تحلیل خودکار مناطق فروش با n8n و هوش مصنوعی

تحلیل عملکرد مناطق فروش با Bright Data MCP و GPT-4o

این گردش کار، تحلیل هفتگی عملکرد مناطق فروش را با جمع‌آوری داده‌های فروش منطقه‌ای زنده، پردازش آن‌ها به رکوردهای ساختاریافته، به‌روزرسانی یک سند ردیابی Google Sheets و ارسال ایمیل‌های اطلاع‌رسانی به ذینفعان مربوطه، خودکار می‌کند. این گردش کار برای تیم‌های عملیات فروش یا صاحبان مشاغل کوچک که به دنبال بینش‌های قابل اعتماد و به‌روز در مورد مناطق فروش خود بدون دخالت دستی هستند، طراحی شده است.

گردش کار به طور منطقی به سه بلوک عملکردی اصلی تقسیم می‌شود:

• ۱. راه‌اندازی و آماده‌سازی: گردش کار را به طور خودکار در یک برنامه هفتگی آغاز می‌کند و پارامترهایی را برای جمع‌آوری داده‌ها آماده می‌کند.
• ۲. جمع‌آوری و تجزیه هوشمند داده‌ها: از ابزارهای جمع‌آوری داده با هوش مصنوعی و مدل‌های زبان برای جمع‌آوری، اصلاح و ساختاردهی پویا داده‌های فروش از منابع هدف استفاده می‌کند.
• ۳. پردازش، ذخیره و اطلاع‌رسانی: داده‌های جمع‌آوری شده را به رکوردهای جداگانه تبدیل می‌کند، آن‌ها را به یک Google Sheet اضافه می‌کند و ایمیل‌های اطلاع‌رسانی حاوی خلاصه به‌روزرسانی‌ها را ارسال می‌کند.

---

۱. راه‌اندازی و آماده‌سازی

مرور کلی:

این بلوک، گردش کار را به صورت خودکار هر هفته آغاز می‌کند و پارامترهای درخواست را تنظیم می‌کند، مانند URL هدف یا مناطق برای مرحله جمع‌آوری داده (scraping). این امر امکان تغییرات پیکربندی ساده را بدون نیاز به تغییر منطق اصلی فراهم می‌کند.

گره‌ها (Nodes) درگیر:

• بررسی هفتگی مناطق (Weekly Territory Check)
• آماده‌سازی پارامترهای درخواست (Prepare Request Params)

جزئیات گره‌ها:

• بررسی هفتگی مناطق (Weekly Territory Check)

* نوع: Schedule Trigger

* نقش: اجرای گردش کار را به صورت هفتگی، به طور مشخص هر دوشنبه ساعت ۹ صبح آغاز می‌کند.

* پیکربندی: بازه زمانی برای فعال‌سازی هفتگی در روز دوشنبه ساعت ۹:۰۰ تنظیم شده است.

* ورودی/خروجی (I/O): ورودی ندارد؛ سیگنال راه‌اندازی را به "آماده‌سازی پارامترهای درخواست" خروجی می‌دهد.

* خرابی‌ها: در صورت تغییر نادرست زمان‌بندی، ممکن است پیکربندی اشتباه رخ دهد.

* نسخه: 1.2

• آماده‌سازی پارامترهای درخواست (Prepare Request Params)

* نوع: Set

* نقش: پارامترهای کلیدی را برای مرحله جمع‌آوری داده تعریف می‌کند، مانند URL هدف (در حال حاضر "example.com" تنظیم شده است).

* پیکربندی: تخصیص ایستا پارامتر url؛ می‌توان آن را برای هدف قرار دادن سایت‌ها یا مناطق مختلف ویرایش کرد.

* ورودی/خروجی (I/O): ورودی از "بررسی هفتگی مناطق"؛ خروجی به "اجرای Scraper Bright Data".

* خرابی‌ها: اگر پارامترها بدشکل یا ناقص باشند، جمع‌آوری داده ممکن است با شکست مواجه شود.

* نسخه: 3.4

---

۲. جمع‌آوری و تجزیه هوشمند داده‌ها

مرور کلی:

این بلوک، جمع‌آوری پیشرفته وب و تجزیه داده‌ها را با هدایت هوش مصنوعی انجام می‌دهد. این بلوک یک عامل هوش مصنوعی را هماهنگ می‌کند که با ابزار Bright Data MCP و مدل‌های زبان OpenAI تعامل دارد تا داده‌های فروش را از منابع زنده استخراج، پاک‌سازی و اعتبارسنجی کند و اطمینان حاصل کند که خروجی JSON ساختاریافته مناسب برای پردازش‌های بعدی است.

