این گردش کار n8n چگونه به شناسایی مشکلات مشتری در آمازون کمک میکند؟

این گردش کار با استفاده از Bright Data نظرات محصولات آمازون را جمعآوری کرده و سپس با تحلیلگر هوش مصنوعی OpenRouter، کلمات کلیدی مرتبط با مشکلات رایج مانند تأخیر در تحویل، مشکلات بازگشت کالا، دوام محصول و مسائل مربوط به پشتیبانی را شناسایی میکند.

تأثیر درآمدی مشکلات شناسایی شده چگونه محاسبه میشود؟

پس از شناسایی نقاط درد، هوش مصنوعی OpenRouter این مشکلات را دستهبندی کرده و با تخمین زیان درآمدی ناشی از هر اصطکاک، به اولویتبندی آنها کمک میکند تا بتوانید بر روی مهمترین موارد تمرکز کنید.

نتایج تحلیل در کجا ذخیره و گزارش میشوند؟

نتایج تحلیلها، شامل نقاط درد شناسایی شده و تأثیر درآمدی تخمینی آنها، به صورت اولویتبندی شده در تبهای مشخصی در Google Sheets ثبت و گزارش میشوند تا دسترسی و استفاده از آنها آسان باشد.

تحلیل هوشمندانه نظرات آمازون برای شناسایی مشکلات و افزایش د…

تحلیل اصطکاک و تأثیر درآمدی بازبینی‌های آمازون با Bright Data، OpenRouter و Google Sheets

این سند موتور اطلاعات هوش تشخیص اصطکاک مشتری و از دست دادن تبدیل را شرح می‌دهد، یک گردش کار n8n که برای خودکارسازی تحلیل بازبینی‌های محصولات آمازون طراحی شده است. این سیستم نقاط درد مشتری (اصطکاک) را شناسایی می‌کند، تأثیر درآمدی بالقوه آن‌ها را با استفاده از هوش مصنوعی کمی‌سازی می‌کند و بینش‌های اولویت‌بندی شده را در Google Sheets ثبت می‌کند.

این گردش کار و موارد دیگر را در کاتالوگ Axeto کاوش کنید: Axeto.ai/n8n

---

۱. نمای کلی گردش کار

این سیستم بازخوردهای خام مشتریان را به اطلاعات تجاری عملیاتی تبدیل می‌کند. این سیستم به شش بخش عملکردی کلیدی تقسیم شده است:

1. ورودی و پیکربندی: محصول آمازون مورد نظر برای تحلیل را مشخص می‌کند.

2. استخراج نظرات (Bright Data): فرآیند استخراج داده‌های نظرات را به صورت ناهمزمان مدیریت می‌کند.

3. تشخیص سیگنال اصطکاک: نظرات را برای شناسایی مشکلات احتمالی با استفاده از تحلیل کلمات کلیدی فیلتر می‌کند.

4. تحلیل تأثیر هوش مصنوعی: از یک LLM از طریق OpenRouter برای دسته‌بندی اصطکاک و تخمین زیان درآمد استفاده می‌کند.

5. امتیازدهی و اولویت‌بندی: یافته‌های هوش مصنوعی را برای رتبه‌بندی شدت اصطکاک شناسایی شده، کمی‌سازی می‌کند.

6. گزارش‌دهی و ثبت وقایع: بینش‌های اولویت‌بندی شده را به تب‌های مشخصی در Google Sheets هدایت می‌کند.

---

۲. تحلیل جزئیات بلوک‌ها

۲.۱ ورودی و پیکربندی

این بلوک به عنوان نقطه ورود گردش کار عمل می‌کند و محصول آمازون مورد نظر برای تجزیه و تحلیل را مشخص می‌کند.

نودها: Run Friction Analysis (دستی - Manual Trigger)، Set Product URL (تنظیم - Set)
عملکرد:

* Run Friction Analysis: گردش کار را به صورت دستی آغاز می‌کند.

* Set Product URL: متغیری به نام url را تعریف می‌کند که حاوی URL لیست محصول آمازون است.

