joachim/n8n-lead-generator
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
a929ef26e90db0df99e3fe1b0a300831b7e3aea0
n8n-lead-generator/README.md
Joachim Hummel a929ef26e9 first commit
2026-01-12 18:28:36 +00:00

6.0 KiB
Raw Blame History

📋 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)

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

    • Holt frisch geschriebene Daten 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 zurück
    • 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
    • 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 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 ✅