Generieren Sie Outreach-Sequenzen mit KI Füttern Sie Ihre KI mit Ausgegrabene Google Maps-Leads

Erst die Daten, dann das Modell schreiben lassen

Eine Outreach-Sequenz ist nur so gut wie ihr Kontext. Eine generische Dreier-E-Mail-Serie landet im Spam-Ordner. Eine Serie, die auf Kategorie, Stadt und Website des potenziellen Kunden eingeht, wirkt hingegen, als sei sie speziell für dieses Unternehmen verfasst worden - und das ist sie auch. Der Trick besteht darin, Ihrer KI echte Geschäftsdaten zur Verfügung zu stellen, anstatt sie Details erfinden zu lassen.

Das ist der ganze Sinn der Sache Füttern Sie Ihre KI mit Daten Vorgehensweise. Man erstellt eine bereinigte Liste lokaler Unternehmen, übergibt die Datei dann einem Modell und lässt es die Abfolge entwerfen Vonsel-Erweiterung Die erste Hälfte übernimmt es: Sie öffnen Google Maps, führen eine Suche wie „Zahnärzte in Austin“ durch, und es erfasst alle Einträge in einer strukturierten Tabelle, die Sie exportieren können.

Jede Zeile enthält die Felder, die ein Sprachmodell zur Personalisierung benötigt: Firmenname, Kategorie, Adresse, Stadt, Telefonnummer, Website und Social-Media-Handles. Der Schrott ist das Rohmaterial, nicht die fertige Kampagne. Der eigentliche Wert liegt in dem, was man darauf aufbaut.

Exportieren Sie die Leads aus der Erweiterung

Sobald die Erfassung abgeschlossen ist, öffnen Sie das Bedienfeld und wählen Sie Ihr Format. CSV und Excel eignen sich ideal zum Hochladen in ein Chatfenster. JSON ist das übersichtlichste Eingabeformat, wenn ein Skript Datensätze Feld für Feld durchlaufen soll. Wenn Sie sich nicht sicher sind, welches Format Sie wählen sollen, hilft Ihnen unsere Anleitung weiter CSV-, XLSX- und JSON-Exportoptionen erörtert die Vor- und Nachteile.

Filtern Sie die Liste vor dem Export. Beschränken Sie sie auf die relevanten Kontaktpersonen, damit die KI nicht gleichzeitig Restaurants und Anwaltskanzleien anschreibt. Eine kompaktere Datei führt zu einer präziseren Sequenz und reduziert die Anzahl der benötigten Token beim Einfügen in ein Modell.

Erstellen Sie eine Sequenz in ChatGPT

ChatGPT ist der schnellste Weg, Ergebnisse zu sehen. Öffnen Sie einen neuen Chat, hängen Sie Ihre CSV- oder Excel-Exportdatei an und geben Sie eine klare Aufgabenstellung. Durch das Hochladen von Dateien kann das Modell die gesamte Tabelle lesen, und seine strukturierten Ausgaben sind so aussagekräftig, dass sie eine sofort versandfertige Nachrichtenfolge liefern, wie sie von OpenAI bereitgestellt wird Leitfaden zur Textgenerierung beschreibt.

Eine gut funktionierende Eingabeaufforderung sieht folgendermaßen aus:

"„Anbei finden Sie eine CSV-Datei mit lokalen Unternehmen, die ich erreichen möchte. Erstellen Sie für jede Zeile eine vierstufige Kaltakquise-Sequenz: E-Mail 1: Einleitung, E-Mail 2: Nutzenversprechen, E-Mail 3: Fallstudie, E-Mail 4: Zusammenfassung. Personalisieren Sie die Einleitung mit Firmenname, Kategorie und Stadt. Jede E-Mail sollte maximal 90 Wörter umfassen. Das Ergebnis soll als Tabelle mit einer Zeile pro Unternehmen zurückgegeben werden."

Da das Modell jede Spalte einsehen kann, bettet es jede Einleitung in ein reales Unternehmen ein, anstatt sie als Platzhalter zu verwenden. Anschließend können Sie den Ton in einer Folge-E-Mail anpassen: kürzer, lockerer oder branchenspezifisch. Eine ausführlichere Anleitung zum Verfassen des Textes finden Sie hier Wie man mit ChatGPT aus gesammelten Daten Kaltakquise-E-Mails schreibt.Die.

Die Skalierung des Chatfensters hat ihre Grenzen. Bei 40 Unternehmen funktioniert es einwandfrei. Bei 2.000 Unternehmen werden die Daten abgeschnitten, Spalten verloren oder die Darstellung wird langsam. In diesem Fall ist ein skriptbasierter Ansatz erforderlich.

