تحلیل خودکار عملکرد ایمیل با GPT-4 و SendGrid در n8n

بهینه‌سازی کمپین ایمیل با GPT-4، SendGrid و Airtable

این Workflow به صورت خودکار عملکرد کمپین ایمیل شما را تجزیه و تحلیل می‌کند، از GPT-4 برای دریافت بینش‌های بهینه‌سازی مبتنی بر داده استفاده می‌کند و تمام داده‌های مرتبط را در Airtable ذخیره می‌کند. این ابزار برای تیم‌های بازاریابی طراحی شده است که به دنبال بهبود مستمر معیارهای تعامل ایمیل مانند نرخ باز شدن و نرخ کلیک از طریق توصیه‌های هوشمند و خودکار هستند.

این Workflow و موارد دیگر را در کاتالوگ Axeto کاوش کنید: https://axeto.ai/n8n

نمای کلی Workflow

این Workflow n8n وظایف کلیدی زیر را انجام می‌دهد:

1. ورود داده‌ها: داده‌های عملکرد کمپین ایمیل هفتگی را از SendGrid دریافت کرده و آخرین رکوردهای کمپین را از Airtable بازیابی می‌کند.

2. پردازش داده‌ها: آمارهای خام SendGrid را به معیارهای هفتگی تجمیع کرده و آن‌ها را با داده‌های موجود Airtable ادغام می‌کند.

3. تجزیه و تحلیل مبتنی بر هوش مصنوعی: از GPT-4 برای تجزیه و تحلیل روندهای کمپین تاریخی و تولید توصیه‌های عملی برای بهینه‌سازی کمپین بعدی استفاده می‌کند.

4. ذخیره‌سازی داده‌ها و برنامه‌ریزی آینده: رکوردهای موجود Airtable را با داده‌های عملکرد فعلی به‌روزرسانی کرده و رکوردهای جدیدی با استراتژی‌های بهینه‌سازی مبتنی بر هوش مصنوعی برای کمپین‌های آینده ایجاد می‌کند.

این Workflow به چهار بلوک عملکردی اصلی تقسیم شده است:

• دریافت ورودی و بازیابی داده‌ها: Workflow را آغاز کرده و داده‌های لازم را از SendGrid و Airtable جمع‌آوری می‌کند.
• تبدیل و ترکیب داده‌ها: داده‌های بازیابی شده را پردازش و ادغام می‌کند.
• تجزیه و تحلیل مبتنی بر هوش مصنوعی: داده‌های عملکرد را با استفاده از GPT-4 تجزیه و تحلیل کرده و توصیه‌های بهینه‌سازی را تولید می‌کند.
• ماندگاری داده‌ها و برنامه‌ریزی آینده: نتایج تجزیه و تحلیل را ذخیره کرده و برای چرخه بعدی آماده می‌شود.

---

تشریح دقیق Workflow

۱. دریافت ورودی و بازیابی داده‌ها

این بلوک مسئول راه‌اندازی Workflow و دریافت داده‌های اولیه است. این کار می‌تواند به صورت دستی یا بر اساس یک برنامه زمان‌بندی شده آغاز شود.

Nodes:

• Manual Trigger: Workflow را به صورت دستی شروع می‌کند.
• Schedule Trigger: اجرای خودکار Workflow را در فواصل زمانی تعریف شده انجام می‌دهد.
• SendGrid Data Pull (HTTP Request): آمار ایمیل را از SendGrid برای ۷ روز گذشته بازیابی می‌کند.
• Search Records (Airtable Search): آخرین رکورد کمپین را از Airtable بازیابی می‌کند.

تنظیمات کلیدی:

• SendGrid Data Pull:

* URL: https://api.sendgrid.com/v3/stats

* Query Parameters: به صورت پویا start_date (۷ روز پیش) و end_date (امروز) را تنظیم می‌کند.

* Authentication: احراز هویت HTTP Header با استفاده از کلید API SendGrid شما.

* Headers: Content-Type: application/json

• Search Records:

* آخرین رکورد را از جدول "Email Campaign Performance" بازیابی می‌کند، مرتب شده بر اساس week_ending به ترتیب نزولی.

---

۲. تبدیل و ترکیب داده‌ها

این بلوک داده‌های خام را پردازش می‌کند، شاخص‌های کلیدی عملکرد را محاسبه کرده و آن را برای به‌روزرسانی Airtable آماده می‌کند.

