Du hast die Daten.
Hier können sie hin.
Erstelle eine wöchentliche Tabelle, lass Claude zusammenfassen, baue ein Dashboard oder lade Daten ins Warehouse.
Halte die Recherche in einer gemeinsamen Tabelle fest.
Plane einen Scraper-Lauf und ergänze die Ergebnisse in Google Sheets. Dein Team kann neue Anzeigen und andere Änderungen gemeinsam prüfen.
Sheets eignet sich für kleine Teams. Größere Historien oder verschachtelte Daten gehören meist besser ins Warehouse.
Starte mit einer kleinen Beobachtungsliste
Wähle einen Scraper, kleines Limit und feste Marken-, Such- oder Firmenliste. Prüfe den ersten Datensatz vor der Zeitplanung.
Sende erfolgreiche Läufe an Sheets
Nutze Make-Apify-Module oder n8n, um erfolgreiche Läufe zu erkennen, Daten abzurufen und in Sheets zu ergänzen. Ein manueller CSV-Import ist ebenfalls ein Einstieg.
Behalte die Laufhistorie
Ergänze collected_at und run_id. Entferne Duplikate nach Quell-ID innerhalb jedes Snapshots. Flache nötige Felder ab und speichere Roh-JSON separat.
Lass Platz für Notizen
Ergänze Botschaftsthemen, Kampagnenideen und nächste Schritte. Nutze Filter oder Pivot-Tabellen bei der Wochenprüfung.
Erhalte eine Zusammenfassung mit prüfbaren Quellen.
Verbinde Claude mit dem Apify-MCP-Server. Lass es einen Scraper für eine konkrete Frage ausführen und die Ergebnisse mit Links zu den Datensätzen zusammenfassen.
Apify-Konto und aktuelle Actor-Preise bestimmen die Kosten. Verfügbare Claude-Connectoren hängen von Client und Konto ab.
Verbinde Claude mit Apify
Füge in Claude Desktop den Apify-Connector oder einen eigenen mit https://mcp.apify.com hinzu. Melde dich bei Aufforderung bei Apify an.
Nenne den Scraper und setze ein Limit
Gib Claude den JMLP-Actor-Namen und lass das Schema prüfen. Nenne Ziele, Märkte und ein kleines Limit.
Verlange Quellen zur Zusammenfassung
Verlange Originallinks oder IDs. Lass Claude Beobachtungen von Hypothesen trennen und fehlende Felder oder Abdeckungslücken nennen.
Prüfe Datensätze vor Nutzung des Briefings
Prüfe Ergebnisse und Originalmotive. Anzeigendaten und Reichweitenbereiche zeigen keine Verkäufe, Conversions oder Werberendite.
Nutze jmlp/meta-ad-library-scraper für bis zu 50 aktive ZARA-Anzeigen in GB. Prüfe zuerst das Actor-Schema. Gruppiere Botschaften nach Hook und Angebot, zitiere Original-IDs und schlage drei testbare Kampagnenhypothesen vor. Leite keine Ausgaben oder Conversion-Leistung ab.
Verfolge Änderungen in einem Dashboard.
Verbinde die Google-Sheets-Ergebnisse eines Scrapers mit Looker Studio. Verfolge Anzeigenaktivität, Suchpositionen oder Einstellungen über mehrere Läufe.
Halte fehlende Felder sichtbar. Addiere Reichweitenbereiche und wiederholte Beobachtungen nicht zu einer Gesamtzielgruppe.
Bereite die Berichtstabelle vor
Übertrage Ergebnisse zuerst nach Sheets. Definiere, wofür eine Zeile steht, etwa ein beobachtetes Motiv oder Suchergebnis.
Verbinde Looker Studio
Füge die Sheets-Tabelle als Quelle hinzu. Setze Datums- und Zahlentypen und Filter für Werbetreibenden, Land oder Anfrage.
Wähle, was du beobachten willst
Probiere Motivchronologien, Ranking-Verläufe oder Stellen nach Rolle und Ort. Zeige Erfassungszeitraum und Quellabdeckung.
Verschiebe die Historie bei Bedarf nach BigQuery
Verbinde Looker Studio für größere Daten mit modellierten BigQuery-Tabellen. Nutze in Looker die verwaltete BigQuery-Verbindung und das LookML-Modell deines Teams.
Bewahre eine Historie für die Abfragen deiner Analysten.
Lade Ergebnisse nach BigQuery und behalte die Rohdaten-Snapshots. Erstelle mit SQL und dbt verlässliche Tabellen für dein Team.
Du brauchst Zeitpläne, API-Zugangsdaten und Ladejobs in deinem System. Ich helfe bei Entwurf und Aufbau der Pipeline.
Speichere den Rohlauf
Rufe erfolgreiche Laufdaten als JSON über Apify-API oder Python-Client ab. Speichere Rohdatensätze mit run_id, collected_at und source in einer BigQuery-Eingangstabelle.
Definiere, wofür ein Datensatz steht
Dieselbe Anzeige in zwei Ländern bleibt ein Motiv. Behalte Plattform-IDs und speichere regionale Beobachtungen bei Bedarf separat.
Baue SQL- und dbt-Modelle
Normalisiere Daten und Feldnamen in Staging-Modellen. Ergänze dbt-Tests für Eindeutigkeit und Nicht-Null, soweit die Quelle sie unterstützt. Nicht verfügbare Felder bleiben null.
Teile nutzbare Tabellen mit deinem Team
Veröffentliche Tabellen für Kreativinventare, Suchsichtbarkeit oder Firmenrecherche. Prüfe Identitäten vor Joins mit CRM- oder Kampagnendaten.
-- Assumes a normalized BigQuery observation table.
-- Counts observed records, not audience or ad performance.
SELECT
source,
source_id,
advertiser,
collected_at
FROM `your_project.marketing.ad_observations`
QUALIFY ROW_NUMBER() OVER (
PARTITION BY source, source_id
ORDER BY collected_at DESC
) = 1;Firmenliste für eine bestimmte Nische.
Google Search + Website Contacts
Eine Agentur für unabhängige Outdoor-Händler startet mit Google-Suchen im Zielmarkt. Prüfe Domains und sende die bestätigte Auswahl an Website Contacts.
Verknüpfe in Sheets über normalisierte Domains. Behalte Suchanfrage, öffentliche Kontakte und Relevanznotizen. Trenne in BigQuery Such- und Kontaktdaten, damit mehrfach gefundene Firmen nicht mehrfach zählen.
Du erhältst eine Firmenliste mit prüfbaren Quellen für dein Team.
Website Contacts ansehenDie Anzeigen einer Marke,
über Kanäle verglichen.
Meta + Google + TikTok + LinkedIn
Wähle einen Wettbewerber und denselben Zeitraum. Sammle begrenzte Daten aus allen vier Quellen. Prüfe die Identität je Plattform vor dem Botschaftsvergleich.
Behalte Plattform-IDs, Daten und Medienlinks. Prüfe Motive vor Hook-, Angebots- und Produktlabels. Claude kann Ergebnisse ordnen und Tests mit Originalquellen vorschlagen.
Das Briefing vergleicht Kanalbotschaften und zeigt fehlende Datensätze oder Felder.
Meta Ad Library ansehenSprechen wir über
dein Projekt.
Sag mir, was du sammeln oder verstehen möchtest. Ich helfe mit einem individuellen Scraper, einer Pipeline oder der Analyse.
Projekt besprechen