[2ff88f42] einfügen

einfügen

.dev_session/SESSION_INFO

@@ -1 +1 @@
-{"task_id": "31188f42-8544-80f0-b21a-c6beaa9ea3a1", "token": "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", "session_start_time": "2026-02-24T06:47:22.751414"}
+{"task_id": "2ff88f42-8544-8050-8245-c3bb852058f4", "token": "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", "session_start_time": "2026-02-24T07:13:35.422817"}

GEMINI.md

@@ -105,6 +105,17 @@ The system architecture has evolved from a CLI-based toolset to a modern web app
     *   **Problem:** Users didn't see when a background job finished.
     *   **Solution:** Implementing a polling mechanism (`setInterval`) tied to a `isProcessing` state is superior to static timeouts for long-running AI tasks.
 
+7.  **Hyper-Personalized Marketing Engine (v3.2) - "Deep Persona Injection":**
+    *   **Problem:** Marketing texts were too generic and didn't reflect the specific psychological or operative profile of the different target roles (e.g., CFO vs. Facility Manager).
+    *   **Solution (Deep Sync & Prompt Hardening):**
+        1.  **Extended Schema:** Added `description`, `convincing_arguments`, and `kpis` to the `Persona` database model to store richer profile data.
+        2.  **Notion Master Sync:** Updated the synchronization logic to pull these deep insights directly from the Notion "Personas / Roles" database.
+        3.  **Role-Centric Prompts:** The `MarketingMatrix` generator was re-engineered to inject the persona's "Mindset" and "KPIs" into the prompt.
+    *   **Example (Healthcare):**
+        - **Infrastructure Lead:** Focuses now on "IT Security", "DSGVO Compliance", and "WLAN integration".
+        - **Economic Buyer (CFO):** Focuses on "ROI Amortization", "Reduction of Overtime", and "Flexible Financing (RaaS)".
+    *   **Verification:** Verified that the transition from a company-specific **Opener** (e.g., observing staff shortages at Klinikum Erding) to the **Role-specific Intro** (e.g., pitching transport robots to reduce walking distances for nursing directors) is seamless and logical.
+
 ## Metric Parser - Regression Tests
 To ensure the stability and accuracy of the metric extraction logic, a dedicated test suite (`/company-explorer/backend/tests/test_metric_parser.py`) has been created. It covers the following critical, real-world bug fixes:
 

MIGRATION_PLAN.md

@@ -339,6 +339,19 @@ PERSÖNLICHE HERAUSFORDERUNGEN: {persona_pains}
 
 **Konzept:** Strikte Trennung zwischen `[Primary Product]` und `[Secondary Product]` zur Vermeidung logischer Brüche.
 
+### 17.9 Deep Persona Injection (Update Feb 24, 2026)
+
+**Ziel:** Maximale Relevanz durch Einbezug psychografischer und operativer Rollen-Details ("Voll ins Zentrum").
+
+**Die Erweiterung:**
+- **Vollständiger Daten-Sync:** Übernahme von `Beschreibung/Denkweise`, `Was ihn überzeugt` und `KPIs` aus der Notion "Personas / Roles" Datenbank in das lokale Schema.
+- **Rollenspezifische Tonalität:** Die KI nutzt diese Details, um den "Ton" der jeweiligen Persona perfekt zu treffen (z.B. technischer Fokus beim Infrastruktur-Leiter vs. betriebswirtschaftlicher Fokus beim CFO).
+
+**Beispiel-Kaskade (Klinikum Erding):**
+1. **Opener:** "Klinikum Erding trägt maßgeblich zur regionalen Versorgung bei... Dokumentation lückenloser Hygiene stellt eine operative Herausforderung dar."
+2. **Matrix-Anschluss (Infrastruktur):** "...minimieren Ausfallzeiten um 80-90% durch proaktives Monitoring... planbare Wartung und Transparenz durch feste **SLAs**." (Direkter Bezug auf hinterlegte Überzeugungsargumente).
+3. **Matrix-Anschluss (Wirtschaftlich):** "...Reduktion operativer Personalkosten um 10-25%... wirkt sich direkt auf **ROI** und **Amortisationszeit** aus." (Direkter Bezug auf hinterlegte KPIs).
+
 ---
 
