Marketing · Social Listening
Community-Listening-Engine: Kaufabsichten und Markenerwähnungen aus öffentlichen Telegram-Gruppen
Eine Listening-Engine, die öffentliche Telegram-Communities scannt, Nachrichten mit Kaufabsicht und Markenerwähnungen findet und dem Vertrieb als begründete Karten mit Antwortentwurf zustellt; ein Sprachmodell läuft nur, wo es nötig ist.
- Branche
- Marketing · Social Listening
- Technologien
- Python 3.12 · Telethon · PostgreSQL + pgvector
Ausgangslage
Ein Marketing- und Vertriebsteam wollte in öffentlichen Telegram-Communities Menschen finden, die nach einem Produkt wie dem eigenen fragen, und Markenerwähnungen sehen, sobald sie entstehen. Telegram erschwert das auf drei Arten. Konten unterliegen Rate Limits und werden bei aggressivem Mitlesen sanktioniert. Nachrichten stecken voller Duplikate, Weiterleitungen, ähnlich aussehender Zeichen und gemischter Sprachen. Und jede Nachricht durch ein Sprachmodell zu schicken, würde weit mehr kosten, als die Leads wert sind.
Lösung
Wir haben die Engine in Python auf einer Telegram-Client-Schicht gebaut, mit einem Pool von Konten, Operationsbudgets pro Konto und Behandlung von Flood-Waits. Neue Quellen werden über Links, Weiterleitungen und Webkataloge gefunden und durchlaufen einen Qualifizierungs-Funnel. Nachrichten werden normalisiert, auf vier Ebenen dedupliziert und mit einem Aho–Corasick-Automaten abgeglichen, mit einem semantischen zweiten Durchgang auf pgvector. Ein Gate aus Absicht und Themenbezug lässt das Modell nur laufen, wenn eine Nachricht sowohl Kaufabsicht als auch Relevanz zeigt. Die meisten Absichten werden schon vorher erkannt: durch ein Lexikon, die Gesprächsstruktur und einen kleinen lokalen Klassifikator, der mit Modell-Labels trainiert wurde.
Wie es zusammenhängt
- 01 Quellen finden
- 02 Nachrichten scannen
- 03 Normalisieren & deduplizieren
- 04 Intent-Gate
- 05 LLM-Bestätigung
- 06 Karte zustellen
Was wir geliefert haben
- Telegram-Client-Schicht mit Kontenpool, Operationsbudgets und Behandlung von Flood-Waits
- Quellensuche über Links, Weiterleitungen und Webkataloge, mit Qualifizierungs-Funnel und Sättigungsmetrik
- Normalisierung ähnlich aussehender und unsichtbarer Zeichen, Spracherkennung und Deduplizierung auf vier Ebenen mit SimHash
- Exakter Abgleich mit einem Aho–Corasick-Automaten und sicheren RE2-Regeln sowie semantische Suche mit pgvector
- KI-Kaskade mit einem Gate auf zwei Achsen (Absicht und Themenbezug), Budget- und Taktsteuerung sowie Kostenerfassung pro Anbieter
- Register der Markenerwähnungen mit Sentiment
- Zustellung über einen Telegram-Bot: begründete Karten, Feedback-Buttons, Einmal-Zugangscodes, Rollen und Audit-Trail
- Über 700 automatisierte Tests
Funktionen
- Ein lokaler Intent-Klassifikator, trainiert mit Modell-Labels, beschränkt Modellaufrufe auf einen kleinen Teil der Nachrichten
- Anbieterschicht für Claude und Gemini mit Kostenerfassung
- Durchsatz des Abgleichs per Benchmark gemessen
- JSON-Schema-Verträge zwischen den Pipeline-Stufen
- Ein Hintergrunddienst hält den Scanner am Laufen, schlägt Alarm, wenn er verstummt, und startet ihn neu
Integrationen
- Telegram Client API (MTProto)
- Telegram Bot API
- APIs von Anthropic Claude und Google Gemini
Technologien
Ergebnis
Läuft seit August 2026 als Pilot in echten Communities und stellt dem Team Karten zu. Die Kapazität des Kontenpools ist derzeit die Grenze; eine mandantenfähige Version mit API folgt in der nächsten Phase.
Wie bleiben die Modellkosten unter Kontrolle?
Indem das Modell der letzte Schritt ist, nicht der erste. Keyword- und semantischer Abgleich grenzen den Strom auf Nachrichten ein, die zum Thema passen. Ein Lexikon, die Form des Gesprächs und ein kleiner lokaler Klassifikator entscheiden dann, ob eine Nachricht Kaufabsicht zeigt. Nur Nachrichten, die beide Prüfungen bestehen, erreichen das Sprachmodell, das die Absicht bestätigt und eine Antwort entwirft. Jeder Modellaufruf ist budgetiert und wird mit seinen Kosten protokolliert, sodass die Ausgaben bekannt sind, bevor der Monat endet.
Projekt besprechen
Erzählen Sie uns von Ihrem Projekt