Anreicherung von Lead-Listen mit KI ChatGPT, Claude Code und Codex, gespeist mit realen Daten

Füttere deine KI mit Daten, nicht mit Stimmungen

Fragt man ein beliebiges Sprachmodell nach 50 Zahnärzten in Madrid mit E-Mail-Adressen, erstellt es eine plausible Liste. Die Namen wirken authentisch, die Telefonnummern sind fiktiv. Sprachmodelle sind darauf ausgelegt, Texte vorherzusagen, nicht die aktuelle Telefonnummer einer Praxis zu kennen. Genau deshalb beginnt die Anreicherung mit einer verlässlichen Datenquelle.

Die Lösung ist einfach: Zuerst werden die Unternehmen erfasst, dann wird diese strukturierte Datei an die KI übergeben. Wenn ein Modell eine Spalte mit echten Bewertungen, Rezensionsanzahlen, Kategorien und Webseiten liest, hört es auf zu raten und beginnt zu schlussfolgern. Das ist die gesamte Grundidee Füttern Sie Ihre KI mit Geschäftsdaten.Die.

Der Vonsel Die Dateierweiterung dient dazu, an diese Datei zu gelangen. Man durchsucht Google Maps, erfasst die Ergebnisse und exportiert sie. Die KI ist der Ort, an dem die Anreicherung stattfindet. Die Erweiterung ist die Quelle, Ihr KI-Tool die Werkstatt und das Vonsel-Dashboard der Ort, an dem die fertigen Leads ihre Arbeit aufnehmen.

Exportieren Sie eine saubere Datei aus der Erweiterung

Öffnen Sie Google Maps, suchen Sie beispielsweise nach „Dachdeckern in Austin“ oder „Friseursalons in Barcelona“ und lassen Sie Vonsel die Einträge automatisch erfassen. Jedes Unternehmen wird mit Name, Adresse, Telefonnummer, Website, Kategorie, Bewertung und Anzahl der Rezensionen angezeigt. Sie können das Format auswählen, das am besten zu Ihrem KI-Tool passt CSV-, XLSX- und JSON-Exportoptionen.Die.

Faustregel: verwenden CSV oder Excel wenn Sie die Datei in ChatGPT hochladen und verwenden JSON Wenn Claude Code oder Codex es lesen können, dann weil verschachtelte Felder besser erhalten bleiben. Falls Sie damit noch nicht vertraut sind Exportformate für den KI-Leitfaden deckt ab, wenn jeder einzelne glänzt.

Eine übersichtliche und einheitliche Kopfzeile ist wichtiger als die Datenmenge. Gut strukturierte Spalten ermöglichen es einem Modell, „Bewertung“ und „Anzahl der Rezensionen“ zu vergleichen und zu analysieren. Rohdaten liefern unstrukturierte Ergebnisse. Struktur im Text bedeutet Struktur im Ergebnis.

ChatGPT: Datei hochladen und starten

Für die meisten Nutzer ist ChatGPT der schnellste Weg. Öffnen Sie einen neuen Chat, hängen Sie Ihre exportierte CSV- oder Excel-Datei an und beschreiben Sie Ihr Anliegen. Der Datenanalysemodus liest die Tabelle direkt ein, sodass Sie Fragen in natürlicher Sprache stellen und eine angereicherte Datei zum Herunterladen erhalten können. OpenAI dokumentiert das zugrundeliegende Verhalten in seiner Leitfaden zur Textgenerierung.Die.

Gute Einstiegsfragen, sobald die Datei angehängt ist:

• "„Bewerten Sie jedes Unternehmen auf einer Skala von 1 bis 5 danach, wie wahrscheinlich es ist, dass es eine neue Website benötigt. Verwenden Sie dabei die Bewertung, die Anzahl der Rezensionen und die Frage, ob eine Website vorhanden ist."
• "„Fügen Sie eine Spalte hinzu, die jeden Lead nach Größe kennzeichnet: Einzelunternehmer, kleines Unternehmen oder etabliertes Unternehmen, abgeleitet aus der Anzahl der Bewertungen."
• "„Markieren Sie Unternehmen mit einer guten Bewertung, aber sehr wenigen Rezensionen. Diese sind unterrepräsentiert und leicht zu präsentieren."
• "„Entwerfen Sie für jede Zeile eine einzeilige, personalisierte Kaltakquise-E-Mail-Eröffnung, basierend auf der jeweiligen Kategorie und Stadt."