۲.۲ استخراج نظرات (Bright Data)

این بلوک چرخه کامل درخواست استخراج وب Bright Data را مدیریت می‌کند، از جمله راه‌اندازی، نظارت بر پیشرفت و بازیابی داده‌ها، با مدیریت خطای داخلی.

نودها: Start Review Scraping (Bright Data) (Bright Data)، Wait Before Status Check (انتظار - Wait)، Check Scraping Status (Bright Data)، Is Snapshot Ready? (اگر - If)، Download Review Data (Bright Data)، Format Bright Data Error (تنظیم - Set)، Log Scraping Error (Google Sheets)
عملکرد:

* Start Review Scraping: یک کار استخراج با استفاده از شناسه مجموعه داده از پیش تعریف شده (gd_le8e811kzy4ggddlq) را راه‌اندازی می‌کند.

* Wait Before Status Check: به مدت ۳۰ ثانیه مکث می‌کند تا Bright Data درخواست را پردازش کند.

* Check Scraping Status: شناسه اسنپ‌شات را برای تعیین تکمیل شدن کار استخراج بررسی می‌کند.

* Is Snapshot Ready?: یک نود شرطی که بررسی می‌کند آیا وضعیت استخراج (status) "آماده" است یا خیر. اگر آماده نباشد، به نود Wait Before Status Check بازمی‌گردد.

* Download Review Data: داده‌های نهایی ساختاریافته JSON حاوی نظرات محصول را بازیابی می‌کند.

* مدیریت خطا: اگر راه‌اندازی اولیه استخراج با شکست مواجه شود، گردش کار پیام خطا را فرمت کرده و آن را در تب log bright data error در Google Sheets ثبت می‌کند.

۲.۳ تشخیص سیگنال اصطکاک

این یک مرحله پیش‌پردازش است که برای فیلتر کردن نظرات خنثی یا مثبت و تمرکز بر بازخوردهای مربوط به مشکلات عملیاتی خاص طراحی شده است.

نودها: Detect Friction Signals (کد - Code)، Any Friction Detected? (اگر - If)، No Friction Detected (یادداشت چسبان - Sticky Note - در اینجا به صورت مفهومی برای وضوح استفاده شده است، نود واقعی ممکن است یک Set یا If برای ثبت باشد)
عملکرد:

* Detect Friction Signals (کد): یک نود جاوا اسکریپت که review_text را برای کلمات کلیدی مرتبط با نقاط اصطکاک رایج اسکن می‌کند: delivery_delay، returns_friction، product_durability_issue، sizing_issue و support_issue. این نود یک آرایه به نام frictionSignals را پر می‌کند.

* Any Friction Detected? (اگر): بررسی می‌کند که آیا آرایه frictionSignals حاوی هیچ مشکلی است یا خیر. اگر مشکلی وجود نداشته باشد، به مسیر "No Friction Detected" می‌رود (که می‌تواند این یافته را ثبت کند یا به سادگی شاخه را پایان دهد).

۲.۴ تحلیل تأثیر اصطکاک با هوش مصنوعی

این بلوک از یک مدل زبان بزرگ (LLM) هوش مصنوعی برای انجام تجزیه و تحلیل کیفی عمیق بر روی نظرات فیلتر شده استفاده می‌کند.

نودها: Prepare Review for AI Analysis (تنظیم - Set)، AI Friction Impact Analyzer (عامل هوش مصنوعی - AI Agent)، Friction Impact Analyzer (مدل چت OpenRouter - OpenRouter Chat Model)، Validate AI Friction Output (تجزیه‌کننده خروجی ساختاریافته - Structured Output Parser)
عملکرد:

* عامل هوش مصنوعی: با یک اعلان سیستمی پیکربندی شده است تا به عنوان یک "موتور اطلاعات تبدیل تجارت الکترونیک" عمل کند.

* مدل OpenRouter: برای دسترسی به LLMهای قدرتمند برای تجزیه و تحلیل به OpenRouter متصل می‌شود.

