Arricchisci gli elenchi di lead con l'intelligenza artificiale ChatGPT, Claude Code e Codex, alimentato con dati reali

Alimenta la tua IA con dati, non con sensazioni

Chiedete a qualsiasi modello di "fornirmi 50 dentisti a Madrid con i relativi indirizzi email" e questo creerà un elenco plausibile. I nomi sembreranno reali, ma i numeri di telefono saranno fittizi. I modelli linguistici sono progettati per prevedere il testo, non per conoscere il numero di telefono attuale di una clinica. È proprio per questo motivo che l'arricchimento dei dati inizia con una fonte di verità reale.

La soluzione è semplice: acquisire prima le aziende, poi consegnare quel file strutturato all'IA. Quando un modello legge una colonna di valutazioni reali, conteggi di recensioni, categorie e siti web, smette di tirare a indovinare e inizia a ragionare. Questa è l'intera premessa alla base alimenta la tua IA con dati aziendali..

IL Vonsel L'estensione è il mezzo per ottenere quel file. Si effettua una ricerca su Google Maps, si acquisiscono i risultati e li si esporta. L'intelligenza artificiale è dove avviene l'arricchimento. L'estensione è la fonte, il tuo strumento di intelligenza artificiale è l'officina e la dashboard di Vonsel è il luogo in cui i lead qualificati vanno a lavorare.

Esporta un file pulito dall'estensione

Apri Google Maps, cerca qualcosa come "installatori di tetti ad Austin" o "parrucchieri a Barcellona" e lascia che il pop-up di Vonsel catturi gli elenchi. Ogni attività commerciale include nome, indirizzo, telefono, sito web, categoria, valutazione e numero di recensioni. Puoi scegliere il formato più adatto al tuo strumento di intelligenza artificiale da Opzioni di esportazione in formato CSV, XLSX e JSON..

Regola generale: usare File CSV o Excel quando prevedi di caricare il file su ChatGPT e lo utilizzi JSON quando Claude Code o Codex lo leggeranno, perché i campi annidati sopravvivono meglio. Se sei nuovo a questo, il formati di esportazione per la guida all'IA copre quando ognuno brilla.

Una riga di intestazione pulita e coerente è più importante del volume. Colonne ben strutturate sono ciò che permette a un modello di allineare la "valutazione" con il "numero di recensioni" e di trarne conclusioni. I testi grezzi producono risposte in formato testo grezzo. Struttura in ingresso, struttura in uscita.

ChatGPT: carica il file e avvialo

Per la maggior parte delle persone, ChatGPT è la via più veloce. Apri una nuova chat, allega il tuo file CSV o Excel esportato e descrivi ciò che desideri. La sua modalità di analisi dei dati legge direttamente il foglio di calcolo, quindi puoi porre domande in linguaggio semplice e ottenere in cambio un file arricchito scaricabile. OpenAI documenta il comportamento sottostante nel suo guida alla generazione del testo..

Ecco alcuni spunti iniziali utili una volta allegato il file:

• "Assegna un punteggio da 1 a 5 a ciascuna attività commerciale in base alla probabilità che necessiti di un nuovo sito web, utilizzando il punteggio, il numero di recensioni e la presenza o meno di un sito web."
• "Aggiungi una colonna che etichetti ogni potenziale cliente in base alle sue dimensioni: singolo, piccolo o affermato, dedotte dal numero di recensioni."
• "Segnalate le attività con un'ottima valutazione ma poche recensioni. Sono poco conosciute e facili da contattare."
• "Crea un'apertura di email a freddo personalizzata, di una sola riga, per ogni riga, in base alla categoria e alla città."

Il flusso di lavoro è coperto end-to-end in caricamento di un file CSV di un lead su ChatGPT E in Analisi degli elenchi di lead con ChatGPT. Mantieni i batch al di sotto di poche centinaia di righe per chat in modo che il modello rimanga accurato, quindi unisci i pezzi.

Claude Code: arricchisci un'intera cartella sul tuo computer

Quando un singolo file si moltiplica per cinquanta, la finestra di chat di ChatGPT diventa un collo di bottiglia. Codice Claude Viene eseguito nel terminale, quindi può leggere una cartella di file esportati, scorrere migliaia di righe e scrivere i risultati arricchiti su disco. È la differenza tra porre una domanda ed eseguire una pipeline ripetibile.

Inserisci i tuoi file JSON o CSV in una cartella, apri Claude Code lì e impartiscigli direttamente le seguenti istruzioni: "Leggi ogni file in ./leads, aggiungi una colonna lead_score e una colonna website_gap a ciascuno e salva i risultati in ./enriched." Poiché funziona su file locali, nulla viene troncato e puoi ripetere la stessa istruzione per lo scraping della settimana successiva. I dettagli si trovano in Analisi dei lead con il codice Claude..

È qui che puoi anche creare prompt riutilizzabili. Salva un'istruzione di arricchimento ben formulata una volta e applicala a ogni esportazione futura. Un set iniziale è raccolto in Claude Code richiede database di lead..

Codex e modelli locali per lavori sceneggiati o privati

Alcuni team preferiscono che l'arricchimento sia integrato nel codice piuttosto che eseguito manualmente Codex CLI Si adatta perfettamente qui. Puntalo al tuo file esportato e chiedigli di scrivere un piccolo script che pulisca i formati dei numeri di telefono, rimuova i duplicati per indirizzo e aggiunga una colonna di punteggio. Rivedi lo script, eseguilo e ora hai una fase di arricchimento ripetibile che risiede nel tuo repository.

Se i dati sono sensibili o se semplicemente preferisci non caricarli sul cloud, un modello locale funziona sullo stesso file esportato. Nulla lascia il tuo laptop e l'esportazione JSON rimane esattamente lo stesso input. Vedi utilizzo di LLM locali con dati di lead per quel percorso. Il filo conduttore tra ChatGPT, Claude Code, Codex e un modello locale è lo stesso file pulito sottostante.

Da un file arricchito a una pipeline funzionante

L'arricchimento non è il traguardo. Un file CSV con punteggio che giace sul tuo desktop deve comunque diventare oggetto di conversazioni e incontri. Questo è il ruolo dell' cruscotto Vonsel: Un CRM mappato in cui risiedono le aziende acquisite, con l'aggiunta di informazioni su vendite, recensioni ed email. L'arricchimento tramite intelligenza artificiale effettuato a monte diventa la segmentazione e la priorità su cui agire a valle.

All'interno della dashboard, viene generata un'email IA per ogni azienda e i database vengono contestualizzati con i punti critici emersi nelle recensioni. Quindi il flag "website_gap" prodotto dal modello si mappa perfettamente su un angolo di contatto reale. Un'esportazione grezza è un punto di partenza; un database a valore aggiunto è il prodotto finito, come sostenuto in database a valore aggiunto vs file CSV grezzo..

Un'altra abitudine che vale la pena mantenere: estrarre dati in modo responsabile e lavorare solo con dati di contatto aziendali. Una rapida lettura di se sia legale estrarre dati da Google Maps Mantieni le tue liste arricchite su basi solide prima di inviare email a chiunque.

Non lasciare che il modello inventi i dati