
هدفگذاری خودکار مشتریان با n8n، GPT-4 و Bright Data
9 دقیقه مطالعه · منتشر شده ۱۴۰۵/۴/۲۷
دانلود workflow
فایل JSON آماده import در n8n — credentialها باید در n8n شما تنظیم شوند.
- فایل JSON را دانلود کنید.
- در n8n: Workflows → Import from File.
- Credentialهای هر node را متصل کنید.
- workflow را فعال کنید.
شناسه workflow: 5966 · منبع: کاتالوگ Pixori
تحلیل و هدفگذاری مشتریان با ارزش بالا با GPT-4 و Bright Data MCP
این گردش کار، شناسایی و هدفگذاری مشتریان با ارزش بالا را با استفاده از وب اسکرپینگ مبتنی بر هوش مصنوعی و کمپینهای ایمیل شخصیسازی شده خودکار میکند. این گردش کار از GPT-4 برای استخراج هوشمندانه دادهها و MCP برای Bright Data برای اسکرپینگ قوی استفاده میکند، و سپس به بخشبندی مشتریان و ارتباط ایمیلی میپردازد.
این گردش کار و بسیاری موارد دیگر را در کاتالوگ n8n.ai Axeto کاوش کنید.
---
نمای کلی گردش کار
این گردش کار برای موارد زیر طراحی شده است:
1. زمانبندی یک کمپین ماهانه برای شناسایی و تعامل با مشتریان با ارزش بالا.
2. اسکرپ (Scraping) دادههای مشتری و تاریخچه سفارش از یک داشبورد مدیریتی مشخص با استفاده از یک عامل هوش مصنوعی (AI Agent).
3. پردازش و قالببندی دادههای اسکرپ شده برای جداسازی جزئیات فردی مشتری و سفارش.
4. بخشبندی مشتریان بر اساس میزان خرید آنها (سفارشات بالای ۲۰۰ دلار).
5. ارسال ایمیلهای تبلیغاتی شخصیسازی شده به مشتریان با ارزش بالا از طریق Gmail.
گردش کار به طور منطقی به چهار بخش اصلی تقسیم میشود:
- ۱. راهاندازی زمانبندی و ورودی: تریگر گردش کار و URL هدف برای اسکرپ دادهها را پیکربندی میکند.
- ۲. اسکرپ داده با قدرت هوش مصنوعی: از یک عامل هوش مصنوعی (AI Agent) با GPT-4 و Bright Data MCP برای استخراج اطلاعات مشتری و سفارش استفاده میکند.
- ۳. قالببندی داده و استخراج سفارش: دادههای اسکرپ شده را برای تجزیه و تحلیل ساختاربندی میکند.
- ۴. تصمیمگیری پیشنهاد و کمپین ایمیل: ارزش مشتری را تعیین کرده و ارتباط ایمیلی هدفمند را آغاز میکند.
---
جزئیات گرهها
۱. تنظیم زمانبندی و ورودی
این بخش زمانبندی اجرای گردش کار و منبع URL برای دادههای مشتری را تنظیم میکند.
- اجرای کمپین پیشنهادی ماهانه (گره زمانبندی)
* نوع: n8n-nodes-base.scheduleTrigger
* پیکربندی: گردش کار را هر ماه ساعت ۹:۰۰ صبح فعال میکند.
* هدف: فرآیند تحلیل و هدفگذاری مشتری را به صورت دورهای آغاز میکند.
* گره بعدی: تنظیم URL تاریخچه مشتری
- تنظیم URL تاریخچه مشتری (گره Set)
* نوع: n8n-nodes-base.set
* پیکربندی: یک متغیر رشتهای به نام customer data url را با یک مقدار نمونه (مثلاً example.com) تنظیم میکند. فراموش نکنید که این را با URL داشبورد ادمین واقعی خود جایگزین کنید.
* هدف: URL هدف را برای عامل هوش مصنوعی اسکرپینگ فراهم میکند.
* گره بعدی: اسکرپ پروفایل مشتریان و سفارشات (عامل)
۲. اسکرپینگ داده با قدرت هوش مصنوعی
این بخش از یک عامل هوش مصنوعی برای اسکرپینگ هوشمندانه و تجزیه دادههای مشتری از URL ارائه شده استفاده میکند.
- اسکرپ پروفایل مشتریان و سفارشات (عامل)
* نوع: @n8n/n8n-nodes-langchain.agent
* پیکربندی: برای استفاده از یک عامل هوش مصنوعی که مدل GPT-4 OpenAI را با ابزار MCP برای Bright Data ترکیب میکند تا پروفایلهای مشتریان و تاریخچه سفارشات آنها را از URL مشخص شده در ورودی اسکرپ و استخراج کند، پیکربندی شده است. از Structured Output Parser و Auto-fixing Output Parser برای ساختاردهی دادهها استفاده میکند.
* هدف: دادههای خام مشتری و سفارش را از وب استخراج میکند.
