KI-Agenten für die Bleiforschung Füttern Sie Ihre KI mit echte Google Maps-Daten

KI-Agenten sind hungrig nach echten Daten

Fragt man ChatGPT nach „50 Zahnärzten in Chicago mit Telefonnummern“, erhält man eine scheinbar korrekte Liste, die aber größtenteils falsch ist. Große Sprachmodelle sagen Texte voraus, sie analysieren aber nicht den lokalen Markt. Ohne einen realen Datensatz als Grundlage erfinden KI-Systeme Unternehmen, erfinden Telefonnummern und fälschen Bewertungen.

Die Lösung ist keine bessere Eingabeaufforderung. Die Lösung ist reale Daten. Sobald Sie einem Makler eine Datei mit verifizierten Unternehmen direkt aus Google Maps übergeben, basiert alles Weitere (Bewertung, Segmentierung, Werbetexte) auf der Realität. Das Modell hört auf zu raten und beginnt, auf der Grundlage von Fakten, die Sie besitzen, logische Schlüsse zu ziehen.

Das ist die Grundidee hinter „KI mit Daten füttern“. Man sammelt die Daten mit einem Scraper, die KI übernimmt das Denken Füttern Sie Ihre KI mit Geschäftsdaten Das Playbook vermittelt die nötige Denkweise. Dieser Beitrag beschreibt den praktischen Ablauf: wie man die Datei erhält und wie man sie mit den beiden am häufigsten verwendeten Agenten bearbeitet.

Datei erfassen und exportieren

Öffnen Sie Google Maps, geben Sie beispielsweise „Dachdecker in Denver“ ein und lassen Sie Vonsel die Einträge erfassen. Nach Abschluss der Datenerfassung exportieren Sie die Ergebnisse mit einem Klick. Die Erweiterung bietet Ihnen drei Formate: CSV für Tabellenkalkulationen, Excel für eine formatierte Arbeitsmappe und JSON für alles Programmatische.

Welches Format Sie wählen, hängt vom Agenten ab. Eine Faustregel: CSV oder Excel für ChatGPT, JSON für Claude Code und codebasierte Agenten CSV-, XLSX- und JSON-Exportoptionen Der Leitfaden erklärt detailliert, wann welcher Spieler gewinnt, und Export von Leads für KI zeigt, wie man die Säulen vor der Übergabe in Form bringt.

Die Felder sind wichtiger als das Format. Jeder Export enthält Firmenname, Kategorie, vollständige Adresse, Telefonnummer, Website, Bewertung, Anzahl der Rezensionen und Rezensionstext. Genau diese Informationen benötigt ein Makler, um die Eignung und Absicht eines Kunden zu beurteilen. Sie stammen von Google Maps und nicht von einer veralteten, gekauften Liste. Den Unterschied sehen Sie hier Google Maps-Daten vs. gekaufte Listen.Die.

Bearbeiten Sie die Liste mit ChatGPT

ChatGPT ist der schnellste Einstieg, da es Tabellenkalkulationen nativ einlesen kann. Ziehen Sie Ihre CSV- oder Excel-Datei einfach per Drag & Drop in einen Chat, und ChatGPT wandelt sie in eine Tabelle um, die analysiert, sortiert und gefiltert werden kann. Die integrierte Datenanalyse nutzt Python im Hintergrund, sodass Tausende von Zeilen verarbeitet werden können, ohne dass Sie Code schreiben müssen. Siehe auch OpenAI Werkzeugdokumentation zur Funktionsweise von Dateieingaben und Codeausführung.

Sobald die Datei hochgeladen ist, übernehmen die Eingabeaufforderungen die Recherche für Sie. Einige davon sind besonders hilfreich:

Bewerten Sie die Liste: "Ordnen Sie diese Unternehmen nach Priorität ihrer Kontaktaufnahme. Eine hohe Punktzahl bedeutet eine Bewertung unter 4,2 mit mehr als 40 Rezensionen und einer funktionierenden Website. Fügen Sie eine Spalte für die Bewertung und eine kurze Begründung hinzu. Diese einfache Anweisung verwandelt eine statische Liste in eine priorisierte Pipeline.

Segmentierung nach Schmerz: "Lesen Sie die Bewertungen und teilen Sie die Unternehmen in drei Kategorien ein: Beschwerden über langsamen Service, über die Preise und über das Personal. Erstellen Sie eine Tabelle mit dem Namen des Unternehmens und der entsprechenden Kategorie. So wissen Sie, worauf es ankommt, bevor Sie überhaupt zum Telefon greifen.

Entwurfs-Outreach: "Verfassen Sie für die zehn am besten bewerteten Unternehmen eine kurze, zweisätzige E-Mail-Ansprache, die ein bestimmtes Muster in deren Bewertungen aufgreift. Da die Bewertungen authentisch sind, wirken die Ansprachen fundiert und nicht generisch. Eine ausführlichere Version finden Sie hier Analysieren Sie Lead-Listen mit ChatGPT.Die.

