تحلیل خودکار فروش Zoho CRM با GPT-4 و Slack

تحلیل و بهبود چرخه‌های فروش Zoho CRM با GPT-4، Google Sheets و Slack

این گردش کار، تحلیل و بهبود چرخه‌های فروش Zoho CRM شما را خودکار می‌کند. این گردش کار از GPT-4 برای بینش‌های هوشمند، Google Sheets برای مقایسه داده‌های تاریخی و Slack برای اعلان‌های به موقع استفاده می‌کند.

نمای کلی گردش کار

این گردش کار، معاملات اخیراً بسته شده را از Zoho CRM بازیابی می‌کند. سپس مدت زمان چرخه فروش آن‌ها را با داده‌های تاریخی ذخیره شده در Google Sheets مقایسه می‌کند. این تحلیل با GPT-4 غنی‌سازی می‌شود که تحلیل احساسات، پیش‌بینی نتایج و توصیه‌های عملی ارائه می‌دهد. در نهایت، فراداده تجسم سبک وزن تولید می‌کند، خلاصه‌ای قالب‌بندی شده را در Slack منتشر می‌کند و نتایج را به یک Google Sheet تاریخی برای پیگیری مداوم اضافه می‌کند.

مراحل کلیدی:

1. شروع دستی / نقطه ورود: گردش کار را به صورت دستی آغاز می‌کند. این مرحله برای آزمایش در نظر گرفته شده است و می‌تواند با یک تریگر زمان‌بندی شده برای اجرای خودکار جایگزین شود.

2. جمع‌آوری داده: معاملات اخیر را از Zoho CRM واکشی کرده و داده‌های چرخه فروش تاریخی را از Google Sheets بازیابی می‌کند.

3. تحلیل چرخه اصلی: معیارهای کلیدی مانند مدت زمان چرخه، میانگین‌های تاریخی، بهترین روزهای بسته شدن و شناسایی گلوگاه‌های زمان اقامت در مرحله را محاسبه می‌کند.

4. لایه هوش مصنوعی: از GPT-4 برای تحلیل احساسات، تحلیل پیش‌بینی‌کننده و تولید توصیه‌های اولویت‌بندی شده استفاده می‌کند.

5. اعتبارسنجی، اعلان‌ها و ثبت وقایع: داده‌های پردازش شده را اعتبارسنجی می‌کند، خلاصه‌ای را به Slack ارسال می‌کند و نتایج را در Google Sheets ثبت می‌کند.

---

تحلیل گره به گره (Node Analysis)

۱. شروع دستی / نقطه ورود

• هدف: یک تریگر دستی برای شروع گردش کار فراهم می‌کند که برای تست و اجرای موردی مفید است. در محیط عملیاتی، این معمولاً با یک تریگر زمان‌بندی شده جایگزین می‌شود.
• گره‌ها (Nodes):

* Manual Trigger

#### گره: Manual Trigger

• نوع: Manual Trigger
• نقش: اجرای گردش کار را بر اساس تقاضا آغاز می‌کند.
• پیکربندی: هیچ پارامتر خاصی برای این گره لازم نیست.
• ورودی/خروجی: داده‌هایی را خروجی می‌دهد که گره‌های بعدی در گردش کار را آغاز می‌کند.
• نسخه: v1

---

۲. جمع‌آوری داده (Zoho CRM + Google Sheets)

• هدف: با واکشی معاملات اخیر از Zoho CRM و داده‌های عملکرد تاریخی از Google Sheets، داده‌های لازم را جمع‌آوری می‌کند.
• گره‌ها (Nodes):

* Zoho CRM - Deal Trigger

* Filter Recent Deals

* Fetch Historical Averages

#### گره: Zoho CRM - Deal Trigger

• نوع: Zoho CRM
• نقش: رکوردهای معامله را از حساب Zoho CRM شما بازیابی می‌کند.
• پیکربندی:

* منبع (Resource): Deal

* عملیات (Operation): Get All (برای واکشی چندین رکورد معامله)

• اتصالات:

* ورودی: سیگنال تریگر را از Manual Trigger دریافت می‌کند.

* خروجی: داده‌های معامله واکشی شده را به گره Filter Recent Deals ارسال می‌کند.

