Brancheneinstufung2/b2b_marketing_assistant_plan.md

Plan: Umsetzung des "B2B Marketing Assistant" Backends

Dieses Dokument beschreibt den Plan zur Umsetzung der Backend-Logik für die React-Anwendung unter /b2b-marketing-assistant als robusten, faktenbasierten Python-Service. Das primäre Ziel ist es, die Konsistenz und Zuverlässigkeit der Analyseergebnisse durch "Grounding" (Verankerung in realen Daten) signifikant zu erhöhen.

1. Zielsetzung & Architektur

• Ziel: Transformation der reinen Frontend-Anwendung in einen Service mit einem Python-Backend, das vor jeder KI-Analyse eine solide Faktenbasis durch Web-Scraping schafft. Dadurch werden die Ergebnisse reproduzierbar und basieren auf den tatsächlichen Inhalten der Unternehmens-Website.
• Architektur: Wir replizieren den bewährten Aufbau des "Market Intelligence" Tools:
  1. React-Frontend: Die Benutzeroberfläche in /b2b-marketing-assistant bleibt bestehen, wird aber von direkten KI-Aufrufen befreit.
  2. Node.js API-Brücke (server.cjs): Ein minimaler Express.js-Server, der Anfragen vom Frontend annimmt und an das Python-Backend weiterleitet.
  3. Python-Orchestrator (b2b_marketing_orchestrator.py): Das neue Herzstück, das die gesamte Logik kapselt.

2. Kernprozess mit "Grounding"

Der 6-stufige Prozess der App wird im Backend abgebildet, wobei die ersten Schritte fundamental geändert werden:

1. Schritt 1 (Angebot) & 2 (Zielgruppen):

   • Intelligentes Scraping: Das Python-Skript crawlt die gegebene URL und sucht aktiv nach Unterseiten wie "Produkte", "Lösungen", "Branchen" etc.
   • Text-Extraktion: Der relevante Inhalt dieser Seiten wird extrahiert und zu einem "Grounding-Dokument" zusammengefasst.
   • KI als Extraktions-Engine: Die KI wird angewiesen, ausschließlich auf Basis dieses extrahierten Textes das Angebot und die Zielgruppen zu identifizieren und zu strukturieren. Halluzinationen werden so unterbunden.

2. Schritt 3-6 (Personas, Pains, Gains, Messages):

   • Diese Schritte bauen auf den validierten, faktenbasierten Ergebnissen aus Schritt 1 & 2 auf. Die gesamte Logikkette wird dadurch stabiler und konsistenter.

3. Schritt 7 (Customer Journey & Buying Center):

   • NEU: Als finaler Schritt wird die hypothetische Kaufentscheidung simuliert.
   • Fokus: Analyse der "Journey" vom ersten Touchpoint bis zum Vertragsabschluss.
   • Kernfragen:
     • Wie sieht der Entscheidungsprozess aus? (Spontan vs. Gremium)
     • Welche Stationen durchläuft der Käufer?
     • Wie sehen typische Verträge aus (Laufzeit, Lock-in)?
     • Welche spezifischen Fragen stellen sich die unterschiedlichen Entscheider (Buying Center) in den verschiedenen Phasen?
   • Ziel: Tiefe Einblicke in das Käuferverhalten, spezifisch getrimmt auf das ermittelte Produkt (SaaS vs. Hardware), unter Einbeziehung der Pains & Gains.

3. Strategische Vision: Integration der Tools

Dieses Projekt ist der erste Schritt zur Schaffung eines einheitlichen "Strategy & Audit"-Workflows.

• Phase 1 (Aktuelles Projekt): Wir bauen den "B2B Marketing Assistant" als eigenständigen Service mit einem modularen Python-Backend.
• Phase 2 (Zukünftig): Die wiederverwendbaren Python-Module (Scraping, API-Handler etc.) werden mit dem market_intel_orchestrator.py zu einem einzigen, leistungsfähigen Backend verschmolzen. Der Workflow wäre dann nahtlos:
  1. Strategie definieren: Mit dem B2B Marketing Assistant eine Tiefenanalyse eines Referenzkunden durchführen.
  2. Markt auditieren: Die erstellte Strategie direkt nutzen, um Lookalikes zu finden und zu bewerten.

4. Fortschritts-Log

Phase 1: Initialisierung & Planung

• Anforderungsanalyse und Zieldefinition (Grounding, Konsistenz).

• Architektur nach Vorbild market-intel-backend festgelegt.

• Diesen Schlachtplan in b2b_marketing_assistant_plan.md erstellt.

• Aufbau der Grundstruktur: Erstellen der b2b_marketing_orchestrator.py, der server.cjs in /b2b-marketing-assistant und des Dockerfile.

• Erstellung von package.json und requirements.txt.

• Anpassung des Frontends (App.tsx) für die Kommunikation mit dem neuen Backend.

• Entfernen von Frontend-Dateien und -Inhalten, die nicht mehr benötigt werden (parser.ts, Prompts aus constants.ts).

• Implementierung der start_generation-Logik im Python-Backend (Scraping, Grounding, initialer Gemini-Aufruf für Schritt 1).

• Implementierung der next_step-Logik im Python-Backend (mehrstufige Gemini-Aufrufe für Schritte 2-6, Kontext-Management).

• Fehlerbehebung: Alle Python-Syntaxfehler (Encoding, Strings) behoben.

• Validierung: Das Tool lädt das Frontend und führt das Web-Scraping erfolgreich durch.

• API-Fix: Umstellung auf Gemini v1 API und Modell gemini-2.5-flash (1M Token Context).

