تحلیل تعامل اینستاگرام با Bright Data و GPT-5.4

تحلیل تعامل رقبا در اینستاگرام با Bright Data و GPT-5.4

این Workflow فرآیند تحلیل تعامل رقبا در اینستاگرام را خودکار می‌کند. این Workflow به صورت دوره‌ای پروفایل رقبا را با استفاده از Bright Data جمع‌آوری (scrape) می‌کند، معیارهای کلیدی را محاسبه می‌کند، از GPT-5.4 برای ارزیابی کیفیت تعامل استفاده می‌کند و سپس نتایج را برای اقدامات بعدی دسته‌بندی می‌کند.

کاتالوگ Axeto.ai n8n: https://axeto.ai/n8n

نمای کلی Workflow

این Workflow اطلاعات رقابتی را به صورت دوره‌ای در حساب‌های اینستاگرام انجام می‌دهد. بر اساس یک برنامه زمان‌بندی، لیستی از URLهای پروفایل رقبا را از Google Sheets می‌خواند، داده‌های پروفایل را با استفاده از Bright Data جمع‌آوری می‌کند، معیارهای تعامل پایه را استخراج می‌کند، از GPT-5.4 می‌خواهد کیفیت تعامل را ارزیابی کند و بسته به اطمینان و امتیاز، نتیجه را به Google Sheetsهای مختلف هدایت می‌کند. رقبای با عملکرد بالا همچنین یک هشدار Gmail را فعال می‌کنند.

موارد استفاده معمول:

• نظارت روزانه بر لیستی از حساب‌های اینستاگرام رقبا.
• شناسایی حساب‌هایی با تعامل قوی که ارزش مطالعه دارند.
• نگهداری یک گزارش تاریخی از تحلیل‌های تعامل.
• جداسازی خروجی‌های هوش مصنوعی با اطمینان پایین برای بررسی دستی.

---

جزئیات Workflow

۱. دریافت ورودی و تکرار

این بخش مسئول راه‌اندازی اولیه و پردازش داده‌های رقبا است.

• اسکن روزانه تعامل (Schedule Trigger):

* نوع: n8n-nodes-base.scheduleTrigger

* هدف: راه‌اندازی Workflow در یک بازه زمانی تکرارشونده.

* پیکربندی: تنظیم شده برای اجرا در یک بازه زمانی مشخص (مثلاً روزانه ساعت ۸ صبح).

* خروجی: گره (node) بعدی را برای خواندن حساب‌های رقبا فعال می‌کند.

• خواندن حساب‌های رقبا (Google Sheets):

* نوع: n8n-nodes-base.googleSheets

* هدف: خواندن لیستی از URLهای پروفایل رقبا از یک Google Sheet مشخص.

* پیکربندی: نیاز به اعتبارنامه OAuth Google Sheets و شناسه صفحه گسترده/نام برگه دارد. انتظار ستون‌هایی مانند url، competitor_name، our_industry و به صورت اختیاری team_email را دارد.

* خروجی: داده‌های هر رقیب را برای پردازش به مرحله بعدی منتقل می‌کند.

• پردازش آیتم‌ها یکی یکی (Split in Batches):

* نوع: n8n-nodes-base.splitInBatches

* هدف: تکرار بر روی هر رکورد رقیب به صورت جداگانه برای جلوگیری از بارگذاری بیش از حد APIهای خارجی.

* پیکربندی: در یک حلقه عمل می‌کند، یک آیتم را در هر بار پردازش کرده و پس از اتمام پردازش هر آیتم به این گره باز می‌گردد.

* خروجی: هر رکورد رقیب را به گره جمع‌آوری (scraping) ارسال می‌کند.

۲. جمع‌آوری خارجی و اعتبارسنجی داده‌ها

این بخش بر بازیابی داده‌ها از اینستاگرام و اعتبارسنجی پاسخ تمرکز دارد.

• جمع‌آوری پروفایل‌های اینستاگرام (HTTP Request):

* نوع: n8n-nodes-base.httpRequest

* هدف: ارسال درخواست POST به API مجموعه داده اینستاگرام Bright Data برای جمع‌آوری داده‌های پروفایل.