* ورودیها: customer data url را از گره قبلی دریافت میکند و با AI Assistant (مدل چت OpenAI)، ابزار Bright Data MCP Scraper و تجزیهکنندههای خروجی پیکربندی شده است.
* گره بعدی: قالببندی اطلاعات مشتری
- دستیار هوش مصنوعی (مدل چت OpenAI)
* نوع: @n8n/n8n-nodes-langchain.lmChatOpenAi
* پیکربندی: از یک نوع GPT-4 (مثلاً gpt-4o-mini) به عنوان مدل زبان برای عامل هوش مصنوعی استفاده میکند.
* هدف: هوش مصنوعی اصلی را برای درک و استخراج اطلاعات فراهم میکند.
* اعتبارنامهها: به کلید API OpenAI نیاز دارد.
* استفاده شده توسط: اسکرپ پروفایل مشتریان و سفارشات (عامل)
- اسکرپر MCP برای Bright Data
* نوع: n8n-nodes-mcp.mcpClientTool
* پیکربندی: برای استفاده از ابزار scrape_as_markdown پیکربندی شده است. پارامترها به صورت پویا توسط عامل هوش مصنوعی تنظیم میشوند.
* هدف: به عنوان یک ابزار قدرتمند اسکرپینگ وب عمل میکند و از زیرساخت Bright Data برای دسترسی و بازیابی محتوا از URL هدف استفاده میکند.
* اعتبارنامهها: به اعتبارنامههای API MCP برای Bright Data نیاز دارد.
* استفاده شده توسط: اسکرپ پروفایل مشتریان و سفارشات (عامل)
- تجزیهکننده خروجی ساختاریافته
* نوع: @n8n/n8n-nodes-langchain.outputParserStructured
* پیکربندی: خروجی متنی هوش مصنوعی را به یک فرمت JSON ساختاریافته تجزیه میکند و انتظار نام مشتریان و آرایههای سفارش را دارد. یک طرحواره برای اعتبارسنجی تعریف شده است.
* هدف: خروجی خام هوش مصنوعی را به یک ساختار قابل پیشبینی سازماندهی میکند.
* گره بعدی: تجزیهکننده خروجی با قابلیت رفع خطا
* استفاده شده توسط: اسکرپ پروفایل مشتریان و سفارشات (عامل)
- تجزیهکننده خروجی با قابلیت رفع خطا
* نوع: @n8n/n8n-nodes-langchain.outputParserAutofixing
* پیکربندی: تلاش میکند تا در صورت شکست تجزیه ساختاریافته اولیه، خروجی هوش مصنوعی را به طور خودکار اصلاح و تجزیه کند.
* هدف: قابلیت اطمینان تجزیه دادهها را افزایش میدهد و ناهماهنگیهای احتمالی در پاسخهای هوش مصنوعی را مدیریت میکند.
* گره بعدی: اسکرپ پروفایل مشتریان و سفارشات (عامل) (به عنوان بخشی از پیکربندی عامل)
* استفاده شده توسط: اسکرپ پروفایل مشتریان و سفارشات (عامل)
۳. قالببندی داده و استخراج سفارش
این بخش دادههای اسکرپ شده را به فرمتی مناسب برای تحلیل و تصمیمگیری اصلاح میکند.
- قالببندی اطلاعات مشتری (گره کد)
* نوع: n8n-nodes-base.code
* پیکربندی: یک قطعه کد جاوا اسکریپت که آرایه output را از عامل هوش مصنوعی به رکوردهای مشتری مجزا نگاشت میکند، که هر کدام شامل نام، ایمیل و سفارشات است.
* هدف: خروجی خام عامل را به اشیاء مشتری مجزا تبدیل میکند.
* گره بعدی: دریافت تاریخچه سفارش مشتری
- دریافت تاریخچه سفارش مشتری (گره کد)
* نوع: n8n-nodes-base.code
* پیکربندی: یک قطعه کد جاوا اسکریپت که از طریق سفارشات هر مشتری تکرار میشود و یک مورد جداگانه برای هر سفارش خروجی میدهد. هر مورد شامل نام مشتری، ایمیل، مبلغ سفارش و تاریخ است.
* هدف: رکوردهای مجزا برای هر سفارش ایجاد میکند و تحلیل هر سفارش را تسهیل میکند.
* گره بعدی: آیا مشتری ارزش بالایی دارد؟
۴. تصمیمگیری برای پیشنهاد و کمپین ایمیل
این بخش نهایی ارزش مشتری را تعیین کرده و ارتباطات ایمیلی هدفمند را آغاز میکند.
- آیا مشتری ارزش بالایی دارد؟ (گره If)
* نوع: n8n-nodes-base.if
* پیکربندی: ارزیابی میکند که آیا فیلد amount یک سفارش بزرگتر یا مساوی ۲۰۰ است یا خیر.
* هدف: مشتریان را بر اساس یک آستانه هزینه تعریف شده تقسیمبندی میکند.
* خروجیها:
* شاخه True: به ارسال ایمیل پیشنهاد ویژه ادامه میدهد.
