n8n · B2B · Leadgenerierung Berufsprojekt

B2B Lead-Pipeline – 257 Firmenkontakte vollautomatisch

Spart Wochen manueller Recherche bei der B2B-Neukundenakquise. 6 n8n-Workflows sammeln Firmen aus deutschen Bibliotheksdatenbanken, Google Places und weiteren Quellen, reichern sie mit Kontaktdaten an und konsolidieren alles dedupliziert in einem Master-Sheet – 257 qualifizierte Leads für meinen Arbeitgeber.

März 2026 · 6 n8n-Workflows · 257+ Leads · ppm Fulda

Projekt auf einen Blick

🎯
Ziel
vollständige Firmenkontakte automatisch ermitteln
👥
Zielgruppe
Vertrieb & Akquise
🛠️
Technologien
n8n, Google Places, OpenAI, Sheets
Status
abgeschlossen, produktiv im Einsatz
📦
Umfang
6 Workflows, 257+ Leads

Die Ausgangslage

Potenzielle neue B2B-Kunden gibt es viele – Verlage, Bibliotheken, Institutionen, Verbände –, aber wer sie konkret sind, wie sie heißen und wie man sie erreicht, war zunächst unklar. Die Firma druckt hochwertige Kataloge, Zeitschriften und Broschüren für Kunden aus Industrie, Handel und Verlagswesen, entsprechend breit ist das Zielkundenfeld.

Die Aufgabe: Aus einer langen Liste von Firmennamen automatisch vollständige Kontaktdaten ermitteln und strukturiert aufbereiten. Website, Adresse, Telefon, E-Mail, Ansprechpartner, Funktion. Für über 250 Firmen. Ohne manuelle Recherche.

Was früher Wochen manueller Recherche bedeutet hätte, erledigte die Pipeline in wenigen Stunden – vollautomatisch, ohne erfundene Daten.

Die Herausforderung

Automatisiert Kontaktdaten zu ermitteln ist einfach – automatisiert korrekte Kontaktdaten zu ermitteln ist die eigentliche Aufgabe. Web-Recherche liefert schnell Treffer, aber auch veraltete Adressen, falsche Ansprechpartner oder erfundene Angaben, sobald eine KI Lücken selbst auffüllt.

Hinzu kommt: Drei parallel laufende Quellen – Bibliotheksdatenbanken, Google Places und ein OpenAI-Agent – mussten am Ende in einem einzigen, duplikatfreien Master-Sheet zusammenlaufen, ohne bereits gepflegte Einträge zu überschreiben.

Keine erfundenen Daten

Ansprechpartner und Funktionen werden nur übernommen wenn sie eindeutig auf der Website gefunden werden. Lieber ein leeres Feld als eine falsche Person. Das war eine explizite Anforderung – und technisch die schwierigste zu erfüllen.

Die Lösung

Die Antwort ist eine dreistufige Pipeline: Zuerst sammeln drei unabhängige Workflows Firmen aus unterschiedlichen Quellen. Danach reichern zwei weitere Workflows sie mit Kontaktdaten aus dem Impressum an. Zum Schluss führt ein Konsolidierungs-Workflow alles dedupliziert in einem Master-Sheet zusammen.

Die Umsetzung

Die 3-stufige Pipeline

1
Lead-Quellen – 3 parallele Finder
Drei Workflows laufen parallel und befüllen eigene Sheets. Jede Quelle liefert andere Firmentypen – zusammen entsteht eine breite Abdeckung.
lobid.org (kostenlos) Wikidata SPARQL (kostenlos) ZDB SRU/XML (kostenlos) Google Places API Scrape.do OpenAI Agent
2
Anreicherung – Kontaktdaten aus dem Web
Zwei Workflows crawlen für jeden Lead die Homepage, Kontaktseite und Impressum. Ein automatischer Scheduler verarbeitet 30 Firmen pro Lauf, ein manueller Workflow schließt Lücken. OpenAI extrahiert strukturierte Felder aus dem HTML.
Impressum-Crawling OpenAI Structured Output Schedule (30/Lauf)
3
Konsolidierung – Master-Sheet
Der sechste Workflow liest alle drei Quell-Sheets, merged die Daten, normalisiert Felder, dedupliziert global und führt einen Upsert in den Master-Sheet durch. Bestehende Einträge werden aktualisiert, neue angehängt – kein Datenverlust bei Mehrfachläufen.
Dreistufige Deduplizierung Upsert-Pattern Google Sheets Master