Skalieren Sie es mit Claude Code

ChatGPT eignet sich hervorragend für eine Liste in einem Chatfenster. Wenn Sie jedoch zwanzig Exporte haben oder dieselbe Analyse wöchentlich durchführen möchten, benötigen Sie einen Agenten, der direkt neben Ihren Dateien arbeitet Claude Code, ein Terminalagent, der den Ordner liest, in dem sich Ihre JSON- und CSV-Exporte befinden, und direkt darauf reagiert.

Der Workflow ist einfach. Legen Sie Ihre Vonsel-Exporte in einen Projektordner, öffnen Sie dort Claude Code und beschreiben Sie den Auftrag in einfacher Sprache. Das Programm erstellt und führt das Skript aus und liefert Ihnen das Ergebnis. Kein Kopieren und Einfügen, keine Upload-Beschränkungen, kein Überblick über lange Listen.

Konkrete Anfragen sehen so aus: „Führe alle JSON-Exporte in diesem Ordner zusammen, entferne doppelte Einträge anhand der Telefonnummer und erstelle eine einzige sortierte CSV-Datei.“ Oder: „Markiere für jedes Unternehmen mit Website diejenigen, deren Bewertungstext Buchungs- oder Terminprobleme erwähnt, und speichere sie in hot-leads.csv.“ Claude Code wandelt diese Sätze in wiederverwendbaren Code um, den Sie nächsten Monat mit neuen Daten erneut ausführen können.

Da es skriptfähig ist, summiert sich der Arbeitsaufwand. Sobald eine Bewertungsroutine existiert, durchläuft jeder neue Abruf innerhalb von Sekunden dieselbe Logik Analysiere Leads mit Claude Code Der Leitfaden führt durch die gesamte Einrichtung vom Scrapen bis zum KI-gestützten CRM-Workflow Integriert es in Ihre Pipeline.

ChatGPT vs. Claude Code für Lead-Recherche

Die meisten Nutzer beginnen mit ChatGPT und wechseln zu Claude Code, sobald ihre Listen größer werden. Beide Tools ersetzen nicht das andere. In ChatGPT erkunden Sie neue Datenquellen, während Sie wiederkehrende Aufgaben in Claude Code automatisieren.

Codex- und lokale Modelle

Wenn du in einem Code-Editor lebst, OpenAI Codex Es erfüllt dieselbe Funktion wie Claude Code im Terminal oder Ihrer IDE. Geben Sie einfach Ihre exportierte JSON-Datei an und beschreiben Sie die Transformation. Es eignet sich ideal, wenn Ihr Team bereits Tools für die Verarbeitung von Lead-Daten entwickelt.

Bei sensiblen Listen oder großen Datenmengen speichert ein lokales Modell alles auf Ihrem Rechner. Tools, die offene Modelle auf Ihrer eigenen Hardware ausführen, lesen exakt dieselben CSV- und JSON-Exporte, ohne dass Daten Ihren Laptop verlassen und ohne Kosten pro Token. Der Nachteil ist ein kleinerer Kontext und ein höherer Einrichtungsaufwand lokale LLMs mit Bleidaten verwenden Der Leitfaden behandelt auch, wann der Schutz der Privatsphäre gerechtfertigt ist.

Welchen Agenten Sie auch wählen, die Eingabe ist identisch: ein sauberer Export aus einer kostenlosen Browsererweiterung. Der Scraper bleibt gleich, die KI-Ebene können Sie austauschen. Siehe die Dokumentation zu Chrome-Erweiterungen wie die browserbasierte Aufzeichnung im Detail funktioniert.

Wo die Forschung zu Einnahmen wird

Ein KI-Agent liefert Ihnen eine sortierte, segmentierte und kommentierte Liste. Das ist ein wertvolles Rechercheergebnis. Für den Vertrieb ist es aber noch nicht geeignet. Um Leads tatsächlich zu bearbeiten, benötigen Sie eine Plattform, auf der Sie diese visualisieren, ihren Status verfolgen und sie in großem Umfang kontaktieren können.

Das ist die Aufgabe des Vonsel-Dashboard. Die Erweiterung integriert Ihre erfassten Unternehmen in ein zugeordnetes CRM-System. Vonsels eigene Bewertungsanalyse identifiziert die Schwachstellen und erstellt automatisch eine KI-gestützte E-Mail, die auf jedes Unternehmen individuell zugeschnitten ist. So werden die externen Recherchen Ihres Agenten zu kontextbezogenen, wertvollen Daten, die Sie intern nutzen können. Der Web-Scraper und der externe Agent sind das Mittel zum Zweck. Das Dashboard ist das Ziel.

Sie können beide Prozesse parallel betreiben: Exportieren Sie Daten für explorative Analysen in Ihre bevorzugte KI-Lösung und behalten Sie die eigentliche Vertriebspipeline in Vonsel bei, wo das zugeordnete CRM und die unternehmensspezifischen KI-E-Mails den Kreislauf schließen. Dieselben Daten speisen gleichzeitig Ihre KI und Ihren Vertriebsprozess.