* تجزیه‌کننده خروجی ساختاریافته: یک طرحواره JSON سختگیرانه را برای خروجی هوش مصنوعی اعمال می‌کند و فیلدهای زیر را الزامی می‌کند: frictionCategory، estimatedImpact (مثلاً کم، متوسط، زیاد)، impactScore (۰-۱۰۰) و reasoning.

۲.۵ امتیازدهی و اولویت‌بندی

این بلوک خروجی کیفی هوش مصنوعی را به یک "امتیاز همبسته" واحد تبدیل می‌کند تا بینش‌های عملی را اولویت‌بندی کند.

نودها: Calculate Correlated Friction Score (کد - Code)، Is High-Risk Revenue Friction? (اگر - If)، Tag as High Priority (تنظیم - Set)، Tag as Moderate / Low Priority (تنظیم - Set)
عملکرد:

* Calculate Correlated Friction Score (کد): یک نود جاوا اسکریپت که بر اساس انواع اصطکاک شناسایی شده، وزن‌هایی را به امتیازات تولید شده توسط هوش مصنوعی اعمال می‌کند. به عنوان مثال، یک checkout_failure ممکن است ۴۰ امتیاز اضافه کند، در حالی که یک support_issue ممکن است ۱۵ امتیاز اضافه کند.

* Is High-Risk Revenue Friction? (اگر): گردش کار را بر اساس اینکه آیا correlatedScore از یک آستانه تعریف شده (مثلاً ۶۰) فراتر می‌رود یا خیر، منشعب می‌کند.

۲.۶ گزارش‌دهی و ثبت وقایع

مرحله نهایی که در آن داده‌های تجزیه و تحلیل شده فرمت شده و به تب‌های مناسب Google Sheets برای بررسی ذینفعان ارسال می‌شوند.

نودها: Log Checkout Optimization Opportunity (Google Sheets)، Prepare Delivery & Returns Risk Flags (تنظیم - Set)، Log Delivery & Returns Risk (Google Sheets)
عملکرد:

* Log Checkout Optimization Opportunity: بینش‌های اصطکاک با اولویت بالا (مانند خرابی‌های پرداخت) را به تب Checkout Optimisation List اضافه می‌کند.

* Log Delivery & Returns Risk: تجزیه و تحلیل دقیق، از جمله استدلال هوش مصنوعی و بولین‌های ریسک، را به تب Delivery & Returns Risk Report اضافه می‌کند.