 ## 18. Next Steps & Todos (Post-Migration)

check_erding_openers.py

@@ -0,0 +1,16 @@
+import sqlite3
+
+DB_PATH = "/app/companies_v3_fixed_2.db"
+conn = sqlite3.connect(DB_PATH)
+cursor = conn.cursor()
+
+cursor.execute("SELECT name, ai_opener, ai_opener_secondary, industry_ai FROM companies WHERE name LIKE '%Erding%'")
+row = cursor.fetchone()
+if row:
+    print(f"Company: {row[0]}")
+    print(f"Industry: {row[3]}")
+    print(f"Opener Primary: {row[1]}")
+    print(f"Opener Secondary: {row[2]}")
+else:
+    print("Company not found.")
+conn.close()

check_klinikum_erding.py

@@ -0,0 +1,16 @@
+import sqlite3
+
+DB_PATH = "/app/companies_v3_fixed_2.db"
+conn = sqlite3.connect(DB_PATH)
+cursor = conn.cursor()
+
+cursor.execute("SELECT name, ai_opener, ai_opener_secondary, industry_ai FROM companies WHERE name LIKE '%Klinikum Landkreis Erding%'")
+row = cursor.fetchone()
+if row:
+    print(f"Company: {row[0]}")
+    print(f"Industry: {row[3]}")
+    print(f"Opener Primary: {row[1]}")
+    print(f"Opener Secondary: {row[2]}")
+else:
+    print("Company not found.")
+conn.close()

check_matrix_indoor.py

@@ -0,0 +1,23 @@
+import sqlite3
+
+DB_PATH = "/app/companies_v3_fixed_2.db"
+conn = sqlite3.connect(DB_PATH)
+cursor = conn.cursor()
+
+query = """
+SELECT i.name, p.name, m.subject, m.intro, m.social_proof 
+FROM marketing_matrix m
+JOIN industries i ON m.industry_id = i.id
+JOIN personas p ON m.persona_id = p.id
+WHERE i.name = 'Leisure - Indoor Active'
+"""
+
+cursor.execute(query)
+rows = cursor.fetchall()
+for row in rows:
+    print(f"Industry: {row[0]} | Persona: {row[1]}")
+    print(f"  Subject: {row[2]}")
+    print(f"  Intro: {row[3]}")
+    print(f"  Social Proof: {row[4]}")
+    print("-" * 50)
+conn.close()

check_matrix_results.py

@@ -0,0 +1,24 @@
+import sqlite3
+import json
+
+DB_PATH = "/app/companies_v3_fixed_2.db"
+conn = sqlite3.connect(DB_PATH)
+cursor = conn.cursor()
+
+query = """
+SELECT i.name, p.name, m.subject, m.intro, m.social_proof 
+FROM marketing_matrix m
+JOIN industries i ON m.industry_id = i.id
+JOIN personas p ON m.persona_id = p.id
+WHERE i.name = 'Healthcare - Hospital'
+"""
+
+cursor.execute(query)
+rows = cursor.fetchall()
+for row in rows:
+    print(f"Industry: {row[0]} | Persona: {row[1]}")
+    print(f"  Subject: {row[2]}")
+    print(f"  Intro: {row[3]}")
+    print(f"  Social Proof: {row[4]}")
+    print("-" * 50)
+conn.close()

company-explorer/backend/database.py

@@ -205,8 +205,12 @@ class Persona(Base):
     id = Column(Integer, primary_key=True, index=True)
     name = Column(String, unique=True, index=True) # Matches the 'role' string in JobRolePattern
     
+    description = Column(Text, nullable=True) # NEW: Role description / how they think
     pains = Column(Text, nullable=True) # JSON list or multiline string
     gains = Column(Text, nullable=True) # JSON list or multiline string
+    convincing_arguments = Column(Text, nullable=True) # NEW: What convinces them
+    typical_positions = Column(Text, nullable=True) # NEW: Typical titles
+    kpis = Column(Text, nullable=True) # NEW: Relevant KPIs
     
     created_at = Column(DateTime, default=datetime.utcnow)
     updated_at = Column(DateTime, default=datetime.utcnow, onupdate=datetime.utcnow)

company-explorer/backend/scripts/generate_matrix.py

@@ -93,9 +93,16 @@ def generate_prompt(industry: Industry, persona: Persona) -> str:
         persona_pains = [persona.pains] if persona.pains else []
         persona_gains = [persona.gains] if persona.gains else []
     
