OSINT Growth-hack или идея поиска клиентов в ютубе

Помните я в апреле писал про OSINT+AI? Далее наброс мыслей про то как это применить на примере анализа ютуб видео, давайте подумаем и поразгоняем.

Youtube, подкасты, конференции - огромный массив данных, где decision makers откровенно делятся болями. Фаундеры жалуются на технологии, директора ругают инструменты, CTOшники обсуждают проблемы масштабирования. Или ни на что не жалуются, а просто проявляют интерес. Эти сигналы тонут в миллиардах часов контента, но с AI можно превратить хаос в конвейер лидов.

Идея такая: находим видео, где целевая аудитория обсуждает свои проблемы → анализируем контекст → обогащаем данными о компании → делаем персонализированный outreach.

Шаг 1: Поиск по транскриптам

Стандартный поиск YouTube работает плохо для таких задач. Но есть специальные инструменты:

- Filmot.com - индексирует 1.3 миллиарда транскриптов YouTube. Можно искать точные фразы типа "supply chain issue" или названия конкурентов. Показывает таймстампы, где упоминается фраза.
- Custom решения - YouTube API + собираете транскрипты через yt-dlp, складываете в БД с full-text search или делаете семантический поиск через embeddings. Тогда можете искать не только точные совпадения, но и смысловые: "losing clients from bad service" найдет обсуждения "customer churn due to poor support".

Шаг 2: AI для фильтрации сигналов

Не каждое упоминание проблемы - это потенциальны лид (или нет). AI может анализировать:

- Тональность (ищем фрустрацию, недовольство)
- Роль спикера (СЕО важнее стажера)
- Контекст (жалоба на конкурента vs случайное упоминание)
- Актуальность проблемы для вашего решения

Шаг 3: Обогащение данных

Нашли, что СЕО компании X жалуется на проблему Y. Теперь нужна полная картина:

- Firmographic данные через Clearbit (размер компании, индустрия, технологии)
- Контакты через Apollo.io или ZoomInfo
- Дополнительный контекст из новостей и соцсетей

Думаем дальше, самое интересное начинается, когда весь процесс автоматизируете через LLM-агента:

1. Генерация поисковых запросов - вместо угадывания ключевых слов, говорите агенту: "Найди executives, которые жалуются на supply chain issues в retail". LLM сам придумает варианты фраз для поиска.
2. Анализ транскриптов - агент читает найденные видео и выдает саммари: "СЕО X Corp 2 минуты (5:10-7:20) обсуждает проблемы с CRM, конкретно жалуется что 'not user-friendly' и 'lacks integration'".
3. Scoring лидов - AI оценивает релевантность: решает ли ваш продукт эту проблему? Насколько срочно звучит? Есть ли buying signals?

Что еще?

Topic modeling - прогоняете сотни транскриптов через BERTopic, модель выделяет темы: "hiring talent", "scaling technology", "regulatory compliance". Видите, что 30% target accounts жалуются на одну проблему - создаете кампанию под эту боль.

Clustering - группируете компании по проблемам или конкурентам. Кластер "недовольные пользователи Competitor X" - готовая аудитория для focused кампании.

Итого

YouTube prospecting - это способ "слушать в масштабе" что говорят ваша потенциальная ЦА. Болевые точки, упоминания конкурентов, планы развития лежат в открытом доступе.

Комбинация инструментов поиска + AI анализ + data enrichment может превратить часы видео в pipeline теплых лидов. Персонализация уровня "я слышал, как вы говорили о конкретной проблеме" работает мощнее холодного outreach.

Что думаете / можете добавить? Интересна вообще эта тема?