📋 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 ✅