• فیلدهای کلیدی داده مورد انتظار: Created_Time, Closed_Time, Modified_Time, Deal_Name, Stage, Owner, Amount و به صورت اختیاری Stage_History.
• مشکلات احتمالی:

* خرابی احراز هویت یا منقضی شدن توکن‌های Zoho CRM.

* مشکلات عملکردی یا محدودیت‌های نرخ API هنگام واکشی مجموعه داده‌های بزرگ.

* فیلدهای حیاتی از دست رفته (مانند Closed_Time) می‌تواند بر محاسبات پایین‌دستی تأثیر بگذارد.

• یادداشت‌های نسخه: رفتار این گره، به ویژه در مورد صفحه‌بندی (pagination) و گزینه‌ها، ممکن است بین نسخه‌ها متفاوت باشد.

#### گره: Filter Recent Deals

• نوع: Code
• نقش: معاملات واکشی شده از Zoho CRM را فیلتر می‌کند تا فقط آن‌هایی که در ۷ روز گذشته بسته شده‌اند را شامل شود و تعداد معاملات پردازش شده را به حداکثر ۱۰ عدد محدود می‌کند. این به مدیریت حجم داده و تمرکز بر فعالیت‌های اخیر کمک می‌کند.
• پیکربندی:

* معاملات را بر اساس Closed_Time (ترجیحی) یا Modified_Time که در ۷ روز گذشته باشد، فیلتر می‌کند.

* معاملاتی که فاقد مُهر زمانی مرتبط هستند را حذف می‌کند.

* خروجی را به ۱۰ معامله فیلتر شده اول محدود می‌کند.

• منطق کلیدی:

* مُهر زمانی برای ۷ روز قبل از زمان فعلی را محاسبه می‌کند.

* مرتبط‌ترین مُهر زمانی (Closed_Time یا Modified_Time) را انتخاب می‌کند.

* فیلتر تاریخ را اعمال کرده و سپس آرایه را برش می‌دهد تا فقط ۱۰ مورد اول را نگه دارد.

• اتصالات:

* ورودی: داده‌های معامله را از Zoho CRM - Deal Trigger دریافت می‌کند.

* خروجی: مجموعه فیلتر شده و محدود شده معاملات اخیر را به Fetch Historical Averages ارسال می‌کند.

• مشکلات احتمالی:

* خطا در تجزیه فرمت‌های تاریخ اگر Zoho CRM فرمت‌های ISO غیر استاندارد را برگرداند.

* اختلافات منطقه زمانی می‌تواند بر شمول معاملات نزدیک به مرز ۷ روز تأثیر بگذارد.

* معاملات اخیر فراتر از ۱۰ مورد اول در تحلیل گنجانده نخواهند شد.

• یادداشت‌های نسخه: از گره Code (v2) استفاده می‌کند، که ممکن است از $item() برای دسترسی به داده‌ها استفاده کند.

#### گره: Fetch Historical Averages

• نوع: Google Sheets
• نقش: داده‌های چرخه فروش تاریخی را از یک Google Sheet مشخص شده می‌خواند تا معیارهایی برای مقایسه ایجاد کند.
• پیکربندی:

* نیاز به اعتبارنامه‌های معتبر Google Sheets دارد.

* Document ID و Sheet Name: این فیلدها باید توسط کاربر پیکربندی شوند.

* عملیات معمولاً به طور پیش‌فرض چندین ردیف را از شیت می‌خواند.

• اتصالات:

* ورودی: معاملات اخیر فیلتر شده را از Filter Recent Deals دریافت می‌کند.

* خروجی: داده‌های تاریخی را به گره Analyze Cycle ارسال می‌کند.

• مشکلات احتمالی:

* اعتبارنامه‌های Google Sheets نامعتبر یا گمشده.

* Document ID/Sheet Name نادرست یا گمشده.

* عدم تطابق سربرگ ستون‌ها در Google Sheet با آنچه گره Analyze Cycle انتظار دارد (مانند Created_Time, Closed_Time, Stage, Deal_Name, Stage_History).

• یادداشت‌های نسخه: از گره Google Sheets (v3) استفاده می‌کند که ساختار پارامتر متفاوتی نسبت به v2 دارد.

