joachim/n8n-lead-generator
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
6 Commits 1 Branch 0 Tags
2543a4868587f05432e445ba16707a19c96fdcd9
Go to file
Clone
Open with VS Code Open with VSCodium Open with Intellij IDEA
Download ZIP Download TAR.GZ Download BUNDLE

README.md

Ich sehe das Repository. Lass mich die einzelnen Dateien ansehen um die Beschreibung zu aktualisieren:Basierend auf dem Repository kann ich die Beschreibung aktualisieren. Ich sehe folgende neue Dateien:

  1. scraper.csv - Beispiel für n8n Datenbank
  2. Leads-N8N-Example.xlsx - Example Leads
  3. Leads-N8N-Ergebnisse-Example.xlsx - Beispiel-Ergebnisse
  4. google-search.json - Der Sub-Workflow für Google-Suche

Hier ist die aktualisierte Beschreibung:

📋 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.

📦 Repository-Struktur

n8n-lead-generator/
├── README.md                              # Diese Dokumentation
├── google-search.json                     # Sub-Workflow für Google-Suche
├── scraper.csv                            # Beispiel-Eingabedaten (DataTable)
├── Leads-N8N-Example.xlsx                 # Beispiel Zwischen-Output
└── Leads-N8N-Ergebnisse-Example.xlsx     # Beispiel End-Output (angereichert)

Datei-Beschreibungen:

scraper.csv

Beispiel-Struktur für die n8n DataTable "scraper" - die Eingabedaten für den Workflow:

Enthält:

  • title - Berufsbezeichnung/Position (z.B. "Steuerberater")
  • city - Stadt für die Suche (z.B. "München")
  • ready - Boolean Flag (true/false) für verarbeitungsbereite Einträge
  • finished - Boolean Flag markiert bereits bearbeitete Jobs
  • pages - Anzahl zu durchsuchender Google-Seiten
  • startIndex - Start-Position für Pagination

Verwendung:
Import diese CSV in eine n8n DataTable namens "scraper" um den Workflow zu initialisieren.

Leads-N8N-Example.xlsx

Beispiel-Output nach Phase 1 (Google Search & Basic Extraction):

Enthält:

  • ID (LinkedIn-URL)
  • Titel (vollständiger LinkedIn-Titel)
  • Beschreibung (LinkedIn-Bio/Beschreibung)
  • Link (LinkedIn-Profil-URL)
  • Vorname
  • Nachname
  • Branche (initial leer - Trigger für AI)

Verwendung:
Zeigt die Struktur des Google Sheets "Leads-N8N-2" - erstelle ein entsprechendes Sheet mit diesen Spalten.

Leads-N8N-Ergebnisse-Example.xlsx

Beispiel-Output nach Phase 2 (AI-Enrichment):

Enthält alle angereicherten Daten:

  • ID
  • Vorname, Nachname
  • Branche/Industry
  • Straße, PLZ, Ort, Land
  • E-Mail
  • Telefon
  • Website

Verwendung:
Zeigt die Struktur des Google Sheets "Leads-N8N-Ergebnisse" - erstelle ein entsprechendes Sheet mit diesen Spalten.

google-search.json

Sub-Workflow der von "Get Search Results" aufgerufen wird:

Funktionalität:

  • Führt Google-Suche mit Custom Search API durch
  • Parameter: search query, pages, start index
  • Gibt strukturierte Suchergebnisse zurück
  • Filtert auf LinkedIn-Profile

Installation:
Importiere diesen Workflow separat in n8n und verlinke ihn im Haupt-Workflow.

🚀 Setup & Installation

Schritt 1: DataTable erstellen

1. In n8n: Gehe zu "Data"
2. Erstelle neue DataTable "scraper"
3. Importiere scraper.csv

Schritt 2: Google Sheets vorbereiten

1. Erstelle Google Sheet "Leads-N8N-2"
   - Importiere Spalten aus Leads-N8N-Example.xlsx
   
2. Erstelle Google Sheet "Leads-N8N-Ergebnisse"
   - Importiere Spalten aus Leads-N8N-Ergebnisse-Example.xlsx
   
3. Verbinde Google Sheets mit n8n (OAuth2)

Schritt 3: Workflows importieren

1. Importiere google-search.json als Sub-Workflow
2. Importiere Haupt-Workflow (aus deinem n8n)
3. Verlinke "Get Search Results" Node mit Sub-Workflow

Schritt 4: API-Credentials konfigurieren

1. Google Custom Search API Key
2. OpenAI API Key (GPT-4 oder GPT-4o)
3. Google Sheets OAuth2 Credentials

Schritt 5: Test-Run

1. Füge 5 Test-Einträge in scraper.csv ein
2. Setze ready=true, finished=false
3. Trigger Workflow manuell
4. Prüfe Outputs in beiden Google Sheets

🔄 Workflow-Ablauf

Phase 1: Initialisierung & Suche

  1. Manual Trigger

    • Startet den Workflow manuell

  2. Get Status (DataTable)

    • Liest aus scraper.csv / DataTable "scraper"
    • 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 google-search.json Workflow 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 (siehe Leads-N8N-Example.xlsx)
    • Felder: ID, Titel, Beschreibung, Link, Vorname, Nachname
    • Verwendet appendOrUpdate mit ID als Matching-Key
    • Duplikate werden automatisch aktualisiert

