如果你銷售餐廳相關服務——外送科技、行銷服務、POS 系統、會員 App——你已經知道最煩人的第一步：找到餐廳。不只是任何餐廳，而是真正符合你 ICP 的餐廳：特定菜系、在特定城市、位於 UberEats 上。

一般流程看起來是這樣：在 UberEats 上搜尋某個城市的「披薩」，不斷捲動畫面，把名稱與 URL 複製到試算表，切換城市，重複操作。對 20 個城市的版圖來說，在寄出第一封郵件之前，一個下午就已經過去了。

我厭倦手動操作，所以用 Apify 上的 UberEats Stores Search by Location and Keyword 演員來自動化，並在約 10 分鐘內建成了真正的潛在客戶名單流程。

想法

這個演員只需要兩個簡單輸入——外送地址清單與搜尋關鍵字——就能回傳每間符合的餐廳結構化資料：名稱、UberEats URL、評分、評分數量、預估外送時間、城市，以及圖片。無需瀏覽器、無需手動捲動，也無需解析 HTML。

對潛在客戶開發來說，這意味著：選擇目標城市、選擇關鍵字（一種菜系，甚至競爭對手的品牌名稱，來找到還沒採用該技術的餐廳），就能取得可篩選、直接匯出到 CRM 的乾淨資料集。

實作：Python + Apify client

安裝 client：

pip install apify-client

針對一批目標城市呼叫演員：

from apify_client import ApifyClient

client = ApifyClient("YOUR_APIFY_TOKEN")

run_input = {
    "locations": [
        "85 Marsh St, Newark, NJ 07114, USA",
        "95th Ave, Ozone Park, NY 11416, USA",
        "1600 Pennsylvania Ave NW, Washington, DC 20500, USA",
    ],
    "search_keyword": "pizza",
    "max_search_results": 50,
}

run = client.actor("datacach/ubereats-stores-search-by-location-and-keyword").call(run_input=run_input)

items = list(client.dataset(run["defaultDatasetId"]).iterate_items())

每一筆資料看起來像這樣：

{
  "store_uuid": "35e7a890-3f2a-5948-815e-7a2a3cb77d1f",
  "name": "Pizza Near Me",
  "url": "https://www.ubereats.com/store/pizza-near-me/NeeokD8qWUiBXnoqPLd9Hw",
  "estimated_time_to_delivery": "20 min",
  "rating": 4.53,
  "rating_count": "14",
  "city": "Newark",
  "country_code": "US",
  "input": { "search_location": "85 Marsh St, Newark, NJ 07114, USA" }
}

轉換成潛在客戶名單

載入 DataFrame 並整理成銷售團隊實際能使用的格式：

import pandas as pd

df = pd.DataFrame(items)
df["rating_count"] = pd.to_numeric(df["rating_count"], errors="coerce")

# 高評分、低評論量：有機經營良好但行銷／科技投資不足
# 這些餐廳正是理想的開發目標。
leads = df[(df["rating"] >= 4.3) & (df["rating_count"] < 50)]

leads = leads[["name", "city", "url", "rating", "rating_count", "estimated_time_to_delivery"]]
leads.to_csv("restaurant_leads.csv", index=False)

這個篩選條件只是起點——你可以根據你的提案需求替換其他條件。以下是實務上有效的幾種：

  • 外送時間過長（estimated_time_to_delivery > 40 min）→ 推銷物流／營運工具
  • 大城市中評論量偏低 → 推銷行銷／曝光服務
  • 以競爭對手品牌名稱搜尋而非菜系 → 找出正在使用特定 POS 或外送專營概念的所有分店，清楚知道誰已經採用、誰還沒

無論如何，你最終會得到一份包含名稱、URL、地理位置的潛在客戶 CSV——可直接匯入你使用的任何開發工具。

為什麼這比自己爬資料好

你可以自己寫爬蟲抓 UberEats，但你將永遠需要維護反機器人機制、分頁處理，以及版面變更，只為了取得餐廳名稱清單。這個演員已經處理好這些工作——你只要輸入城市與關鍵字，就能取得 JSON 結果。它也非常容易重複使用：每月針對版圖重新執行，就能建立自我更新的潛在客戶流程，而非一次性很快就過時的名單。

如果你想先在自己的城市測試上述流程再擴大到整個版圖，還有免費方案（每次執行 1 個地點、10 筆結果）。

試用

如果你用這個方法建立了潛在客戶流程，我很想知道你最後使用的篩選條件／訊號——歡迎在留言區分享。