---

۳. تحلیل چرخه اصلی (محاسبات قطعی)

• هدف: محاسبات قطعی را برای تعیین مدت چرخه فروش، مقایسه با داده‌های تاریخی و شناسایی گلوگاه‌های احتمالی در مراحل فروش انجام می‌دهد.
• گره‌ها (Nodes):

* Analyze Cycle

#### گره: Analyze Cycle

• نوع: Code
• نقش: طول چرخه فروش را برای هر معامله محاسبه می‌کند، آمارهای تاریخی (میانگین، میانه، صدک ۹۰) را محاسبه می‌کند، بهترین روز هفته برای بستن معاملات را تعیین می‌کند و زمان ماندن در هر مرحله را برای شناسایی گلوگاه‌ها تحلیل می‌کند.
• پیکربندی:

* داده‌های معامله را پردازش می‌کند، عمدتاً از گره‌های Filter Recent Deals یا Zoho CRM - Deal Trigger.

* totalDays را از Created_Time تا Closed_Time (یا به عنوان پشتیبان Modified_Time) محاسبه می‌کند و حداقل ۱ روز را تضمین می‌کند.

* داده‌های تاریخی را از آیتم‌های ورودی (ردیف‌های Google Sheets) تجمیع می‌کند.

* نام ستون‌ها را برای سازگاری نرمال‌سازی می‌کند.

* آمارهای چرخه تاریخی را محاسبه می‌کند: میانگین، میانه و صدک ۹۰ (p90).

* "بهترین روز هفته برای بستن" را بر اساس معاملات "برنده" تاریخی تعیین می‌کند.

* زمان ماندن در مرحله را با استفاده از Stage_History در صورتی که یک آرایه JSON قابل تجزیه باشد، تحلیل می‌کند و با مقایسه زمان ماندن با ۱.۵ برابر میانگین زمان ماندن در هر مرحله، گلوگاه‌ها را شناسایی می‌کند.

* آرایه‌های insights[] و suggestions[] را به همراه یک پرچم hasData تولید می‌کند.

• منطق/متغیرهای کلیدی:

* منطق انتخاب معامله: const deal = $item(0).$node["Filter Recent Deals"].json || ...

* نرمال‌سازی ردیف تاریخی: Created_Time: row.Created_Time || row['Created Time'] || ...

تشخیص گلوگاه: longestDwellDays را با avgStageDwells[stage] 1.5 مقایسه می‌کند.

• اتصالات:

* ورودی: داده‌ها را از Fetch Historical Averages دریافت می‌کند.

* خروجی: داده‌های پردازش شده را به شاخه‌های موازی برای تحلیل هوش مصنوعی (AI Sentiment Analysis و AI Predictive Analytics) ارسال می‌کند.

• نکته مهم پیاده‌سازی: این گره تلاش می‌کند هم داده‌های اصلی معامله و هم داده‌های تاریخی را از Google Sheets پردازش کند. اگر چندین معامله از آن عبور کنند، $item(0) ممکن است به طور مداوم به معامله اول اشاره کند، که در صورت عدم مدیریت دقیق، می‌تواند منجر به تحلیل ناسازگار شود.
• مشکلات احتمالی:

* عدم وجود Created_Time یا Closed_Time منجر به totalDays null و کاهش بینش‌ها می‌شود.

* خطا در تجزیه Stage_History (مانند فرمت غیر JSON) به طور خاموش نادیده گرفته می‌شود.

* اگر Google Sheet هیچ داده تاریخی قابل استفاده‌ای برنگرداند، معیارهای آماری کلیدی null خواهند بود و کیفیت بینش‌ها کاهش می‌یابد.

• یادداشت‌های نسخه: v2 (Code node).

