# 📋 Workflow-Beschreibung: LinkedIn Lead Research & Enrichment

## 🎯 Zweck
Automatisierte LinkedIn-Recherche mit KI-gestützter Datenanreicherung für Lead-Generierung. Der Workflow sucht LinkedIn-Profile nach definierten Kriterien, extrahiert Basis-Informationen und reichert diese intelligent mit Kontaktdaten und Unternehmensinformationen an.

---

## 🔄 Workflow-Ablauf

### **Phase 1: Initialisierung & Suche**

1. **Manual Trigger**
   - Startet den Workflow manuell
   
2. **Get Status** (DataTable)
   - Holt alle vorbereiteten Suchaufträge aus der DataTable
   - Filtert auf `ready = true` (bereite Jobs)
   - Liefert typisch ~80 Suchanfragen mit Kriterien (Titel, Stadt, etc.)

3. **Check City**
   - Validiert ob erforderliche Felder vorhanden sind
   - Prüft: `city` nicht leer ODER `finished = false`
   - Filtert ungültige/bereits bearbeitete Einträge aus

4. **Prepare Search**
   - Bereitet die Suchparameter vor
   - Kombiniert: `title` + `city` zu Suchstring
   - Format: z.B. "Steuerberater München"

5. **Get Search Results** (Sub-Workflow)
   - Ruft externes Workflow "Google: Get Search Results" auf
   - Suche mit: `"[title] [city] site:linkedin.com/in"`
   - Parameter: Seiten-Anzahl, Start-Index
   - Liefert LinkedIn-URLs und Metadaten zurück

6. **Fill Sheet** (Google Sheets)
   - Schreibt Basis-Daten in "Leads-N8N-2" Tabelle
   - Felder: ID, Titel, Beschreibung, Link, Vorname, Nachname
   - Verwendet `appendOrUpdate` mit ID als Matching-Key
   - Duplikate werden automatisch aktualisiert

---

### **Phase 2: Datenanreicherung (AI-Loop)**

7. **Get row(s) in sheet** (Google Sheets)
   - Holt frisch geschriebene Daten zurück
   - Prüft Status der einzelnen Einträge
   - Identifiziert Einträge die noch angereichert werden müssen

8. **IF** (Conditional Check)
   - Prüft ob das Feld "Branche" leer ist
   - Nur leere Einträge werden weiterverarbeitet
   - Verhindert doppelte AI-Verarbeitung (Kosten-Optimierung)

9. **Loop Over Items** (Split in Batches)
   - **Batch Size: 5** Items pro Durchlauf
   - Begrenzt Token-Verbrauch bei ChatGPT
   - Verhindert Rate-Limiting und Timeouts
   - Loop läuft bis alle Items verarbeitet sind

10. **Research Data** (AI Agent)
    - **OpenAI Chat Model** (GPT-4 oder GPT-4o)
    - **Structured Output Parser** für konsistente Datenstruktur
    - Extrahiert aus LinkedIn-Profil + Websuche:
      - ✉️ E-Mail-Adresse
      - 📞 Telefonnummer
      - 🌐 Website
      - 🏢 Branche/Industry
      - 📍 Vollständige Adresse (Straße, PLZ, Ort, Land)
    - **Settings:**
      - Temperature: **0.0** (maximale Konsistenz)
      - top_p: **0.1** (deterministisch)
      - Execute Once: **OFF** (verarbeitet jedes Item einzeln)

11. **Fill Sheet Ergebnisse** (Google Sheets)
    - Schreibt angereicherte Daten zurück
    - Verwendet ID als Matching-Key für Updates
    - Felder: Vorname, Nachname, Straße, PLZ, Ort, Land, Mail, Telefon, Website, Branche

12. **Update row index** (Google Sheets)
    - Markiert verarbeitete Einträge
    - Verhindert Re-Processing im nächsten Loop
    - Aktualisiert Status-Felder