---

۳. جدول خلاصه نودها

نام نود (Node Name)	نوع نود (Node Type)	نقش عملکردی (Functional Role)	نود(های) ورودی (Input Node(s))	نود(های) خروجی (Output Node(s))	نام بلاک (Block Name)
Run Friction Analysis	Manual Trigger	نقطه ورود گردش کار (Workflow Entry Point)	None	Set Product URL	ورودی و پیکربندی (Input & Configuration)
Set Product URL	Set	تعریف متغیر (Variable Definition)	Run Friction Analysis	Start Review Scraping (Bright Data)	ورودی و پیکربندی (Input & Configuration)
Start Review Scraping (Bright Data)	Bright Data	راه‌اندازی جمع‌آوری داده (Trigger Data Collection)	Set Product URL	Wait Before Status Check, Format Bright Data Error	استخراج نظرات (Review Scraping)
Wait Before Status Check	Wait	تأخیر در نظرسنجی (Polling Delay)	Start Review Scraping, Is Snapshot Ready?	Check Scraping Status	استخراج نظرات (Review Scraping)
Check Scraping Status	Bright Data	نظارت بر پیشرفت استخراج (Monitor Scraping Progress)	Wait Before Status Check	Is Snapshot Ready?	استخراج نظرات (Review Scraping)
Is Snapshot Ready?	If	شرط نظرسنجی (Polling Condition)	Check Scraping Status	Download Review Data, Wait Before Status Check	استخراج نظرات (Review Scraping)
Download Review Data	Bright Data	بازیابی داده‌های استخراج شده (Retrieve Scraped Data)	Is Snapshot Ready?	Detect Friction Signals	استخراج نظرات (Review Scraping)
Detect Friction Signals	Code	فیلتر مبتنی بر کلمات کلیدی (Keyword-Based Filtering)	Download Review Data	Any Friction Detected?	تشخیص سیگنال اصطکاک (Friction Signal Detection)
Any Friction Detected?	If	انشعاب بر اساس سیگنال‌ها (Branching based on Signals)	Detect Friction Signals	Prepare Review for AI Analysis, No Friction	تشخیص سیگنال اصطکاک (Friction Signal Detection)
Prepare Review for AI Analysis	Set	آماده‌سازی داده برای LLM (Prepare Data for LLM)	Any Friction Detected?	AI Friction Impact Analyzer	تحلیل تأثیر اصطکاک با هوش مصنوعی (AI Friction Impact Analysis)
AI Friction Impact Analyzer	AI Agent	هماهنگ‌سازی فراخوانی LLM (Orchestrate LLM Call)	Prepare Review for AI Analysis	Friction Impact Analyzer	تحلیل تأثیر اصطکاک با هوش مصنوعی (AI Friction Impact Analysis)
Friction Impact Analyzer	OpenRouter Chat Model	انجام تحلیل کیفی (Perform Qualitative Analysis)	AI Friction Impact Analyzer	Validate AI Friction Output	تحلیل تأثیر اصطکاک با هوش مصنوعی (AI Friction Impact Analysis)
Validate AI Friction Output	Structured Output Parser	اعمال طرح خروجی (Enforce Output Schema)	Friction Impact Analyzer	Calculate Correlated Friction Score	تحلیل تأثیر اصطکاک با هوش مصنوعی (AI Friction Impact Analysis)
Calculate Correlated Friction Score	Code	امتیازدهی وزنی (Weighted Scoring)	Validate AI Friction Output	Is High-Risk Revenue Friction?	امتیازدهی و اولویت‌بندی (Scoring & Prioritization)
Is High-Risk Revenue Friction?	If	بررسی آستانه شدت (Severity Threshold Check)	Calculate Correlated Friction Score	Tag as High Priority, Prepare Delivery & Returns	امتیازدهی و اولویت‌بندی (Scoring & Prioritization)
Tag as High Priority	Set	برچسب‌گذاری موارد با اولویت بالا (Label High-Priority Items)	Is High-Risk Revenue Friction?	Log Checkout Optimization Opportunity	امتیازدهی و اولویت‌بندی (Scoring & Prioritization)
Log Checkout Optimization Opportunity	Google Sheets	گزارش مسائل با اولویت بالا (Report High-Priority Issues)	Tag as High Priority	None	گزارش‌دهی و ثبت وقایع (Reporting & Logging)
Prepare Delivery & Returns Risk	Set	قالب‌بندی داده‌های ریسک (Format Risk Data)	Is High-Risk Revenue Friction?	Log Delivery & Returns Risk	امتیازدهی و اولویت‌بندی (Scoring & Prioritization)
Log Delivery & Returns Risk	Google Sheets	گزارش تحلیل ریسک دقیق (Report Detailed Risk Analysis)	Prepare Delivery & Returns Risk	None	گزارش‌دهی و ثبت وقایع (Reporting & Logging)
Format Bright Data Error	Set	قالب‌بندی پیام خطا (Format Error Message)	Start Review Scraping (Bright Data)	Log Scraping Error	استخراج نظرات (مسیر خطا) (Review Scraping (Error Path))
Log Scraping Error	Google Sheets	ثبت خطاهای Bright Data (Log Bright Data Errors)	Format Bright Data Error	None	استخراج نظرات (مسیر خطا) (Review Scraping (Error Path))

۴. ساخت گردش کار از ابتدا

1. تنظیمات Google Sheets:

* یک صفحه Google Sheet جدید ایجاد کنید.

* سه تب ایجاد کنید: Checkout Optimisation List، Delivery & Returns Risk Report و log bright data error.

* هدرهای زیر را به هر تب اضافه کنید:

* Checkout Optimisation List: Brand، Friction Type، Revenue Impact، Priority، Impact Score، ASIN، Timestamp

* Delivery & Returns Risk Report: brand، productName، asin، reviewText، impactScore، reasoning، deliveryRisk، returnsRisk

* log bright data error: errorSource، errorMessage، errorCode، timestamp، hasError

2. پیکربندی اعتبارنامه‌ها:

* Bright Data: اعتبارنامه‌های API Bright Data خود را تنظیم کنید.