---

۴. لایه هوش مصنوعی (GPT-4)

• هدف: تحلیل قطعی را با بینش‌های مبتنی بر هوش مصنوعی، از جمله تحلیل احساسات، مدل‌سازی پیش‌بینی‌کننده و توصیه‌های عملی، بهبود می‌بخشد.
• گره‌ها (Nodes):

* AI Sentiment Analysis

* AI Predictive Analytics

* AI Data Aggregation

* Advanced Data Visualization

* AI Smart Recommendations

#### گره: AI Sentiment Analysis

• نوع: OpenAI
• نقش: از GPT-4 برای تحلیل احساسات، سطح اطمینان، شاخص‌های کلیدی و ریسک مرتبط با یک معامله استفاده می‌کند.
• پیکربندی:

* مدل (Model): gpt-4

* پرامپت (prompt) به گونه‌ای طراحی شده است که احساسات (مثبت/خنثی/منفی)، امتیاز اطمینان (۰-۱۰۰)، شاخص‌های ریسک و سطح کلی ریسک را استخراج کند.

* داده‌های معامله را با استفاده از {{ JSON.stringify($json.deal) }} تزریق می‌کند.

• اتصالات:

* ورودی: داده‌ها را از Analyze Cycle دریافت می‌کند.

* خروجی: نتایج تحلیل احساسات را به AI Data Aggregation ارسال می‌کند.

• مشکلات احتمالی:

* اعتبارنامه‌های API OpenAI نامعتبر یا گمشده.

* فراتر رفتن از سهمیه‌ها یا رسیدن به محدودیت‌های نرخ API.

* پرامپت ممکن است به جای JSON، متن آزاد برگرداند که به طور بالقوه باعث خطا در مراحل تجزیه بعدی می‌شود (اگرچه مدیریت خطا گنجانده شده است).

• یادداشت‌های نسخه: v1 (گره قدیمی OpenAI؛ ساختار پاسخ ممکن است با گره‌های "Chat" فعلی متفاوت باشد).

#### گره: AI Predictive Analytics

• نوع: OpenAI
• نقش: از GPT-4 برای پیش‌بینی احتمال بسته شدن یک معامله و تخمین تاریخ مورد انتظار بسته شدن، همراه با شناسایی عوامل ریسک مؤثر، استفاده می‌کند.
• پیکربندی:

* مدل (Model): gpt-4

* پرامپت، احتمال برد، تاریخ مورد انتظار بسته شدن، عوامل ریسک و اطمینان را درخواست می‌کند.

* هم زمینه تاریخی و هم داده‌های معامله فعلی را تزریق می‌کند:

* Historical Context: {{ JSON.stringify($json.historicalData) }}

* Current Deal: {{ JSON.stringify($json.deal) }}

• مشکل داده حیاتی: گره Analyze Cycle داده‌های historicalData را مستقیماً خروجی نمی‌دهد؛ بلکه آمارهای تجمیع شده را خروجی می‌دهد. بنابراین، {{ JSON.stringify($json.historicalData) }} احتمالاً undefined خواهد بود که می‌تواند کیفیت تحلیل پیش‌بینی‌کننده را محدود کند.
• اتصالات:

* ورودی: داده‌ها را از Analyze Cycle دریافت می‌کند.

* خروجی: نتایج تحلیل پیش‌بینی‌کننده را به AI Data Aggregation ارسال می‌کند.

• مشکلات احتمالی: مشابه AI Sentiment Analysis، به علاوه کاهش کیفیت به دلیل زمینه تاریخی گمشده.
• یادداشت‌های نسخه: v1 (گره قدیمی OpenAI).

#### گره: AI Data Aggregation

• نوع: Code
• نقش: نتایج شاخه‌های تحلیل هوش مصنوعی موازی (AI Sentiment Analysis و AI Predictive Analytics) را با داده‌های اصلی از Analyze Cycle ادغام می‌کند.
• پیکربندی:

* فرض می‌کند سه آیتم ورودی وجود دارد: داده‌های اصلی، نتایج احساسات و نتایج پیش‌بینی.

* داده‌ها را استخراج می‌کند، تلاش می‌کند پاسخ‌های JSON را با استفاده از .text تجزیه کند یا مستقیماً به شیء دسترسی پیدا کند. خرابی‌های تجزیه را با نگه داشتن داده‌ها به صورت رشته مدیریت می‌کند.

* داده‌ها را در یک شیء JSON واحد ترکیب می‌کند، شامل sentimentAnalysis و predictiveAnalytics، و اطمینان حاصل می‌کند که فیلد suggestions وجود دارد.