گره‌ها (Nodes) درگیر:

• اجرای Scraper Bright Data (Run Bright Data Scraper)
• ابزار MCP Bright Data (Bright Data MCP Tool)
• مدیریت‌کننده Prompt مدل زبانی (LLM Prompt Handler)
• تجزیه‌کننده خروجی خودکار (Auto-fixing Output Parser)
• مدل چت OpenAI (OpenAI Chat Model)
• تجزیه‌کننده خروجی ساختاریافته ۱ (Structured Output Parser1)

جزئیات گره‌ها:

• اجرای Scraper Bright Data (Run Bright Data Scraper)

* نوع: Langchain Agent (AI Agent)

* نقش: با استفاده از ابزارهای هوش مصنوعی و مدل‌های زبان، وظایف جمع‌آوری و تجزیه را هماهنگ می‌کند.

* پیکربندی: از یک prompt برای استخراج فیلدهای خاص (شناسه فروشگاه، نام، آدرس، منطقه) از پارامتر URL ارائه شده استفاده می‌کند.

* ورودی/خروجی: ورودی از "آماده‌سازی پارامترهای درخواست"؛ خروجی به "تقسیم فروشگاه‌ها به آیتم‌ها" (Split Stores to Items) و "ارسال ایمیل اطلاع‌رسانی" (Send Notification Email).

* وابستگی‌ها: از خروجی‌های "ابزار MCP Bright Data" و "مدیریت‌کننده Prompt مدل زبانی" استفاده می‌کند.

* خطاها: خطاهای شبکه، promptهای نامعتبر، یا تغییرات در ساختار سایت منبع ممکن است باعث بروز مشکل در جمع‌آوری داده‌ها شوند.

* نسخه: 2

• ابزار MCP Bright Data (Bright Data MCP Tool)

* نوع: MCP Client Tool

* نقش: وظیفه واقعی جمع‌آوری وب را اجرا می‌کند و قابلیت استخراج داده‌های زنده را فراهم می‌آورد.

* پیکربندی: از عملیات ابزار scrape_as_markdown با پارامترهای پویا استفاده می‌کند.

* اعتبارنامه‌ها: برای احراز هویت به اعتبارنامه‌های API کلاینت MCP نیاز دارد.

* ورودی/خروجی: خروجی به "اجرای Scraper Bright Data" تغذیه می‌شود.

* خطاها: خطاهای احراز هویت، محدودیت‌های نرخ (rate limits)، یا مسدود شدن سایت می‌تواند باعث شکست شود.

* نسخه: 1

• مدیریت‌کننده Prompt مدل زبانی (LLM Prompt Handler)

* نوع: Langchain OpenAI Chat Model

* نقش: مدیریت هوشمند prompt را برای هدایت جمع‌آوری داده‌ها فراهم می‌کند، مانند تصمیم‌گیری در مورد اینکه کدام صفحات باید پیمایش شوند و چگونه محتوا تجزیه شود.

* پیکربندی: از مدل gpt-4o-mini با گزینه‌های استاندارد استفاده می‌کند.

* اعتبارنامه‌ها: کلید API OpenAI مورد نیاز است.

* ورودی/خروجی: خروجی به "اجرای Scraper Bright Data" تغذیه می‌شود.

* خطاها: تجاوز از سهمیه API، خطاهای prompt، یا عدم دسترسی به مدل.

* نسخه: 1.2

• تجزیه‌کننده خروجی خودکار (Auto-fixing Output Parser)

* نوع: Langchain Output Parser (Autofixing)

* نقش: به طور خودکار مشکلات قالب‌بندی در داده‌های جمع‌آوری شده را تشخیص داده و اصلاح می‌کند تا خروجی JSON معتبر تضمین شود.

* ورودی/خروجی: ورودی از "مدل چت OpenAI"؛ خروجی به "اجرای Scraper Bright Data" تغذیه می‌شود.

* خطاها: خطاهای پیچیده داده ممکن است به طور کامل خودکار اصلاح نشوند.

* نسخه: 1

• مدل چت OpenAI (OpenAI Chat Model)

* نوع: Langchain OpenAI Chat Model

* نقش: به عنوان یک دستیار اعتبارسنجی یا مدل هوش مصنوعی ثانویه برای اعتبارسنجی و پاک‌سازی داده‌ها عمل می‌کند.

* پیکربندی: از مدل gpt-4o-mini استفاده می‌کند.

* اعتبارنامه‌ها: کلید API OpenAI مورد نیاز است.

* ورودی/خروجی: به "تجزیه‌کننده خروجی خودکار" تغذیه می‌شود.

* خطاها: مشابه سایر گره‌های OpenAI.