* پیکربندی:

* متد: POST

* URL: https://api.brightdata.com/datasets/v3/scrape?dataset_id=gd_l1vikfch901nx3by4&format=json

* احراز هویت: احراز هویت هدر HTTP (مثلاً Authorization: Bearer <BRIGHT_DATA_API_KEY>)

* بدنه: بار JSON حاوی url اینستاگرام از ورودی.

* خروجی: پاسخ خام را از Bright Data به گره اعتبارسنجی ارسال می‌کند.

• اعتبارسنجی پاسخ BD (Code):

* نوع: n8n-nodes-base.code

* هدف: نرمال‌سازی پاسخ Bright Data و افزودن فیلد status برای نشان دادن موفقیت، عدم وجود داده، پاسخ ناهمزمان (async response) یا خطای API.

* پیکربندی: کد جاوا اسکریپت برای تجزیه (parse) پاسخ Bright Data و مدیریت سناریوهای مختلف.

* خروجی: داده‌های پاک شده یا یک شیء خطا، که به گره محاسبه معیار ارسال می‌شود.

۳. غنی‌سازی معیارها

این بخش معیارهای تعامل ضروری را از داده‌های جمع‌آوری شده محاسبه می‌کند.

• محاسبه معیارهای تعامل خام (Code):

* نوع: n8n-nodes-base.code

* هدف: محاسبه نرخ تعامل تخمینی و فرکانس پست با استفاده از داده‌های پروفایل موجود.

* پیکربندی: کد جاوا اسکریپت که نام فیلدهای جایگزین (مثلاً followers_count، follower_count) را مدیریت کرده و معیارهایی مانند calculated_engagement_rate و posts_per_week را محاسبه می‌کند.

* خروجی: داده‌های غنی شده با معیارهای محاسبه شده، که به گره تحلیل هوش مصنوعی ارسال می‌شود.

۴. تحلیل رقابتی مبتنی بر هوش مصنوعی

این بخش از GPT-5.4 برای تحلیل عمیق و امتیازدهی استفاده می‌کند.

• تحلیل تعامل (LangChain Agent):

* نوع: @n8n/n8n-nodes-langchain.agent

* هدف: هماهنگ کردن فراخوانی به GPT-5.4 برای تحلیل تعامل رقیب بر اساس داده‌های ارائه شده و یک اعلان ساختاریافته (prompt).

* پیکربندی:

* Prompt: شامل جزئیات رقیب (competitor_name، our_industry) و داده‌های جمع‌آوری شده.

* System Message: یک سیستم امتیازدهی را تعریف می‌کند (مثلاً رشد فالوور، کیفیت نرخ تعامل، ثبات محتوا، اصالت مخاطب) و نیاز به یک خروجی JSON دقیق با یک شیء eval اجباری (شامل confidence، reasoning، data_quality، evidence_count) دارد.

* مدیریت خطا: برای اجازه دادن به پردازش بعدی خطاهای احتمالی، روی continueErrorOutput تنظیم شده است.

* خروجی: پاسخ JSON ساختاریافته هوش مصنوعی، که به گره تجزیه ارسال می‌شود.

• مدل GPT-5.4 (OpenAI Chat Model):

* نوع: @n8n/n8n-nodes-langchain.lmChatOpenAi

* هدف: فراهم کردن اتصال به مدل GPT-5.4 OpenAI که توسط عامل LangChain استفاده می‌شود.

* پیکربندی: نام مدل را به عنوان gpt-5.4 مشخص می‌کند. نیاز به اعتبارنامه‌های API OpenAI دارد که در n8n پیکربندی شده‌اند.

* خروجی: به گره Analyze Engagement متصل می‌شود تا LLM را فراهم کند.

• تجزیه خروجی هوش مصنوعی (Code):

* نوع: n8n-nodes-base.code

* هدف: تجزیه (parse) خروجی JSON از GPT-5.4 و ادغام آن با داده‌های اصلی رقیب.

* پیکربندی: کد جاوا اسکریپت برای تجزیه ایمن پاسخ هوش مصنوعی.

* خروجی: یک شیء داده ترکیبی آماده برای مسیریابی.

۵. دروازه‌های کیفیت و مسیریابی خروجی

این بخش نهایی نتایج تحلیل را بر اساس اطمینان هوش مصنوعی و امتیاز تعامل دسته‌بندی و ذخیره می‌کند.