+    # Advanced Persona Context
+    persona_context = f"""
+BESCHREIBUNG/DENKWEISE: {persona.description or 'Nicht definiert'}
+WAS DIESE PERSON ÜBERZEUGT: {persona.convincing_arguments or 'Nicht definiert'}
+RELEVANTE KPIs: {persona.kpis or 'Nicht definiert'}
+"""
+
     prompt = f"""
-Du bist ein kompetenter Lösungsberater und brillanter Texter.
-AUFGABE: Erstelle 3 Textblöcke (Subject, Introduction_Textonly, Industry_References_Textonly) für eine E-Mail an einen Entscheider.
+Du bist ein kompetenter Lösungsberater und brillanter Texter für B2B-Marketing.
+AUFGABE: Erstelle 3 hoch-personalisierte Textblöcke (Subject, Introduction_Textonly, Industry_References_Textonly) für eine E-Mail an einen Entscheider.
 
 --- KONTEXT ---
 ZIELBRANCHE: {industry.name}
@@ -106,20 +113,27 @@ FOKUS-PRODUKT (LÖSUNG):
 {product_context}
 
 ANSPRECHPARTNER (ROLLE): {persona.name}
-PERSÖNLICHE HERAUSFORDERUNGEN DES ANSPRECHPARTNERS (PAIN POINTS):
+{persona_context}
+
+SPEZIFISCHE HERAUSFORDERUNGEN (PAIN POINTS) DER ROLLE:
 {chr(10).join(['- ' + str(p) for p in persona_pains])}
 
+SPEZIFISCHE NUTZEN (GAINS) DER ROLLE:
+{chr(10).join(['- ' + str(g) for g in persona_gains])}
+
 --- DEINE AUFGABE ---
+Deine Texte müssen "voll ins Zentrum" der Rolle treffen. Vermeide oberflächliche Floskeln. Nutze die Details zur Denkweise, den KPIs und den Überzeugungsargumenten, um eine tiefgreifende Relevanz zu erzeugen.
+
 1.  **Subject:** Formuliere eine kurze Betreffzeile (max. 6 Wörter). Richte sie **direkt an einem der persönlichen Pain Points** des Ansprechpartners oder dem zentralen Branchen-Pain. Sei scharfsinnig, nicht werblich.
 
 2.  **Introduction_Textonly:** Formuliere einen prägnanten Einleitungstext (max. 2 Sätze).
     - **WICHTIG:** Gehe davon aus, dass die spezifische Herausforderung des Kunden bereits im Satz davor [Opener] genannt wurde. **Wiederhole die Herausforderung NICHT.**
-    - **Satz 1 (Die Lösung & der Gain):** Beginne direkt mit der Lösung. Nenne die im Kontext `FOKUS-PRODUKT` definierte **Produktkategorie** (z.B. "automatisierte Reinigungsroboter") und verbinde sie mit dem zentralen Nutzen (Gain) aus den `BRANCHEN-HERAUSFORDERUNGEN`. Beispiel: "Genau hier setzen unsere automatisierten Reinigungsroboter an, indem sie eine lückenlose und auditsichere Hygiene gewährleisten."
-    - **Satz 2 (Die Relevanz):** Stelle die Relevanz für die Zielperson her, indem du einen ihrer `PERSÖNLICHE HERAUSFORDERUNGEN` adressierst. Beispiel: "Für Sie als Infrastruktur-Verantwortlicher bedeutet dies vor allem eine reibungslose Integration in bestehende Abläufe, ohne den Betrieb zu stören."
+    - **Satz 1 (Die Lösung & der Gain):** Beginne direkt mit der Lösung. Nenne die im Kontext `FOKUS-PRODUKT` definierte **Produktkategorie** (z.B. "automatisierte Reinigungsroboter") und verbinde sie mit einem Nutzen, der für diese Rolle (siehe `WAS DIESE PERSON ÜBERZEUGT` und `GAINS`) besonders kritisch ist.
+    - **Satz 2 (Die Relevanz):** Stelle die Relevanz für die Zielperson her, indem du eine ihrer `PERSÖNLICHE HERAUSFORDERUNGEN` oder `KPIs` adressierst. Beispiel: "Für Sie als [Rolle] bedeutet dies vor allem [Nutzen bezogen auf KPI oder Pain]."
 
