ChatGPTでリードリストを分析する データをエクスポートしてから AIにデータを与える

AIの性能は、入力するデータの質に左右される。

大規模言語モデルはリストの推論に優れていますが、リード情報を持っていません。ChatGPTに「ウェブサイトが弱いシカゴの歯科医を探して」と頼むと、推測したり、名前をでっち上げたり、拒否したりします。Googleマップのリアルタイム表示機能もありません。しかし、構造化ファイルを分析する非常に優れた能力を持っています。 あなた 手渡して。.

これがワークフロー全体です。まず実際のビジネスデータを収集し、次にAIにデータを提供します。 フォンセル拡張 Googleマップの検索結果から直接ビジネス情報を抽出し、名前、カテゴリ、住所、電話番号、ウェブサイト、評価、レビュー数などの情報を含むクリーンなファイルをエクスポートします。. 拡張機能は手段であり、思考はAIが行います。.

この記事では、実際の流れを最初から最後まで、主に チャットGPT そして クロード・コード, 最後に、Codexとローカルモデルに関する簡単な注記があります。ChatGPTパスにはコーディングは不要です。.

リストをキャプチャしてエクスポートする

Googleマップを開き、「オースティンのヘアサロン」などの検索を実行すると、Vonselのポップアップが検索結果をキャプチャします。リストが適切であれば、エクスポートしてください。この拡張機能は3つのフォーマットを提供しており、使用するAIに応じて選択できます。.

各行は地図から取得した実際のデータなので、AIは事実に基づいて推論を行い、事実を捏造することはありません。エクスポートオプションの詳細については、以下を参照してください。 AI向けにリードをCSV、Excel、またはJSON形式でエクスポートする そして、ステップバイステップガイド GoogleマップのデータをCSVファイルにエクスポートする. CSV形式自体は、以下の文書に記載されているシンプルな標準に従います。 RFC 4180, そのため、すべてのAIツールは同じように読み取るのです。.

ファイルをChatGPTにアップロードしてプロンプトを表示します

これが最も手っ取り早い方法で、ほとんどの人が最初に試す方法です。ChatGPTの会話画面で「添付」ボタンをクリックし、CSVファイルまたはExcelファイルを追加して、必要な内容を説明してください。ChatGPTは列を読み取り、文脈に沿って処理し、平易な言葉で回答するか、ダウンロード可能な新しい表形式で出力します。.

コツは、Vonselがエクスポートする正確な列に対してプロンプトを表示することです。以下は、Google Mapsリードファイルでうまく機能するプロンプトです。より詳しいリストについては、こちらをご覧ください。 ChatGPTがリードリストを要求する 詳細は以下をご覧ください。.

ChatGPTは実際のファイルに基づいて数値を計算するため、架空の回答では決して得られないような信頼性でカウントを算出できます。特にスコアリングについては、次のガイドを参照してください。 ChatGPTでリードを獲得 さらに深く掘り下げると、 ChatGPTにリードCSVをアップロードする メカニズムについては解説しています。この背後にある哲学を理解したい場合は、以下をお読みください。 AIにビジネスデータを供給しましょう.。.

クロードによる大規模リストと反復可能なパイプラインのためのコード

ブラウザ版の ChatGPT は、数百行程度のデータには最適です。しかし、数千もの企業を扱う場合や、毎週同じ分析を実行したい場合は、, クロード・コード こちらのツールの方が優れています。エクスポートされたファイルをフォルダから直接読み込み、スコアリングスクリプトを作成して実行し、きれいな結果を返します。貼り付ける必要は一切ありません。.

拡張機能からJSONをエクスポートしてフィールドの構造を維持し、フォルダに保存してから、そのフォルダ内でClaude Codeを開きます。以下のようなプロンプトが表示され、ほとんどの処理は自動的に行われます。.

利点は再現性です。Claude Code はスクリプトを保持するため、翌週には新しいキャプチャをエクスポートし、同じコマンドを実行するだけで、数秒で最新の分析結果が得られます。詳細な手順については、以下を参照してください。 Claude Code を使用したリード分析.。.

コーデックスと現地のLLM

ターミナル環境で作業する場合、OpenAI CodexはClaude Codeとよく似た使い方ができます。JSONファイルを指定して、必要な変換内容を記述するだけです。リード分析が、既にスタック内で実行されている大規模なスクリプトのステップの一つである場合に、OpenAI Codexは最適なツールとなります。.

プライバシーに配慮したリストを扱う場合は、ローカルモデルが最適です。OllamaやLM Studioなどのランナーを使って自分のマシン上でモデルを実行すれば、リードファイルがラップトップから外部に持ち出されることはありません。ローカルモデルは、最先端のモデルに比べて処理速度や機能は劣りますが、カテゴリのタグ付けや欠落フィールドのフラグ付けといった単純なタスクには十分対応できます。JSON形式でエクスポートし、データを読み込んで、すべてをデバイス上で処理しましょう。.

何を選ぼうとも、入力は拡張機能が生成した同じクリーンなファイルです。それがポイントです AIにデータを与える: キャプチャ手順は共有されており、ジョブに合わせてモデルを切り替えることができます。.

リードが実際に住んでいる場所

分析は物語の途中段階であり、終わりではありません。ChatGPTがリストをスコアリングし、Claude Codeがデータをクリーンアップした後も、リードを追跡し、連絡を取り、フォローアップするなど、リードを有効活用するための手段が必要です。エクスポートされたCSVファイルは、まさにその点で物足りなさを感じさせるのです。.

の Vonselダッシュボード はまさにそのために設計されています。獲得したビジネス情報は、GPSで位置情報がマッピングされたCRMに反映され、担当エリアを視覚的に把握できます。レビューインテリジェンスは各ビジネスのレビューから課題点を抽出し、メールインテリジェンスはビジネスごとにカスタマイズされたメールを作成し、セールスインテリジェンスは最初に電話をかけるべき見込み客を提示します。単なる表計算ソフトではなく、付加価値のある、文脈に沿ったデータが得られます。.

つまり、AIワークフローとダッシュボードは競合関係ではありません。迅速な分析が必要な場合はChatGPTにファイルを供給し、ダッシュボードには時間の経過に伴う関係性を保持させます。この種のデータを責任を持って使用するためのより広い文脈が必要な場合は、当社のメモを参照してください。 Googleマップのデータをスクレイピングすることは合法です 読む価値があり、 AIワークフローブログ.。.