Generieren Sie große Mengen mit Claude Code

Wenn Sie einen Ordner voller Exportdateien haben, Claude Code ist das bessere Tool. Es läuft im Terminal, liest Dateien direkt von der Festplatte und kann neue Dateien wieder schreiben. Das bedeutet, es liefert nicht nur eine Antwort, sondern kann jeden Datensatz in Ihrem JSON-Objekt durchlaufen und für jedes Unternehmen eine personalisierte Sequenz erstellen, die in einer eigenen Datei gespeichert wird.

Eine Arbeitsanweisung an Claude Code lautet eindeutig:

"Lesen Sie die Datei leads.json in diesem Ordner. Generieren Sie für jedes Unternehmen eine personalisierte E-Mail-Sequenz mit vier E-Mails, die Name, Kategorie und Stadt des Unternehmens enthalten. Speichern Sie jede Sequenz in einer Datei, die nach dem Slug des Unternehmens benannt ist und sich im Ordner /outreach befindet. Verwenden Sie einen freundlichen, prägnanten B2B-Ton und halten Sie jede E-Mail unter 90 Wörtern."

Claude Code durchläuft die Datensätze, behält dabei stets die bewährte Struktur bei und erstellt einen übersichtlichen Ordner mit Entwürfen. Da es mit JSON arbeitet, werden keine Daten abgeschnitten oder Spalten entfernt. Sie können es innerhalb von Sekunden mit einem angepassten Ton erneut ausführen. Weitere Informationen finden Sie in unserer Anleitung unter [Link einfügen Lead-Analyse mit Claude Code zeigt, wie man dieselbe Datei bewertet und segmentiert, bevor man sie generiert.

Die beiden Tools ergänzen sich ideal. Erstellen Sie einen Prototyp der Sequenz in ChatGPT, fixieren Sie das Format und übergeben Sie dieses Format anschließend an Claude Code, um es auf die gesamte Liste anzuwenden. Diese Aufteilung deckt den Großteil des Workflows ab.

Codex und lokale Modelle für die letzte Meile

Zwei kleinere Optionen runden den Workflow ab. Codierungsassistenten im Codex-Stil können den Export vor der Generierung anreichern: Duplikate in Zeilen entfernen, Telefonformate normalisieren oder eine große Datei in stadtbezogene Batches aufteilen, sodass die Sequenzgenerierung mit saubereren Eingabedaten beginnt.

Ein lokales Modell auf dem eigenen Rechner lohnt sich, wenn die Liste Daten enthält, die man lieber nicht an eine gehostete API senden möchte. Zwar geht dadurch etwas Feinschliff verloren, aber die Datei bleibt komplett offline und man erhält trotzdem einen brauchbaren ersten Entwurf, den man manuell bearbeiten kann. Für die meisten Anwender sind das Ausnahmefälle: ChatGPT und Claude Code übernehmen die Hauptarbeit.

ChatGPT vs Claude Code für Sequenzen

Unabhängig von den Modellentwürfen gilt: Die Kontaktaufnahme mit Unternehmen muss weiterhin den Regeln folgen. Die USA Leitfaden zur Einhaltung der CAN-SPAM-Bestimmungen Es deckt alles ab, was jede kommerzielle E-Mail benötigt, und es lohnt sich, anhand unseres Hinweises zu überprüfen, ob Ihr Scraping- und Versandprozess auf soliden Grundlagen steht ob das Auslesen von Google Maps legal ist.Die.

Wo das Vonsel-Dashboard die Führung übernimmt

Ein Ordner mit KI-Entwürfen ist ein guter Anfang, aber es ist immer noch nur Text Vonsel-Dashboard, Die erfassten Leads werden in einem zugeordneten CRM-System gespeichert. Email Intelligence generiert KI-gestützte E-Mails, die individuell auf jedes Unternehmen zugeschnitten sind, und Review Intelligence deckt die in den öffentlichen Bewertungen eines Unternehmens verborgenen Schwachstellen auf, sodass Ihre E-Mail-Sequenz mit einem Thema beginnt, das den potenziellen Kunden tatsächlich interessiert.

Das ist der Unterschied zwischen einer einmaligen Datenerfassung und einem wiederholbaren System. Sie öffnen einen Scrape erneut, um weitere Unternehmen hinzuzufügen, den Kontext von Rezensionen einzubinden, zu verfolgen, wer geantwortet hat, und Folgeanfragen zu bearbeiten. Die Erweiterung liefert die Daten. Das Dashboard ist das System. Um einen umfassenderen Überblick darüber zu erhalten, wie man aus einer Rohdatei Wert schöpft, lesen Sie weiter Füttern Sie Ihre KI mit Geschäftsdaten Und Wie man eine KI-E-Mail für jedes Unternehmen schreibt.Die.