* نسخه: 1.2

• تجزیه‌کننده خروجی ساختاریافته ۱ (Structured Output Parser1)

* نوع: Langchain Structured Output Parser

* نقش: JSON پاک‌سازی شده را به یک طرح‌واره (schema) از پیش تعریف شده تجزیه می‌کند و ساختار ثابتی را برای گره‌های بعدی تضمین می‌نماید.

* پیکربندی: از یک طرح‌واره JSON نمونه با فیلدهایی مانند store_id, store_name, address, region, estimated_sales, last_updated استفاده می‌کند.

* ورودی/خروجی: ورودی از "تجزیه‌کننده خروجی خودکار".

* خطاها: عدم تطابق طرح‌واره یا فرمت‌های داده غیرمنتظره.

* نسخه: 1.2

---

۳. پردازش، ذخیره و اطلاع‌رسانی

مرور کلی:

این بخش داده‌های ساختاریافته فروش را به رکوردهای مجزای فروشگاه پردازش می‌کند، آن‌ها را برای نگهداری سوابق به یک سند Google Sheets اضافه می‌کند و یک ایمیل اطلاع‌رسانی حاوی خلاصه به‌روزرسانی را برای گیرندگان مشخص ارسال می‌کند.

گره‌ها (Nodes) درگیر:

• تقسیم فروشگاه‌ها به آیتم‌ها (Split Stores to Items)
• به‌روزرسانی برگه داده منطقه‌ای (Update Regional Data Sheet)
• ارسال ایمیل اطلاع‌رسانی (Send Notification Email)

جزئیات گره‌ها:

• تقسیم فروشگاه‌ها به آیتم‌ها (Split Stores to Items)

* نوع: Code (JavaScript)

* نقش: یک آرایه بزرگ JSON از فروشگاه‌ها را به آیتم‌های مجزای n8n (یکی برای هر فروشگاه) برای پردازش دقیق تبدیل می‌کند.

* منطق کد: بر روی آرایه items[0].json.output تکرار می‌شود و هر فروشگاه را به عنوان یک آیتم جداگانه برمی‌گرداند.

* ورودی: از "اجرای Scraper Bright Data".

* خروجی: به "به‌روزرسانی برگه داده منطقه‌ای".

* خطاها: اگر داده‌های ورودی گم شده یا بدشکل باشند، کد ممکن است خطا ایجاد کند.

* نسخه: 2

• به‌روزرسانی برگه داده منطقه‌ای (Update Regional Data Sheet)

* نوع: Google Sheets

* نقش: داده‌های هر فروشگاه را به عنوان یک ردیف جدید در یک Google Sheet اضافه می‌کند و سوابق به‌روز منطقه فروش را حفظ می‌کند.

* پیکربندی:

* عملیات: Append

* شناسه سند: به یک سند Google Sheets خاص اشاره دارد.

* نام برگه: "Sheet1" (gid=0)

* ستون‌های نگاشت شده: Region, Address, Store ID, Store name, Last updated, Estimated sales — همه به صورت پویا از فیلدهای JSON.

* اعتبارنامه‌ها: نیاز به اعتبارنامه‌های Google Sheets OAuth2 دارد.

* ورودی: از "تقسیم فروشگاه‌ها به آیتم‌ها".

* خطاها: مشکلات احراز هویت، محدودیت‌های سهمیه، یا مجوزهای دسترسی به برگه.

* نسخه: 4.6

• ارسال ایمیل اطلاع‌رسانی (Send Notification Email)

* نوع: Gmail (SMTP via OAuth2)

* نقش: یک ایمیل اطلاع‌رسانی برای هشدار به تیم مبنی بر به‌روزرسانی داده‌های فروش منطقه‌ای ارسال می‌کند.

* پیکربندی:

* گیرنده: shahkar.genai@gmail.com

* موضوع: "Regional Sales data has updated"

* پیام: متن بدنه که به تیم اطلاع می‌دهد Google Sheets به‌روز شده را بررسی کنند.

* اعتبارنامه‌ها: اعتبارنامه‌های Gmail OAuth2 مورد نیاز است.

* ورودی: از "اجرای Scraper Bright Data" (به صورت موازی با "تقسیم فروشگاه‌ها به آیتم‌ها").

* خطاها: سهمیه ایمیل، گیرنده نامعتبر، یا انقضای توکن OAuth.

* نسخه: 2.1

---

۴. جدول خلاصه

---

۵. بازسازی گردش کار از ابتدا

۱. ایجاد گره فعال‌ساز زمان‌بندی

* نوع: Schedule Trigger

* نام: بررسی هفتگی مناطق

* تنظیم برای فعال‌سازی هفتگی هر دوشنبه ساعت ۹:۰۰ صبح.

* نیاز به اعتبارنامه ندارد.