• اتصالات:

* ورودی‌ها: داده‌ها را از AI Sentiment Analysis، AI Predictive Analytics و به طور ضمنی جریان داده اصلی دریافت می‌کند.

* خروجی: داده‌های تجمیع شده را به Advanced Data Visualization ارسال می‌کند.

• خطر سیم‌کشی/منطق حیاتی: این گره به ترتیب آیتم ورودی خاص ($input.first(), $input.item(1), $input.item(2)) متکی است. این شکننده است و در صورت تغییر تعداد آیتم‌ها یا ترتیب اجرا می‌تواند از کار بیفتد. یک گره Merge اختصاصی ممکن است تجمیع قوی‌تری را فراهم کند.
• مشکلات احتمالی:

* اگر کمتر از سه آیتم ورودی دریافت شود، داده‌های احساسات یا پیش‌بینی ممکن است گمشده باشند.

* تغییرات در فرمت‌های پاسخ گره OpenAI (مانند عدم وجود ویژگی .text) می‌تواند بر استخراج داده تأثیر بگذارد.

• یادداشت‌های نسخه: v2 (Code node).

#### گره: Advanced Data Visualization

• نوع: Code
• نقش: فراداده نمودارها (مانند روند زمان چرخه، توزیع مرحله) را تولید می‌کند و یک رشته خلاصه مختصر بر اساس تحلیل هوش مصنوعی و قطعی تجمیع شده ایجاد می‌کند.
• پیکربندی:

* انتظار داده‌های deal و احتمالاً historical را دارد (اگرچه historical ممکن است گمشده یا ناقص باشد همانطور که قبلاً ذکر شد).

* اشیاء visualizationData را برای نمودارهایی مانند cycleTimeTrend، stageDistribution، performanceMetrics و riskFactors تولید می‌کند.

* charts (فراداده برای انواع نمودار) و chartSummary را خروجی می‌دهد.

• اتصالات:

* ورودی: داده‌های تجمیع شده را از AI Data Aggregation دریافت می‌کند.

* خروجی: داده‌های بصری‌سازی و خلاصه را به AI Smart Recommendations ارسال می‌کند.

• مشکلات احتمالی:

* اگر داده‌های historical خالی باشند، محاسباتی مانند winRate ممکن است منجر به تقسیم بر صفر (NaN) شوند.

* عدم وجود avgDays می‌تواند منجر به مقایسه‌های نادرست شود.

• یادداشت‌های نسخه: v2 (Code node).

#### گره: AI Smart Recommendations

• نوع: OpenAI
• نقش: از GPT-4 برای تولید توصیه‌های اولویت‌بندی شده و عملی بر اساس تحلیل ترکیبی، شامل معیارهای قطعی، پیش‌بینی‌های هوش مصنوعی و بینش‌های بصری‌سازی، استفاده می‌کند.
• پیکربندی:

* مدل (Model): gpt-4

* پرامپت به گونه‌ای طراحی شده است که خروجی Advanced Data Visualization (نمودارها، خلاصه، عوامل ریسک) را دریافت کرده و لیستی از توصیه‌های اولویت‌بندی شده را تولید کند.

* داده‌ها را با استفاده از {{ JSON.stringify($json.charts) }} و {{ JSON.stringify($json.chartSummary) }} تزریق می‌کند.

• اتصالات:

* ورودی: داده‌ها را از Advanced Data Visualization دریافت می‌کند.

* خروجی: توصیه‌های تولید شده توسط هوش مصنوعی را به مرحله نهایی اعتبارسنجی و اطلاع‌رسانی ارسال می‌کند.

• مشکلات احتمالی: مشابه سایر گره‌های OpenAI (اعتبارنامه‌ها، سهمیه‌ها، محدودیت‌های نرخ). کیفیت توصیه‌ها به شدت به کیفیت و کامل بودن داده‌های ورودی بستگی دارد.
• یادداشت‌های نسخه: v1 (گره قدیمی OpenAI).