• گره IF (بررسی اطمینان هوش مصنوعی):

* نوع: n8n-nodes-base.if

* هدف: بررسی امتیاز اطمینان هوش مصنوعی از شیء eval.

* پیکربندی: داده‌ها را بر اساس اینکه آیا confidence بالاتر از یک آستانه تعریف شده است، هدایت می‌کند.

* خروجی: داده‌ها را به شاخه‌هایی برای نتایج با اطمینان بالا و اطمینان پایین تقسیم می‌کند.

• افزودن اطمینان پایین (Google Sheets):

* نوع: n8n-nodes-base.googleSheets

* هدف: افزودن داده‌های رقیب با امتیازات اطمینان پایین هوش مصنوعی به یک Google Sheet "Review" اختصاص داده شده.

* پیکربندی: یک برگه مشخص برای بررسی دستی را هدف قرار می‌دهد.

* خروجی: داده‌ها را به گره Process Items One by One باز می‌گرداند تا Workflow ادامه یابد.

• گره IF (بررسی امتیاز تعامل):

* نوع: n8n-nodes-base.if

* هدف: فیلتر کردن بیشتر نتایج با اطمینان بالا بر اساس امتیاز کلی تعامل.

* پیکربندی: داده‌ها را بر اساس اینکه آیا engagement_score آستانه تعریف شده برای بهترین عملکردها را برآورده می‌کند، هدایت می‌کند.

* خروجی: داده‌ها را به شاخه‌هایی برای بهترین عملکردها و تحلیل عمومی تقسیم می‌کند.

• افزودن بهترین عملکردها (Google Sheets):

* نوع: n8n-nodes-base.googleSheets

* هدف: افزودن داده‌های رقبا با اطمینان بالا و امتیاز بالا به یک Google Sheet "Top Performers".

* پیکربندی: یک برگه مشخص برای بهترین عملکردها را هدف قرار می‌دهد.

* خروجی: داده‌ها را به گره Process Items One by One باز می‌گرداند.

• ارسال هشدار بهترین عملکرد (Gmail):

* نوع: n8n-nodes-base.gmail

* هدف: ارسال اعلان ایمیلی به تیم هنگام شناسایی یک رقیب با عملکرد برتر.

* پیکربندی: نیاز به اعتبارنامه‌های Gmail و یک قالب ایمیل پیکربندی شده دارد.

* خروجی: داده‌ها را به گره Process Items One by One باز می‌گرداند.

• افزودن تحلیل تعامل (Google Sheets):

* نوع: n8n-nodes-base.googleSheets

* هدف: افزودن داده‌های رقبا با اطمینان بالا (که بهترین عملکرد نیستند) به یک Google Sheet عمومی "Engagement Analysis".

* پیکربندی: یک برگه تحلیل عمومی را هدف قرار می‌دهد.

* خروجی: داده‌ها را به گره Process Items One by One باز می‌گرداند.

• Sticky Note (Sticky Note):

* نوع: n8n-nodes-base.stickyNote

* هدف: برای یادداشت‌های اطلاعاتی در داخل Workflow، مانند یادآوری‌ها یا توضیحات برای پیکربندی‌های خاص استفاده می‌شود.

* پیکربندی: حاوی متنی مربوط به منطق یا راه‌اندازی Workflow است.

* خروجی: خروجی داده ندارد؛ صرفاً اطلاعاتی است.

---

الزامات فنی

• نمونه n8n: یک نمونه در حال اجرا از n8n.
• اعتبارنامه‌ها (Credentials):

* اعتبارنامه‌های OAuth Google Sheets.

* کلید API Bright Data (برای احراز هویت هدر HTTP).

* کلید API OpenAI.

* اعتبارنامه‌های API Gmail (در صورت استفاده از گره Gmail).

• Google Sheets:

* یک صفحه گسترده با برگه ای به نام competitor_accounts که حداقل ستون url را داشته باشد.

* برگه‌های جداگانه برای Review، Top Performers و Engagement Analysis.

• Bright Data: دسترسی به API جمع‌آوری مجموعه داده اینستاگرام آن‌ها.
• OpenAI: دسترسی به مدل GPT-5.4.