Phase 2: Datenanreicherung (AI-Loop)

  1. Get row(s) in sheet (Google Sheets)

    • Holt frisch geschriebene Daten aus "Leads-N8N-2" zurück
    • Prüft Status der einzelnen Einträge
    • Identifiziert Einträge die noch angereichert werden müssen

  2. IF (Conditional Check)

    • Prüft ob das Feld "Branche" leer ist
    • Nur leere Einträge werden weiterverarbeitet
    • Verhindert doppelte AI-Verarbeitung (Kosten-Optimierung)

  3. 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

  4. 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)

  5. Fill Sheet Ergebnisse (Google Sheets)

    • Schreibt angereicherte Daten in "Leads-N8N-Ergebnisse" (siehe Leads-N8N-Ergebnisse-Example.xlsx)
    • Verwendet ID als Matching-Key für Updates
    • Felder: Vorname, Nachname, Straße, PLZ, Ort, Land, Mail, Telefon, Website, Branche

  6. Update row index (Google Sheets)

    • Markiert verarbeitete Einträge in "Leads-N8N-2"
    • Verhindert Re-Processing im nächsten Loop
    • Aktualisiert Status-Felder

  7. 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

  1. Finish Dataset (DataTable)
    • Markiert den ursprünglichen Job in scraper als finished = true
    • Verhindert Re-Processing bei erneutem Workflow-Start
    • Aktualisiert Statistiken/Timestamps

📊 Datenfluss

Eingabe (scraper.csv):
├─ title: "Steuerberater"
├─ city: "München"  
├─ pages: 3
├─ startIndex: 1
├─ ready: true
└─ finished: false

    ↓ [Google Search via google-search.json]

Zwischen-Output (Leads-N8N-Example.xlsx):
├─ ID: "linkedin.com/in/max-mustermann"
├─ Titel: "Max Mustermann - Steuerberater München"
├─ Beschreibung: "Steuerberater | Wirtschaftsprüfer..."
├─ Link: "https://linkedin.com/in/max-mustermann"
├─ Vorname: "Max"
├─ Nachname: "Mustermann"
└─ Branche: [LEER] ← Trigger für AI

    ↓ [AI Research mit GPT-4o]

End-Output (Leads-N8N-Ergebnisse-Example.xlsx):
├─ 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"

📁 Beispieldaten

scraper.csv Format:

title,city,pages,startIndex,ready,finished
Steuerberater,München,3,1,true,false
Rechtsanwalt,Berlin,2,1,true,false
IT-Berater,Hamburg,3,1,true,false

Leads-N8N-Example.xlsx Spalten:

  • ID
  • Titel
  • Beschreibung
  • Link
  • Vorname
  • Nachname
  • Branche (leer)
  • Straße (leer)
  • PLZ (leer)
  • Ort (leer)
  • Land (leer)
  • Mail (leer)
  • Telefon (leer)
  • Website (leer)

Leads-N8N-Ergebnisse-Example.xlsx Spalten:

  • ID
  • Vorname
  • Nachname
  • Branche (gefüllt von AI)
  • Straße (gefüllt von AI)
  • PLZ (gefüllt von AI)
  • Ort (gefüllt von AI)
  • Land (gefüllt von AI)
  • Mail (gefüllt von AI)
  • Telefon (gefüllt von AI)
  • Website (gefüllt von AI)

⚙️ 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
  • Pro Lead: ~$0.014

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
  • Medizin & Healthcare
  • Architektur & Ingenieurwesen

🔒 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
  • Empfehlung: Opt-In für Marketing-Kommunikation einholen

🚀 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
✅ Dokumentiert: Vollständige Beispieldaten und Setup-Guide

🛠️ Troubleshooting

Problem: Keine Ergebnisse in Leads-N8N-Ergebnisse

Lösung: Prüfe ob "Branche" Feld in Leads-N8N-2 leer ist (Trigger für AI)

Problem: Token Limit Exceeded

Lösung: Reduziere Batch Size von 5 auf 3 im Loop Over Items Node

Problem: Google Search gibt keine Ergebnisse

Lösung: Prüfe Google Custom Search API Quota & Credentials

Problem: Workflow stoppt mittendrin

Lösung: Prüfe Error Logs - meist OpenAI Rate Limiting, Pause von 30 Sek. einbauen

📝 Changelog

Version 3.0 (2026-01-12)

  • ✅ Stable Production Release
  • ✅ Loop-basiertes Batch-Processing implementiert
  • ✅ Beispieldaten hinzugefügt (CSV + XLSX)
  • ✅ Sub-Workflow für Google-Suche dokumentiert
  • ✅ Vollständige Setup-Anleitung

🤝 Contributing

Pull Requests sind willkommen! Bei größeren Änderungen bitte zuerst ein Issue öffnen.

📄 Lizenz

Joachim Hummel © 2026

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

Description
Ein n8n Workflow für Lead Generierung
Readme 164 KiB
Languages
CSV 100%