 3.  **Industry_References_Textonly:** Formuliere einen **strategischen Referenz-Block (ca. 2-3 Sätze)** nach folgendem Muster:
     - **Satz 1 (Social Proof):** Beginne direkt mit dem Nutzen, den vergleichbare Unternehmen in der Branche {industry.name} bereits erzielen. (Erfinde keine Firmennamen, sprich von "Führenden Einrichtungen" oder "Vergleichbaren Häusern").
-    - **Satz 2 (Rollen-Relevanz):** Schaffe den direkten Nutzen für die Zielperson. Formuliere z.B. 'Dieser Wissensvorsprung hilft uns, Ihre [persönlicher Pain Point der Rolle] besonders effizient zu lösen.'
+    - **Satz 2 (Rollen-Relevanz):** Schaffe den direkten Nutzen für die Zielperson. Nutze dabei die Informationen aus `BESCHREIBUNG/DENKWEISE`, um den Ton perfekt zu treffen.
 
 --- BEISPIEL FÜR EINEN PERFEKTEN OUTPUT ---
 {{

company-explorer/backend/scripts/sync_notion_personas.py

@@ -16,13 +16,14 @@ logger = logging.getLogger(__name__)
 
 NOTION_TOKEN_FILE = "/app/notion_token.txt"
 # Sector & Persona Master DB
-PERSONAS_DB_ID = "2e288f42-8544-8113-b878-ec99c8a02a6b"
+PERSONAS_DB_ID = "30588f42-8544-80c3-8919-e22d74d945ea"
 
 VALID_ARCHETYPES = {
     "Wirtschaftlicher Entscheider",
     "Operativer Entscheider",
     "Infrastruktur-Verantwortlicher",
-    "Innovations-Treiber"
+    "Innovations-Treiber",
+    "Influencer"
 }
 
 def load_notion_token():
@@ -65,6 +66,10 @@ def extract_title(prop):
     if not prop: return ""
     return "".join([t.get("plain_text", "") for t in prop.get("title", [])])
 
+def extract_rich_text(prop):
+    if not prop: return ""
+    return "".join([t.get("plain_text", "") for t in prop.get("rich_text", [])])
+
 def extract_rich_text_to_list(prop):
     """
     Extracts rich text and converts bullet points/newlines into a list of strings.
@@ -94,7 +99,8 @@ def sync_personas(token, session):
     
     for page in pages:
         props = page.get("properties", {})
-        name = extract_title(props.get("Name"))
+        # The title property is 'Role' in the new DB, not 'Name'
+        name = extract_title(props.get("Role"))
         
         if name not in VALID_ARCHETYPES:
             logger.debug(f"Skipping '{name}' (Not a target Archetype)")
@@ -105,6 +111,11 @@ def sync_personas(token, session):
         pains_list = extract_rich_text_to_list(props.get("Pains"))
         gains_list = extract_rich_text_to_list(props.get("Gains"))
         
+        description = extract_rich_text(props.get("Rollenbeschreibung"))
+        convincing_arguments = extract_rich_text(props.get("Was ihn überzeugt"))
+        typical_positions = extract_rich_text(props.get("Typische Positionen"))
+        kpis = extract_rich_text(props.get("KPIs"))
+        
         # Upsert Logic
         persona = session.query(Persona).filter(Persona.name == name).first()
         if not persona:
@@ -116,6 +127,10 @@ def sync_personas(token, session):
             
         persona.pains = json.dumps(pains_list, ensure_ascii=False)
         persona.gains = json.dumps(gains_list, ensure_ascii=False)
+        persona.description = description
+        persona.convincing_arguments = convincing_arguments
+        persona.typical_positions = typical_positions
+        persona.kpis = kpis
         
