted graph-ranking layer for network-aware outreach.

Use this when the user needs to:

- rank existing mutuals or connections by intro value
- map warm paths to a target list
- measure bridge value across first- and second-order connections
- decide which targets deserve warm intros versus direct cold outreach
- understand the graph math independently from `lead-intelligence` or `connections-optimizer`

## When To Use This Standalone

Choose this skill when the user primarily wants the ranking engine:

- "who in my network is best positioned to introduce me?"
- "rank my mutuals by who can get me to these people"
- "map my graph against this ICP"
- "show me the bridge math"

Do not use this by itself when the user really wants:

- full lead generation and outbound sequencing -> use `lead-intelligence`
- pruning, rebalancing, and growing the network -> use `connections-optimizer`

## Inputs

Collect or infer:

- target people, companies, or ICP definition
- the user's current graph on X, LinkedIn, or both
- weighting priorities such as role, industry, geography, and responsiveness
- traversal depth and decay tolerance

## Core Model

Given:

- `T` = weighted target set
- `M` = your current mutuals / direct connections
- `d(m, t)` = shortest hop distance from mutual `m` to target `t`
- `w(t)` = target weight from signal scoring

Base bridge score:

```text
B(m) = Σ_{t ∈ T} w(t) · λ^(d(m,t) - 1)
```

Where:

- `λ` is the decay factor, usually `0.5`
- a direct path contributes full value
- each extra hop halves the contribution

Second-order expansion:

```text
B_ext(m) = B(m) + α · Σ_{m' ∈ N(m) \\ M} Σ_{t ∈ T} w(t) · λ^(d(m',t))
```

Where:

- `N(m) \\ M` is the set of people the mutual knows that you do not
- `α` discounts second-order reach, usually `0.3`

Response-adjusted final ranking:

```text
R(m) = B_ext(m) · (1 + β · engagement(m))
```

Where:

- `engagement(m)` is normalized responsiveness or relationship strength
- `β` is the engagement bonus, usually `0.2`

Interpretation:

- Tier 1: high `R(m)` and direct bridge paths -> warm intro asks
- Tier 2: medium `R(m)` and one-hop bridge paths -> conditional intro asks
- Tier 3: low `R(m)` or no viable bridge -> direct outreach or follow-gap fill

## Scoring Signals

Weight targets before graph traversal with whatever matters for the current priority set:

- role or title alignment
- company or industry fit
- current activity and recency
- geographic relevance
- influence or reach
- likelihood of response

Weight mutuals after traversal with:

- number of weighted paths into the target set
- directness of those paths
- responsiveness or prior interaction history
- contextual fit for making the intro

## Workflow

1. Build the weighted target set.
2. Pull the user's graph from X, LinkedIn, or both.
3. Compute direct bridge scores.
4. Expand second-order candidates for the highest-value mutuals.
5. Rank by `R(m)`.
6. Return:
   - best warm intro asks
   - conditional bridge paths
   - graph gaps where no warm path exists

## Output Shape

```text
SOCIAL GRAPH RANKING
====================

Priority Set:
Platforms:
Decay Model:

Top Bridges
- mutual / connection
  base_score:
  extended_score:
  best_targets:
  path_summary:
  recommended_action:

Conditional Paths
- mutual / connection
  reason:
  extra hop cost:

No Warm Path
- target
  recommendation: direct outreach / fill graph gap
```

## Related Skills

- `lead-intelligence` uses this ranking model inside the broader target-discovery and outreach pipeline
- `connections-optimizer` uses the same bridge logic when deciding who to keep, prune, or add
- `brand-voice` should run before drafting any intro request or direct outreach
- `x-api` provides X graph access and optional execution paths

Alle Dateien

1 Dateien

social-graph-ranker installieren

Laden Sie die Skill-Dateien herunter und entpacken Sie sie in Ihr Verzeichnis „.claude/skills/“.

ZIP herunterladen

Klonen Sie das Repository und kopieren Sie die Skill-Dateien in Ihr Projekt.

git clone https://github.com/affaan-m/ECC/tree/main/skills/social-graph-ranker # Copy SKILL.md to your .claude/skills/ directory

Kopieren Kopieren
Schnelle Einrichtung: Kopiere den Skill-Ordner nach .claude/skills/ Claude erkennt den Skill automatisch und nutzt ihn.
Repository affaan-m/ECC

Ähnliche Skills

airtable-automation
Zeit aktualisiert 29. Juni 2026
notion-automation
Zeit aktualisiert 29. Juni 2026
seo-programmatic
Zeit aktualisiert 29. Juni 2026
revops
Zeit aktualisiert 29. Juni 2026
OR