AIを活用してリードリストを充実させよう ChatGPT、Claude Code、そして 実データに基づいて作成されたコーデックス

AIにはデータを与え、雰囲気ではなく直感で判断させてはいけない。

「マドリードの歯科医50人とそのメールアドレスを教えてください」とモデルに依頼すれば、もっともらしいリストが作成されるでしょう。名前は本物そっくりですが、電話番号は架空のものです。言語モデルはテキストを予測するために作られているのであって、クリニックの現在の電話番号を知るために作られているわけではありません。このギャップこそが、情報拡充を真実の情報源から始めるべき理由なのです。.

解決策は簡単です。まずビジネス情報を収集し、その構造化されたファイルをAIに渡します。モデルが実際の評価、レビュー数、カテゴリ、ウェブサイトの列を読み込むと、推測をやめて推論を開始します。これが、この仕組みの根幹です。 ビジネスデータをAIに供給する.。.

の フォンセル 拡張子は、そのファイルを取得するための手段です。Googleマップで検索を行い、結果を取得してエクスポートします。AIは、データの充実化を行う部分です。. 拡張機能は情報源であり、AIツールは作業場であり、Vonselダッシュボードは完成したリードが活用される場所です。.

拡張子からクリーンなファイルをエクスポートします

Google マップを開き、「オースティンの屋根職人」や「バルセロナのヘアサロン」などを検索して、Vonsel のポップアップでリストを取得します。各ビジネスには、名前、住所、電話番号、ウェブサイト、カテゴリ、評価、レビュー数が表示されます。AI ツールに適した形式を選択できます。 CSV、XLSX、JSON形式でのエクスポートオプション.。.

経験則： CSVまたはExcel ファイルを ChatGPT にアップロードして使用する場合は、 JSON Claude Code または Codex がそれを読み取るとき、ネストされたフィールドの方が保持されやすいからです。あなたがこれに慣れていない場合、 AIガイドのエクスポート形式 それぞれのカバーが輝くとき。.

簡潔で一貫性のあるヘッダー行は、データ量よりも重要です。構造化された列こそが、モデルが「評価」と「レビュー数」を照合し、それらに基づいて推論を行うために必要なものです。生のテキストをそのまま入力すると、生のテキストの結果しか得られません。構造化された入力には、構造化された出力が必要です。.

ChatGPT: ファイルをアップロードしてプロンプトを表示します

ほとんどの人にとって、ChatGPT が最も速い方法です。新しいチャットを開き、エクスポートした CSV または Excel ファイルを添付して、必要なことを説明してください。データ分析モードはスプレッドシートを直接読み込むため、平易な言葉で質問して、ダウンロード可能な強化されたファイルを取得できます。OpenAI は、その基本的な動作を文書化しています。 テキスト生成ガイド.。.

ファイルが添付された後の、良い開始プロンプト：:

• "「評価、レビュー数、ウェブサイトの有無などを参考に、各企業が新しいウェブサイトを必要とする可能性を1から5の段階で評価してください。」."
• "「各リードを、レビュー数から推測される規模（個人、小規模、または実績のある企業）で分類する列を追加してください。」."
• "「評価は高いがレビュー数が非常に少ない企業に注目しましょう。そうした企業は露出が少なく、売り込みやすいからです。」."
• "「各行のカテゴリと都市に基づいて、それぞれに合わせた一行のコールドメールの冒頭文を作成してください。」."

ワークフローはエンドツーエンドでカバーされています ChatGPTにリードCSVをアップロードする そして ChatGPTを使用してリードリストを分析する. モデルの精度を維持するために、チャットごとにバッチのサイズを数百行以内に抑え、その後、それらをマージします。.

Claude Code: マシン上のフォルダ全体を充実させる

ファイルが1つから50個に増えると、ChatGPTのチャットウィンドウがボトルネックになる。. クロード・コード これはターミナル上で実行されるため、エクスポートされたファイルが格納されたフォルダを読み込み、数千行をループ処理し、処理結果をディスクに書き戻すことができます。これは、単に質問をするのと、繰り返し実行可能なパイプラインを実行するのとでは、大きな違いがあります。.

JSONまたはCSVエクスポートをフォルダにドロップし、そこでClaude Codeを開き、「./leads内のすべてのファイルを読み込み、それぞれにlead_scoreとwebsite_gap列を追加し、結果を./enrichedに保存する」と直接指示します。ローカルファイルで動作するため、何も切り捨てられることはなく、翌週のスクレイピングでも同じ指示を再実行できます。詳細は以下に記載されています。 Claude Code を使用したリード分析.。.

ここでは、再利用可能なプロンプトを作成することもできます。適切な表現の補足説明を一度保存すれば、今後のすべてのエクスポートに適用できます。スターターセットは、 クロード・コードがリードデータベースのプロンプトを表示.。.

スクリプト化された作業またはプライベートな作業のためのコーデックスとローカルモデル

一部のチームは、手動で実行するのではなく、コードにエンリッチメントを組み込むことを望んでいます。 Codex CLI ここにぴったりです。エクスポートしたファイルを指定して、電話のフォーマットをクリーンアップし、住所ごとに重複を削除し、スコアリング列を追加する小さなスクリプトを作成するように指示します。スクリプトを確認して実行すれば、リポジトリ内に再現可能なデータ拡充ステップが完成します。.

データが機密性の高いものである場合、または単にクラウドに保存したくない場合は、ローカルモデルが同じエクスポートファイルで動作します。何もラップトップから外部に送信されることはなく、JSONエクスポートは入力とまったく同じままです。参照 リードデータを使用したローカルLLMの使用 そのパスに関して。ChatGPT、Claude Code、Codex、およびローカルモデルに共通するのは、その基盤となる同じクリーンなファイルです。.

強化されたファイルから動作するパイプラインへ

充実化はゴールではありません。デスクトップにあるスコア付きCSVは、会話や会議に発展する必要があります。それが、 Vonselダッシュボード: ：収集したビジネス情報が格納されたマッピングされたCRMに、売上、レビュー、メールインテリジェンスが重ねられています。上流で実施したAIによるデータ拡充が、下流でのアクションのセグメンテーションと優先順位付けに反映されます。.

ダッシュボード内では、企業ごとにAIメールが生成され、データベースはレビューで明らかになった問題点と関連付けられます。そのため、モデルが生成した「website_gap」フラグは、実際のアウトリーチの角度にうまく対応します。生のエクスポートは出発点であり、付加価値のあるデータベースは完成品です。 付加価値データベースと生のCSVの比較.。.

もう一つ、守るべき習慣があります。責任を持ってスクレイピングを行い、ビジネス連絡先データのみを扱うことです。 Googleマップのデータをスクレイピングすることは合法か 誰かにメールを送信する前に、強化されたリストが確かなものであることを確認してください。.

モデルにデータを捏造させてはならない