1. Source capture
Ein Scheduler startet montags frueh zwei Connector-Jobs: LinkedIn-Unternehmensupdates und TikTok-Profile bzw. erlaubte Vendor-Feeds. Rohdaten landen unveraendert in Blob Storage.
Architecture sketch
Montagmorgen ohne
manuelles Copy-Paste.
Das hier ist der skalierbare Pfad hinter dem MVP: oeffentliche Social Signale erfassen, normalisieren, vergleichen und mit klaren Fehlerschranken an das Strategy-Team ausspielen.
2. Normalize
Ein Worker schreibt alle Quellen in ein einheitliches Schema: Brand, Plattform, Datum, Text, Media-Typ, sichtbare Kennzahlen, Kommentar-Sample, URL, Crawl-Status.
3. Analyze
Ein Analyse-Service ruft zuerst das LLM fuer den strategischen Kurzread und faellt bei Timeout oder 429 kontrolliert auf heuristische Scores plus letzten gueltigen Report zurueck.
4. QA gates
Vor Auslieferung pruefen Rules: genug Datenpunkte pro Brand, keine leeren URLs, keine ueberalterten Snippets, keine leeren Findings. Bei Fehlern geht der Lauf in Review statt direkt an Strategy.
5. Delivery
Der finale Montag-Report wird als Slack-Post, PDF-Deck-Summary oder Notion-Page ausgegeben. Jede Aussage bleibt mit mindestens einer Quelle rueckverlinkt.
Scheduling
05:45 CET: Connector-Queue fuer LinkedIn und TikTok starten.
06:15 CET: Rohdaten validieren und entduplizieren.
06:30 CET: LLM + Heuristik Report rechnen.
06:40 CET: QA Gates und Human Review nur bei Warnungen.
07:00 CET: Slack/Notion/PDF Delivery ans Strategy-Team.
Reliability
Timeouts: harte Request-Deadlines, ein Retry mit Backoff, danach Fallback statt Dead End.
Rate limits: Exponential Backoff, getrennte Queue pro Plattform und letzte gueltige Daten als Cache.
Source drift: Parser-Version pro Plattform und Health Checks auf HTML-/API-Aenderungen.
LLM drift: heuristische Kontrollwerte gegen den generierten Text laufen lassen und Ausreisser markieren.