13. **Loop zurück** zu Step 9
    - Verarbeitet nächsten Batch (5 Items)
    - Wiederholt bis alle Items durch sind
    - Automatische Loop-Beendigung wenn keine Items mehr

---

### **Phase 3: Abschluss**

14. **Finish Dataset** (DataTable)
    - Markiert den ursprünglichen Job als `finished = true`
    - Verhindert Re-Processing bei erneutem Workflow-Start
    - Aktualisiert Statistiken/Timestamps

---

## 📊 Datenfluss

```
Eingabe (DataTable "scraper"):
├─ title: "Steuerberater"
├─ city: "München"  
├─ ready: true
└─ finished: false

    ↓ [Google Search]

Zwischen-Output (Sheet "Leads-N8N-2"):
├─ ID: "linkedin.com/in/max-mustermann"
├─ Titel: "Max Mustermann - Steuerberater München"
├─ Vorname: "Max"
├─ Nachname: "Mustermann"
└─ Branche: [LEER] ← Trigger für AI

    ↓ [AI Research]

End-Output (Sheet "Leads-N8N-Ergebnisse"):
├─ ID: "linkedin.com/in/max-mustermann"
├─ Vorname: "Max"
├─ Nachname: "Mustermann"
├─ Straße: "Maximilianstraße 15"
├─ PLZ: "80539"
├─ Ort: "München"
├─ Land: "Deutschland"
├─ Mail: "max@stb-mustermann.de"
├─ Telefon: "+49 89 123456"
├─ Website: "www.stb-mustermann.de"
└─ Branche: "Steuerberatung"
```

---

## ⚙️ Technische Details

### **Performance:**
- **Verarbeitungsgeschwindigkeit:** ~5-10 Items pro Minute
- **Batch-Größe:** 5 Items (Token-Optimierung)
- **Durchsatz:** ~80 Leads in 30-45 Minuten

### **Token-Verbrauch (geschätzt):**
- Pro Item: ~700 Tokens (Input + Output)
- Pro Batch (5 Items): ~3.500 Tokens
- Gesamt (80 Items): ~56.000 Tokens

### **Kosten (GPT-4o):**
- Input: ~$0.28 (56k Tokens × $5/1M)
- Output: ~$0.84 (56k Tokens × $15/1M)
- **Total: ~$1.12 pro Workflow-Durchlauf**

### **Error Handling:**
- Retry on Fail: Aktiviert im Research Data Node
- Loop-basierte Verarbeitung: Fehler stoppen nicht den gesamten Workflow
- Duplikat-Prevention: ID-basiertes Matching verhindert doppelte Einträge

---

## 🎯 Use Cases

**Ideal für:**
- 🔍 Lead-Generierung für B2B-Sales
- 📊 Marktforschung & Wettbewerbsanalyse
- 🎯 Account-Based Marketing (ABM)
- 📈 CRM-Datenanreicherung
- 🤝 Recruiting & Headhunting

**Branchen:**
- Steuerberatung
- Unternehmensberatung
- Rechtsberatung
- IT-Dienstleistungen
- Finanzdienstleistungen

---

## 🔒 Datenschutz & Compliance

**Wichtig:** 
- Daten stammen aus **öffentlich zugänglichen LinkedIn-Profilen**
- Keine Speicherung sensibler persönlicher Daten
- DSGVO-konform bei korrekter Verwendung (Opt-out respektieren)
- Nur geschäftliche Kontaktdaten werden verarbeitet

---

## 🚀 Vorteile

✅ **Skalierbar:** Verarbeitet hunderte Leads automatisch  
✅ **Kosteneffizient:** ~$0.014 pro Lead (bei GPT-4o)  
✅ **Konsistent:** Temperature 0.0 = reproduzierbare Ergebnisse  
✅ **Robust:** Loop-basiert, fehlertoleranz durch Batch-Verarbeitung  
✅ **Wartbar:** Modularer Aufbau, einfach erweiterbar  

---

**Version:** 3.0 (Stable)  
**Erstellt:** Januar 2026  
**Status:** Production-Ready ✅