۲. ایجاد گره Set برای پارامترها

* نوع: Set

* نام: آماده‌سازی پارامترهای درخواست

* فیلد url (رشته) را با مقدار پیش‌فرض "example.com" اضافه کنید.

* خروجی بررسی هفتگی مناطق را به این گره متصل کنید.

۳. ایجاد گره ابزار کلاینت MCP

* نوع: MCP Client Tool (n8n-nodes-mcp.mcpClientTool)

* نام: ابزار Bright Data MCP

* پیکربندی ابزار: toolName = "scrape_as_markdown", operation = "executeTool".

* خروجی آماده‌سازی پارامترهای درخواست را به این گره متصل کنید.

۴. ایجاد گره مدل چت Langchain OpenAI (پردازشگر اعلان LLM)

* نوع: Langchain OpenAI Chat Model (@n8n/n8n-nodes-langchain.lmChatOpenAi)

* نام: پردازشگر اعلان LLM

* مدل را برای استفاده از gpt-4o-mini پیکربندی کنید.

* کلید API OpenAI خود را در بخش اعتبارنامه‌ها وارد کنید.

* خروجی ابزار Bright Data MCP را به این گره متصل کنید.

۵. ایجاد گره Langchain Output Parser (Autofixing)

* نوع: Langchain Output Parser (Autofixing) (@n8n/n8n-nodes-langchain.outputParserAutofixing)

* نام: تجزیه‌کننده خروجی خودکار

* خروجی پردازشگر اعلان LLM را به این گره متصل کنید.

۶. ایجاد گره مدل چت Langchain OpenAI (مدل چت OpenAI)

* نوع: Langchain OpenAI Chat Model (@n8n/n8n-nodes-langchain.lmChatOpenAi)

* نام: مدل چت OpenAI

* مدل را برای استفاده از gpt-4o-mini پیکربندی کنید.

* کلید API OpenAI خود را در بخش اعتبارنامه‌ها وارد کنید.

* خروجی تجزیه‌کننده خروجی خودکار را به این گره متصل کنید.

۷. ایجاد گره Langchain Structured Output Parser

* نوع: Langchain Structured Output Parser (@n8n/n8n-nodes-langchain.outputParserStructured)

* نام: تجزیه‌کننده خروجی ساختاریافته۱

* اسکیما JSON خود را در پیکربندی گره تعریف کنید.

* خروجی مدل چت OpenAI را به این گره متصل کنید.

۸. ایجاد گره Langchain AI Agent (اجرای اسکرپر Bright Data)

* نوع: Langchain Agent (AI Agent) (@n8n/n8n-nodes-langchain.agent)

* نام: اجرای اسکرپر Bright Data

* ایجنت را با یک اعلان پیکربندی کنید که به آن دستور می‌دهد از ابزار Bright Data MCP و پردازشگر اعلان LLM برای استخراج داده‌های فروش مورد نیاز استفاده کند.

* خروجی‌های آماده‌سازی پارامترهای درخواست، ابزار Bright Data MCP و پردازشگر اعلان LLM را به این گره متصل کنید.

۹. ایجاد گره کد (تقسیم فروشگاه‌ها به آیتم‌ها)

* نوع: Code

* نام: تقسیم فروشگاه‌ها به آیتم‌ها

* کد جاوا اسکریپت را برای تقسیم آرایه فروشگاه‌ها به آیتم‌های جداگانه جای‌گذاری کنید.

* خروجی اجرای اسکرپر Bright Data را به این گره متصل کنید.

۱۰. ایجاد گره Google Sheets

* نوع: Google Sheets

* نام: به‌روزرسانی برگه داده منطقه‌ای

* عملیات را روی Append پیکربندی کنید.

* شناسه سند Google Sheets و نام برگه خود را ارائه دهید.

* ستون‌ها را از داده‌های ورودی به ستون‌های برگه خود نگاشت کنید.

* اعتبارنامه‌های OAuth2 Google Sheets را راه‌اندازی کنید.

* خروجی تقسیم فروشگاه‌ها به آیتم‌ها را به این گره متصل کنید.

۱۱. ایجاد گره Gmail

* نوع: Gmail

* نام: ارسال ایمیل اطلاع‌رسانی

* گیرنده، موضوع و بدنه پیام را پیکربندی کنید.

* اعتبارنامه‌های OAuth2 Gmail را راه‌اندازی کنید.

* خروجی اجرای اسکرپر Bright Data را به این گره متصل کنید (این گره به صورت موازی با گره تقسیم فروشگاه‌ها به آیتم‌ها اجرا می‌شود).

برای اطلاعات بیشتر در مورد استفاده از گردش کارهای n8n، از Axeto.ai بازدید کنید.