Datenmodell: Was pro Firma ermittelt wird

🏢
Firmenname
normalisiert und bereinigt
🌐
Website
offizielle Domain, verifiziert
📍
Adresse
aus Impressum extrahiert
📞
Telefon
aus Kontakt-/Impressumsseite
✉️
E-Mail
direkte Adresse bevorzugt
👤
Ansprechpartner
nur wenn eindeutig gefunden
🏷️
Funktion
Position der Person
📊
Status & Quelle
Herkunft + Prüfdatum

Die 6 Workflows im Detail

01
Lead Finder 1 – lobid.org + Wikidata
Ruft deutsche Institutionen aus dem Bibliotheksnetz (lobid REST-API) und Wikidata (SPARQL) ab. Läuft in Batches, merged beide Quellen, dedupliziert und schreibt per Upsert in Sheets. Komplett kostenlos.
02
Lead Finder 4 – ZDB Zeitschriftendatenbank
Durchsucht die deutsche Zeitschriftendatenbank über das SRU-Protokoll, parst XML-Antworten und mappt auf ein einheitliches Lead-Format. Kostenlos, kein API-Key.
03
Automated B2B Lead Generation
Findet Firmen per Google Places API, bewertet sie mit einem Qualitäts-Score, filtert Low-Quality-Leads heraus. Scrapt Websites via Scrape.do und extrahiert Kontaktdaten per OpenAI-Agent mit Structured Output Parser.
04
Kontaktdaten-Anreicherung (automatisch)
Läuft per Schedule, verarbeitet 30 Firmen pro Lauf. Normalisiert URLs, crawlt Homepage + Impressum, extrahiert E-Mail/Telefon/Adresse per Code-Node. Bereits bearbeitete Einträge werden übersprungen.
05
Firmenrecherche – manuelle Anreicherung
Sucht fehlende Websites, crawlt Homepage + Kontaktseite + Impressum in einem Loop. Konsolidiert Ergebnisse und updated den Sheets-Eintrag – oder markiert „nichts gefunden".
06
Leads zusammenführen – Master-Konsolidierung
Liest alle drei Quell-Sheets parallel, merged und normalisiert, dedupliziert global und führt Upsert in den Kundendaten-Master-Sheet durch. Kernstück der Pipeline.

Ergebnis & Mehrwert

257+
qualifizierte B2B-Leads im Master-Sheet
6
n8n-Workflows in der Pipeline
Deduplizierung – keine Duplikate im Master

Die drei Kennzahlen zeigen den praktischen Nutzen: eine große, gepflegte Kontaktbasis ohne Duplikate – bei laufendem Betrieb ohne zusätzlichen manuellen Aufwand pro neuer Firma. Die Pipeline lässt sich auf weitere hundert Firmen skalieren, ohne dass sich der Rechercheaufwand mit erhöht.

Screenshots

Ausschnitt eines Lead-Generierungs-Workflow in n8n

Erkenntnisse

Kostenoptimiert: Ich habe gelernt, wie viel sich mit kostenlosen APIs abdecken lässt, bevor kostenpflichtige Quellen überhaupt nötig sind. lobid.org und die ZDB liefern ohne Limit und ohne API-Key – Google Places und Scrape.do kommen erst dort zum Einsatz, wo die freien Quellen nicht mehr weiterhelfen.

Impressum-First: Mir ist dabei klar geworden, dass das gesetzlich vorgeschriebene Impressum die zuverlässigste Quelle für valide Kontaktdaten ist – zuverlässiger als jede Kontaktseite. Seitdem priorisiere ich Impressum vor Kontaktseite vor Homepage.

Fehlerresistenz: Bei mehreren hundert Firmen ist nicht die Frage, ob ein einzelner Datensatz scheitert, sondern wann. Seitdem fange ich Fehler pro Firma ab, statt den gesamten Lauf zu stoppen.

Vom Berufsprojekt zum privaten System

Was für den Arbeitgeber als Kundenlisten-Projekt begann, ist für mich zur Blaupause für alle weiteren Lead-Projekte geworden. Die dreistufige Deduplizierung, das Upsert-Pattern und die Impressum-First-Strategie setze ich seitdem in jedem n8n-Workflow ein, der mit Firmendaten arbeitet.

Verwandte Projekte

Weitere automatisierte Workflows und Web-Apps gibt es in der Portfolio-Übersicht.