* OpenRouter: کلید API OpenRouter خود را پیکربندی کنید.

* Google Sheets: اعتبارنامه‌های OAuth2 Google Sheets را برای احراز هویت تنظیم کنید.

3. بلوک ورودی:

* یک گره Manual Trigger اضافه کنید.

* یک گره Set برای تعریف متغیر url با URL محصول آمازون مورد نظر اضافه کنید.

4. حلقه استخراج:

* یک گره Bright Data (عملیات: Trigger Collection by URL) اضافه کنید.

* یک گره Wait (مثلاً ۳۰ ثانیه) اضافه کنید.

* یک گره Bright Data (عملیات: Monitor Progress Snapshot) اضافه کنید.

* یک گره If برای بررسی اینکه آیا وضعیت اسنپ‌شات "ready" است، اضافه کنید. خروجی "false" را به گره Wait برگردانید تا یک حلقه ایجاد شود.

* خروجی "true" گره If را به یک گره Bright Data (عملیات: Download Snapshot) متصل کنید.

5. تشخیص سیگنال اصطکاک:

* یک گره Code اضافه کنید. جاوا اسکریپت را برای پیمایش در میان نظرات جمع‌آوری شده (review_text) پیاده‌سازی کنید. از متدهای رشته‌ای مانند .includes() برای تشخیص کلمات کلیدی مرتبط با اصطکاک (مانند "shipping delay"، "broken"، "refund issue") استفاده کنید. کلمات کلیدی تشخیص داده شده را در آرایه‌ای به نام frictionSignals ذخیره کنید.

* یک گره If اضافه کنید تا بررسی کنید آیا آرایه frictionSignals خالی نیست.

6. ادغام هوش مصنوعی:

* یک گره AI Agent اضافه کنید.

* یک گره OpenRouter Chat Model را به AI Agent متصل کنید.

* یک گره Structured Output Parser را به مدل متصل کنید. طرحواره JSON مورد نیاز را تعریف کنید: frictionCategory، estimatedImpact، impactScore، confidenceScore و reasoning.

7. منطق امتیازدهی:

* یک گره Code برای محاسبه correlatedScore اضافه کنید. فرمولی را پیاده‌سازی کنید که به impactScore هوش مصنوعی وزن می‌دهد و به طور بالقوه مقادیر ثابت را بر اساس سیگنال‌های اصطکاک خاص تشخیص داده شده اضافه می‌کند.

8. مسیریابی خروجی:

* یک گره If برای انشعاب بر اساس correlatedScore (مثلاً correlatedScore > 60) اضافه کنید.

* مسیر اولویت بالا: یک گره Set برای برچسب‌گذاری مورد به عنوان "High Priority" اضافه کنید. این را به یک گره Google Sheets که برای افزودن داده به تب Checkout Optimisation List پیکربندی شده است، متصل کنید.

* مسیر تحلیل ریسک: یک گره Set برای قالب‌بندی داده‌های مرتبط (مانند بولین‌های ریسک) اضافه کنید. این را به یک گره Google Sheets که برای افزودن داده به تب Delivery & Returns Risk Report پیکربندی شده است، متصل کنید.

۵. منابع و نکات

موضوع	جزئیات
راه‌اندازی Bright Data	نیاز به Scraper ID از حساب Bright Data شما دارد.
راه‌اندازی OpenRouter	مدل‌های مقرون‌به‌صرفه مانند `anthropic/claude-3-haiku` را در نظر بگیرید. به OpenRouter مراجعه کنید.
سربرگ‌های Google Sheets	برای سربرگ‌های مورد نیاز در هر تب، به بخش "راه‌اندازی Google Sheets" در بالا مراجعه کنید.
کاتالوگ Axeto	گردش‌کارهای n8n بیشتر را در Axeto.ai/n8n کشف کنید.