Nodes:

• Data X-Form (Code): آمارهای روزانه SendGrid را به مجموع هفتگی تجمیع کرده و open_rate و ctr را محاسبه می‌کند.
• Pull Most Recent Week (Code): id آخرین رکورد Airtable را برای به‌روزرسانی استخراج می‌کند.
• Merge (Merge): آمارهای هفتگی تجمیع شده را با شناسه رکورد Airtable ترکیب می‌کند.
• Update Record (Airtable Update): رکورد موجود Airtable را با داده‌های عملکرد اخیر به‌روزرسانی می‌کند.

منطق کلیدی:

• Data X-Form:

* delivered، unique_opens و unique_clicks را از داده‌های روزانه SendGrid جمع می‌زند.

* open_rate = unique_opens / delivered را محاسبه می‌کند (در صورت صفر بودن delivered، به طور پیش‌فرض ۰ است).

* ctr = unique_clicks / delivered را محاسبه می‌کند (در صورت صفر بودن delivered، به طور پیش‌فرض ۰ است).

* یک شیء JSON واحد با معیارهای تجمیع شده و تاریخ فعلی به عنوان week_ending خروجی می‌دهد.

• Update Record:

* Base: پایگاه Airtable شما (مثلاً "apptBBudqpCku19Sw").

* Table: "Email Campaign Performance".

* فیلدهایی مانند ctr، delivered، open_rate، week_ending، unique_opens، unique_clicks را به‌روزرسانی کرده و performance_delta را به ۰ مقداردهی اولیه می‌کند.

---

۳. تجزیه و تحلیل کمپین مبتنی بر هوش مصنوعی

این بلوک از GPT-4 برای تجزیه و تحلیل داده‌های تاریخی و ارائه توصیه‌های بهینه‌سازی استفاده می‌کند.

Nodes:

• Search Records 1 (Airtable Search): آخرین ۴ رکورد کمپین را از Airtable بازیابی می‌کند تا زمینه تاریخی را برای هوش مصنوعی فراهم کند.
• Previous Week Analysis (OpenAI GPT-4): داده‌های تاریخی را با یک prompt به GPT-4 ارسال می‌کند تا روندها را تجزیه و تحلیل کرده و یک متغیر آزمایشی واحد برای کمپین بعدی توصیه کند.
• Parse Output (Code): پاسخ JSON GPT-4 را تجزیه کرده، تاریخ هفته کمپین بعدی را محاسبه کرده و یک رکورد جدید برای Airtable قالب‌بندی می‌کند.

تنظیمات کلیدی:

• Previous Week Analysis:

* Model: chatgpt-4o-latest (یا مدل GPT-4 ترجیحی شما).

* Prompt: شامل یک آرایه JSON رشته‌ای از داده‌های ۴ هفته گذشته و دستورالعمل‌هایی برای GPT-4 برای خروجی دادن یک شیء JSON حاوی فیلدهایی مانند decision، test_variable، test_hypothesis و غیره است.

• Parse Output:

* پاسخ هوش مصنوعی را تجزیه می‌کند.

* تاریخ week_ending بعدی را با افزودن ۷ روز به آخرین week_ending از نتایج جستجوی Airtable محاسبه می‌کند.

* معیارهای عملکرد را برای رکورد جدید به صفر مقداردهی اولیه می‌کند.

---

۴. ماندگاری داده‌ها و برنامه‌ریزی آینده

این بلوک نهایی توصیه‌های تولید شده توسط هوش مصنوعی را ذخیره کرده و اطمینان حاصل می‌کند که Workflow برای چرخه بعدی آماده است.

Nodes:

• Create Record (Airtable Create): یک رکورد جدید در Airtable شامل توصیه‌های بهینه‌سازی مبتنی بر هوش مصنوعی و معیارهای مقداردهی اولیه شده برای هفته کمپین آینده درج می‌کند.

تنظیمات کلیدی:

• Create Record:

* Base & Table: مشابه Node "Update Record".

* Fields: فیلدهایی مانند decision، test_variable، test_hypothesis، confidence_level، test_directive، implementation_instruction را به همراه معیارهای عملکرد صفر شده پر می‌کند.

---

جدول خلاصه