         count += 1
         

inspect_persona_db.py

@@ -0,0 +1,24 @@
+import sys
+import os
+import requests
+import json
+
+NOTION_TOKEN_FILE = "/app/notion_token.txt"
+PERSONAS_DB_ID = "2e288f42-8544-8113-b878-ec99c8a02a6b"
+
+def load_notion_token():
+    with open(NOTION_TOKEN_FILE, "r") as f:
+        return f.read().strip()
+
+def query_notion_db(token, db_id):
+    url = f"https://api.notion.com/v1/databases/{db_id}/query"
+    headers = {
+        "Authorization": f"Bearer {token}",
+        "Notion-Version": "2022-06-28"
+    }
+    response = requests.post(url, headers=headers)
+    return response.json()
+
+token = load_notion_token()
+data = query_notion_db(token, PERSONAS_DB_ID)
+print(json.dumps(data.get("results", [])[0], indent=2))

inspect_persona_db_v2.py

@@ -0,0 +1,30 @@
+import sys
+import os
+import requests
+import json
+
+NOTION_TOKEN_FILE = "/app/notion_token.txt"
+PERSONAS_DB_ID = "30588f42-8544-80c3-8919-e22d74d945ea"
+
+def load_notion_token():
+    with open(NOTION_TOKEN_FILE, "r") as f:
+        return f.read().strip()
+
+def query_notion_db(token, db_id):
+    url = f"https://api.notion.com/v1/databases/{db_id}/query"
+    headers = {
+        "Authorization": f"Bearer {token}",
+        "Notion-Version": "2022-06-28"
+    }
+    response = requests.post(url, headers=headers)
+    return response.json()
+
+token = load_notion_token()
+data = query_notion_db(token, PERSONAS_DB_ID)
+results = data.get("results", [])
+for res in results:
+    props = res.get("properties", {})
+    role = "".join([t.get("plain_text", "") for t in props.get("Role", {}).get("title", [])])
+    print(f"Role: {role}")
+    print(json.dumps(props, indent=2))
+    print("-" * 40)

list_industries_db.py

@@ -0,0 +1,12 @@
+import sqlite3
+
+DB_PATH = "/app/companies_v3_fixed_2.db"
+conn = sqlite3.connect(DB_PATH)
+cursor = conn.cursor()
+
+cursor.execute("SELECT name FROM industries")
+industries = cursor.fetchall()
+print("Available Industries:")
+for ind in industries:
+    print(f"- {ind[0]}")
+conn.close()

migrate_personas_v2.py

@@ -0,0 +1,30 @@
+import sqlite3
+import os
+
+DB_PATH = "/app/companies_v3_fixed_2.db"
+
+def migrate_personas():
+    print(f"Adding new columns to 'personas' table in {DB_PATH}...")
+    conn = sqlite3.connect(DB_PATH)
+    cursor = conn.cursor()
+    
+    columns_to_add = [
+        ("description", "TEXT"),
+        ("convincing_arguments", "TEXT"),
+        ("typical_positions", "TEXT"),
+        ("kpis", "TEXT")
+    ]
+    
+    for col_name, col_type in columns_to_add:
+        try:
+            cursor.execute(f"ALTER TABLE personas ADD COLUMN {col_name} {col_type}")
+            print(f"  Added column: {col_name}")
+        except sqlite3.OperationalError:
+            print(f"  Column {col_name} already exists.")
+            
+    conn.commit()
+    conn.close()
+    print("Migration complete.")
+
+if __name__ == "__main__":
+    migrate_personas()

verify_db.py

@@ -0,0 +1,13 @@
+import sqlite3
+
+DB_PATH = "/app/companies_v3_fixed_2.db"
+conn = sqlite3.connect(DB_PATH)
+cursor = conn.cursor()
+cursor.execute("SELECT name, description, convincing_arguments FROM personas")
+rows = cursor.fetchall()
+for row in rows:
+    print(f"Persona: {row[0]}")
+    print(f"  Description: {row[1][:100]}...")
+    print(f"  Convincing: {row[2][:100]}...")
+    print("-" * 20)
+conn.close()