---

۵. اعتبارسنجی، اطلاع‌رسانی و ثبت وقایع (Logging)

• هدف: گردش کار را با اعتبارسنجی داده‌ها، ارسال یک خلاصه اطلاع‌رسانی به Slack و ثبت نتایج در Google Sheets نهایی می‌کند.
• گره‌ها (Nodes):

* If Data Usable

* Slack - Send Message

* Google Sheets - Append Row

#### گره: If Data Usable

• نوع: If
• نقش: بررسی می‌کند که آیا داده‌های پردازش شده برای ادامه اطلاع‌رسانی و ثبت وقایع، معتبر و کامل هستند یا خیر. این از ارسال اطلاعات ناقص یا نادرست جلوگیری می‌کند.
• پیکربندی:

* شرط احتمالاً وجود نقاط داده کلیدی مانند مدت زمان چرخه محاسبه شده یا نتایج معتبر تحلیل هوش مصنوعی را بررسی می‌کند.

• اتصالات:

* ورودی: داده‌ها را از AI Smart Recommendations دریافت می‌کند.

* خروجی: اجرای گردش کار را منشعب می‌کند:

* True: به Slack - Send Message و Google Sheets - Append Row ادامه می‌دهد.

* False: پردازش بیشتر را برای این اجرا متوقف می‌کند (یا به یک شاخه مدیریت خطا اختیاری ادامه می‌دهد).

• یادداشت‌های نسخه: v1 (If node).

#### گره: Slack - Send Message

• نوع: Slack
• نقش: خلاصه‌ای مختصر از تحلیل چرخه فروش، شامل معیارهای کلیدی، بینش‌های هوش مصنوعی و توصیه‌ها را قالب‌بندی کرده و به یک کانال Slack مشخص ارسال می‌کند.
• پیکربندی:

* نیاز به اعتبارنامه‌های Slack دارد.

* کانال هدف را مشخص می‌کند.

* محتوای پیام را با استفاده از داده‌های گره‌های قبلی، از جمله اطلاعات معامله، مدت زمان چرخه، احساسات هوش مصنوعی، پیش‌بینی‌ها و توصیه‌ها، ایجاد می‌کند.

• اتصالات:

* ورودی: داده‌های اعتبارسنجی شده را از شاخه "True" گره If Data Usable دریافت می‌کند.

* خروجی: معمولاً داده‌ها را به پایین‌دست ارسال نمی‌کند و به عنوان یک نقطه پایانی اطلاع‌رسانی عمل می‌کند.

• مشکلات احتمالی:

* اعتبارنامه‌های Slack نامعتبر یا مجوزهای ناکافی کانال.

* خطاهای قالب‌بندی در محتوای پیام.

• یادداشت‌های نسخه: v1 (Slack node).

#### گره: Google Sheets - Append Row

• نوع: Google Sheets
• نقش: یک ردیف جدید حاوی نتایج دقیق تحلیل (اطلاعات معامله، معیارهای چرخه، بینش‌های هوش مصنوعی، توصیه‌ها) را به Google Sheet تاریخی اضافه می‌کند. این کار یک رکورد جامع برای تحلیل‌های آینده و نظارت بر روند را حفظ می‌کند.
• پیکربندی:

* نیاز به اعتبارنامه‌های معتبر Google Sheets دارد.

* Document ID و Sheet Name هدف را مشخص می‌کند.

* فیلدهای داده خروجی را به ستون‌های مربوطه در Google Sheet نگاشت می‌کند.

• اتصالات:

* ورودی: داده‌های اعتبارسنجی شده را از شاخه "True" گره If Data Usable دریافت می‌کند.

* خروجی: معمولاً داده‌ها را به پایین‌دست ارسال نمی‌کند و به عنوان یک نقطه پایانی ثبت وقایع عمل می‌کند.

• مشکلات احتمالی:

* اعتبارنامه‌های Google Sheets نامعتبر یا مجوزهای ناکافی.

* Document ID یا Sheet Name نادرست.

* عدم تطابق انواع داده بین خروجی گردش کار و انواع ستون Google Sheet.

• یادداشت‌های نسخه: v3 (Google Sheets node).

---

لینک کاتالوگ Axeto.ai

این Workflow را از طریق کاتالوگ Axeto.ai کاوش کرده و به نمونه n8n خود وارد کنید: https://axeto.ai/n8n