Phase 2: Validierung & Optimierung (Abgeschlossen)

• Docker-Container gebaut und gestartet.

• Zugriff auf die UI über Port 3004 erfolgreich.

• Grounding Upgrade: Umstellung von Plain-Text auf "Sanitized HTML" (H1-H6, Links erhalten) für präzise Produkterkennung.

• Kontext-Erweiterung: Entfernung des 30.000 Zeichen Limits für vollständige Website-Analyse.

• Robustheit: Implementierung von Retry-Logik (Exponential Backoff) und Timeout-Erhöhung (600s) für komplexe Analysen.

• Frontend Fixes:

  • Robuster "Copy Table" Button (Fallback für Non-HTTPS).

  • PDF-Export optimiert (Landscape, keine Scrollbalken).

  • "Schritt 6 Wiederholen"-Funktion eingebaut.

• Prozess-Optimierung: Schritt 6 fokussiert nun automatisch auf die Top-Branche, um Token-Limits und Lesezeit zu optimieren.

• Logging: Detailliertes File-Logging (Log_from_docker) für Prompts und Antworten implementiert.

5. Deployment & Betrieb (Konsolidierte Architektur)

Die Anwendung ist nun vollständig in die zentrale Docker-Compose-Architektur des Projekts integriert. Das separate Bauen und Starten einzelner Container ist nicht mehr notwendig.

Zentraler Start via Docker Compose

Der gesamte Anwendungs-Stack (Proxy, Dashboard, B2B Assistant, Market Intelligence) wird über die docker-compose.yml-Datei im Hauptverzeichnis des Projekts verwaltet und gestartet.

1. Navigieren Sie in das Projekt-Hauptverzeichnis.
2. Starten Sie alle Dienste:

   docker-compose up -d --build
   

   Der --build-Parameter sorgt dafür, dass alle Docker-Images neu erstellt werden. Dies ist bei Änderungen am Frontend (App.tsx), an den Dockerfilen oder den requirements.txt/package.json notwendig.

Zugriff

• Das zentrale Dashboard ist unter http://<Server-IP>:8090 erreichbar.
• Der B2B Marketing Assistant ist direkt über das Unterverzeichnis http://<Server-IP>:8090/b2b/ zugänglich.
• Der Zugang ist durch Basic Authentication geschützt (Benutzer: admin, Passwort: gemini).

Entwicklung (Sideloading)

Für eine schnelle Entwicklung ist "Sideloading" für die Python-Logik aktiviert. Das bedeutet, die b2b_marketing_orchestrator.py wird als Volume in den Container gemountet.

• Nach Änderungen am Python-Skript: Ein einfacher Neustart des Containers genügt, um die Änderungen zu übernehmen. Ein kompletter Rebuild ist nicht erforderlich.

  docker-compose restart b2b-app
  

---

6. Roadmap: Nächste Erweiterungen

Priorität 1: Integration der SQLite-Datenbank (Portierung) [ABGESCHLOSSEN]

• Status: Erfolgreich implementiert. Der B2B Assistant nutzt nun die gleiche robuste Persistenzschicht wie das Market Intelligence Tool.

• Backend: Die Datenbankintegration erfolgt über das Modul market_db_manager.py, das für die Verwaltung der SQLite-Datenbank b2b_projects.db zuständig ist. Der Datenbankpfad wird über DB_PATH isoliert.

• API: Die entsprechenden Datenbank-Routen sind in server.cjs aktiviert, um die Kommunikation zwischen Frontend und Backend zu ermöglichen.

• Frontend: Auto-Save-Funktionen und ein History-Modal wurden in App.tsx integriert, um die Persistenz der Projektdaten zu gewährleisten und den Zugriff auf frühere Versionen zu ermöglichen.

Priorität 2: Customer Journey (Schritt 7) [ABGESCHLOSSEN]

• Status: Erfolgreich implementiert.
• Funktion: Tiefe Analyse der Kaufentscheidung mit Fokus auf Buying Center Dynamik.
• Mehrwert: Liefert konkrete "Deal-Breaker" und definiert benötigte Assets (Munition) für jede Phase.
• UI: Tabellarische Darstellung mit neuer "Schritt neu starten"-Funktion für iterative Optimierung.

Priorität 3: Asset Factory (Schritt 8)

• UI: Neuer Bereich "Assets generieren" nach Abschluss von Schritt 7.
• Funktion: Auswahl einer Persona und eines Formats (z.B. "LinkedIn Vernetzungsanfrage", "Cold Mail Sequenz").
• Input: Nutzt die in Schritt 7 definierten "Benötigten Assets" als Blaupause.
• Output: Generierung von Copy-Paste-fertigen Texten basierend auf den Painpoints/Gains der Analyse.
• Export: Als separater "Marketing Kit" Download oder Anhang im Markdown.

Priorität 4: Erweiterung des Finalen Reports [ABGESCHLOSSEN]

• Status: Vollständig in den Workflow integriert.
• Search Strategy Beschreibung ICP: Detaillierte Profile werden generiert.
• Digital Signals: Konkrete Signale (Technographic, Growth, Strategy) identifiziert.
• Target Pages: Relevante URLs für die Akquise im Report gelistet.

Status: Produktionsbereit (Version 2.2)

Das System ist nun hochgradig robust und bietet volle Transparenz sowie Persistenz.

• Grounding (HTML-Parsing) & Gemini 2.5 Flash / Pro

• Robustheit (Nginx Timeouts 600s, Scraping Fallback "Digital Footprint Mode")

• Persistenz (SQLite DB für alle Projekte)

• UI-Optimierung (History Modal, On-Demand Outreach Generation)

• Logging (Detailliertes Trace-Logging im Container)