Der Arbeitsablauf wird von Anfang bis Ende abgedeckt in Hochladen einer Lead-CSV-Datei in ChatGPT und in Analyse von Lead-Listen mit ChatGPT. Halten Sie die Batches unter einigen hundert Zeilen pro Chat, damit das Modell genau bleibt, und führen Sie die Teile dann zusammen.

Claude Code: Bereichern Sie einen ganzen Ordner auf Ihrem Computer

Wenn aus einer Datei fünfzig werden, wird das Chatfenster von ChatGPT zum Flaschenhals. Claude Code Es läuft in Ihrem Terminal und kann so einen Ordner mit Exporten einlesen, Tausende von Zeilen durchlaufen und die angereicherten Ergebnisse wieder auf die Festplatte schreiben. Das ist der Unterschied zwischen einer Fragestellung und der Ausführung einer wiederholbaren Pipeline.

Legen Sie Ihre JSON- oder CSV-Exporte in einen Ordner, öffnen Sie dort Claude Code und geben Sie folgenden direkten Befehl: „Lies alle Dateien in ./leads, füge jeder Datei eine Spalte für lead_score und eine für website_gap hinzu und speichere die Ergebnisse in ./enriched.“ Da dies mit lokalen Dateien funktioniert, werden keine Daten abgeschnitten, und Sie können denselben Befehl beim nächsten Scrape-Vorgang erneut ausführen. Die Details finden Sie in [Link einfügen Lead-Analyse mit Claude Code.Die.

Hier können Sie auch wiederverwendbare Eingabeaufforderungen erstellen. Speichern Sie eine gut formulierte Anreicherungsanweisung einmal und wenden Sie sie auf jeden zukünftigen Export an. Ein Starterset ist enthalten in Claude Code fordert Lead-Datenbanken an.Die.

Codex und lokale Modelle für skriptbasierte oder private Arbeit

Manche Teams bevorzugen es, die Datenanreicherung direkt in den Code zu integrieren, anstatt sie manuell auszuführen Codex CLI Passt hierher. Geben Sie Ihre exportierte Datei an und lassen Sie ein kleines Skript erstellen, das Telefonnummernformate bereinigt, Duplikate anhand der Adresse entfernt und eine Bewertungsspalte hinzufügt. Sie überprüfen das Skript, führen es aus und haben nun einen wiederholbaren Anreicherungsschritt, der in Ihrem Repository gespeichert wird.

Wenn die Daten sensibel sind oder Sie sie einfach nicht in der Cloud speichern möchten, funktioniert ein lokales Modell mit derselben exportierten Datei. Nichts verlässt Ihren Laptop, und der JSON-Export bleibt exakt dieselbe Eingabe. Siehe Verwendung lokaler LLMs mit Bleidaten Für diesen Pfad. Der gemeinsame Nenner von ChatGPT, Claude Code, Codex und einem lokalen Modell ist dieselbe saubere Datei im Hintergrund.

Von einer angereicherten Datei zu einer funktionierenden Pipeline

Die Anreicherung ist nicht das Ziel. Eine bewertete CSV-Datei, die auf Ihrem Desktop liegt, muss noch zu Gesprächen und Besprechungen führen. Das ist die Aufgabe der Vonsel-Dashboard: Ein CRM-System, in dem Ihre erfassten Geschäftsdaten gespeichert sind, mit zusätzlichen Ebenen für Vertrieb, Bewertungen und E-Mail-Analyse. Die KI-gestützte Anreicherung im vorgelagerten Prozess dient als Grundlage für die Segmentierung und Priorisierung Ihrer Maßnahmen im weiteren Verlauf.

Im Dashboard wird für jedes Unternehmen eine KI-gestützte E-Mail generiert und Datenbanken werden mit den in Rezensionen genannten Schwachstellen kontextualisiert. So lässt sich das vom Modell erzeugte „Website-Lücken“-Flag präzise einem realen Ansatz für die Kundenansprache zuordnen. Ein Rohdatenexport ist der Ausgangspunkt; eine Datenbank mit Mehrwert ist das fertige Produkt, wie bereits argumentiert wurde Mehrwertdatenbank vs. unformatierte CSV-Datei.Die.

Eine weitere nützliche Gewohnheit: Gehen Sie verantwortungsvoll mit Web-Scraping um und arbeiten Sie ausschließlich mit geschäftlichen Kontaktdaten. (Kurzfassung ob das Auslesen von Google Maps legal ist Stellen Sie sicher, dass Ihre angereicherten Listen auf soliden Grundlagen stehen, bevor Sie jemanden per E-Mail kontaktieren.

Lassen Sie das Modell nicht die Daten erfinden