De copiar y pegar a automatizar: 3 scripts de Python para Marketing B2B (creados con IA)

Construir bases de datos para prospección B2B solía ser un proceso estrictamente manual: horas copiando perfiles de LinkedIn, inspeccionando el código fuente de webs corporativas o revisando cambios de precios en competidores.

Como profesional de marketing y operaciones, la automatización avanzada parecía reservada a perfiles de ingeniería de datos. La irrupción de asistentes de código cambia esa dinámica: lo importante no es memorizar la sintaxis de Python, sino estructurar el requerimiento de negocio y validar los datos resultantes.

A continuación, tres casos prácticos de scripts en Python creados con IA para automatizar la extracción de datos B2B.

1. Detección de tecnologías web (Tech Stack)

Si comercializas una solución B2B que se integra con plataformas específicas (por ejemplo, Shopify, WordPress o HubSpot), tu cliente ideal es aquel que ya tiene esa infraestructura instalada.

En lugar de inspeccionar el código fuente sitio por sitio, un script ligero puede analizar un listado de URLs y registrar si contienen las etiquetas de la tecnología objetivo:

import requests
from bs4 import BeautifulSoup
import csv

urls = ['https://empresa-ejemplo.com', 'https://otra-empresa.com']
tecnologia_objetivo = 'shopify'

with open('resultados.csv', 'w', newline='', encoding='utf-8') as file:
    writer = csv.writer(file)
    writer.writerow(['Dominio', 'Usa Tecnología'])

    for url in urls:
        try:
            response = requests.get(url, timeout=5)
            if tecnologia_objetivo in response.text.lower():
                writer.writerow([url, 'Sí'])
            else:
                writer.writerow([url, 'No'])
        except Exception as e:
            print(f"Error al analizar {url}: {e}")

2. Monitorización de precios de la competencia

En mercados B2B, los cambios de empaquetado y tarifas en la competencia señalan oportunidades para campañas de captación o ajustes de posicionamiento.

En lugar de revisiones periódicas manuales, este script captura la estructura de precios y permite registrar variaciones temporales:

import requests
from bs4 import BeautifulSoup

url = 'https://competidor.com/pricing'
headers = {'User-Agent': 'Mozilla/5.0'}

response = requests.get(url, headers=headers)
soup = BeautifulSoup(response.content, 'html.parser')

precios = soup.find_all(class_='price-tier')

for precio in precios:
    plan = precio.find('h3').text.strip()
    coste = precio.find(class_='amount').text.strip()
    print(f"Plan: {plan} — Precio: {coste}")

3. Extracción de directorios en ferias sectoriales

Los congresos y eventos B2B publican directorios públicos con cientos de empresas expositoras. Transformar esos listados en bases de datos estructuradas ahorra horas de transcripción:

import requests
from bs4 import BeautifulSoup
import pandas as pd

url = 'https://feria-b2b-ejemplo.com/expositores'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')

expositores = []
tarjetas = soup.find_all('div', class_='exhibitor-card')

for tarjeta in tarjetas:
    nombre = tarjeta.find('h2').text.strip()
    enlace = tarjeta.find('a')
    web = enlace['href'] if enlace else 'Sin web'
    
    expositores.append({'Empresa': nombre, 'Sitio Web': web})

df = pd.DataFrame(expositores)
df.to_excel('lista_prospectos_feria.xlsx', index=False)

Criterio sobre sintaxis

En estos flujos no necesitas dominar cada detalle de BeautifulSoup o Pandas. Tu función consiste en inspeccionar la estructura de la página, indicarle a la IA qué campos extraer y validar que el archivo resultante responda al objetivo comercial.