* شاخه False: به نادیده گرفتن مشتریان با ارزش پایین ادامه میدهد.
- ارسال ایمیل پیشنهاد ویژه (گره Gmail)
* نوع: n8n-nodes-base.gmail
* پیکربندی: یک ایمیل تبلیغاتی به آدرس ایمیل مشتری با موضوعی مانند "پیشنهاد برای مشتری ایدهآل ما" و یک پیام نمونه ارسال میکند. محتوای ایمیل را در صورت نیاز سفارشی کنید.
* هدف: مشتریان با ارزش بالا را با یک پیشنهاد شخصیسازی شده درگیر میکند.
* اعتبارنامهها: به اعتبارنامههای OAuth2 Gmail نیاز دارد.
* فعال شده توسط: شاخه True از آیا مشتری ارزش بالایی دارد؟
- نادیده گرفتن مشتریان با ارزش پایین (گره NoOp)
* نوع: n8n-nodes-base.noOp
* پیکربندی: این گره هیچ عملیاتی انجام نمیدهد.
* هدف: به طور صریح پایان مسیر گردش کار را برای مشتریانی که معیارهای ارزش بالا را ندارند مشخص میکند و از پردازش بیشتر برای آنها جلوگیری میکند.
* فعال شده توسط: شاخه False از آیا مشتری ارزش بالایی دارد؟
---
جدول خلاصه
| نام نود (Node Name) | نوع نود (Node Type) | نقش عملکردی (Functional Role) | نود(های) ورودی (Input Node(s)) | نود(های) خروجی (Output Node(s)) | یادداشت چسبان (Sticky Note) |
|---|---|---|---|---|---|
| اجرای کمپین پیشنهاد ماهانه | n8n-nodes-base.scheduleTrigger | شروع گردش کار به صورت ماهانه | ندارد | تنظیم URL تاریخچه مشتری | بخش ۱: تنظیم زمانبندی و ورودی - راهاندازی گردش کار بر اساس زمانبندی، تنظیم URL داشبورد مدیریت |
| تنظیم URL تاریخچه مشتری | n8n-nodes-base.set | تنظیم URL دادههای مشتری | اجرای کمپین پیشنهاد ماهانه | اسکرپ پروفایلها و سفارشهای مشتری (ایجنت) | بخش ۱: تنظیم زمانبندی و ورودی |
| اسکرپ پروفایلها و سفارشهای مشتری (ایجنت) | @n8n/n8n-nodes-langchain.agent | اسکرپ پروفایلها و سفارشهای مشتری | تنظیم URL تاریخچه مشتری | قالببندی اطلاعات مشتری | بخش ۲: اسکرپ دادههای مشتری با ایجنت - ایجنت هوش مصنوعی دادههای مشتری/سفارش را اسکرپ و تجزیه میکند |
| دستیار هوش مصنوعی | @n8n/n8n-nodes-langchain.lmChatOpenAi | فراهم کردن مدل زبان هوش مصنوعی برای ایجنت | ندارد (ورودی ایجنت) | اسکرپ پروفایلها و سفارشهای مشتری (ایجنت) | بخش ۲ - مدل GPT-4 برای پردازش هوش مصنوعی |
| اسکرپر Bright Data MCP | n8n-nodes-mcp.mcpClientTool | ابزار اسکرپر پروکسی برای دادهها | ندارد (ورودی ایجنت) | اسکرپ پروفایلها و سفارشهای مشتری (ایجنت) | بخش ۲ - Bright Data MCP برای اسکرپ قوی وب |
| تجزیهکننده خروجی ساختاریافته | @n8n/n8n-nodes-langchain.outputParserStructured | تجزیه خروجی هوش مصنوعی به JSON ساختاریافته | دستیار هوش مصنوعی (مدل چت OpenAI) | تجزیهکننده خروجی با قابلیت رفع خطا | بخش ۲ - اطمینان از اینکه دادهها در قالبی قابل پیشبینی JSON هستند |
| تجزیهکننده خروجی با قابلیت رفع خطا | @n8n/n8n-nodes-langchain.outputParserAutofixing | تصحیح خودکار خطاهای تجزیه | تجزیهکننده خروجی ساختاریافته | اسکرپ پروفایلها و سفارشهای مشتری (ایجنت) | بخش ۲ - مدیریت ناهماهنگیهای احتمالی خروجی هوش مصنوعی |
| قالببندی اطلاعات مشتری | n8n-nodes-base.code | نگاشت خروجی ایجنت به آیتمهای مشتری | اسکرپ پروفایلها و سفارشهای مشتری (ایجنت) | دریافت تاریخچه سفارش مشتری | بخش ۳: قالببندی دادهها و استخراج سفارش - سازماندهی اطلاعات مشتری |
| دریافت تاریخچه سفارش مشتری | n8n-nodes-base.code | استخراج سفارشهای فردی برای هر مشتری | قالببندی اطلاعات مشتری | آیا مشتری با ارزش بالا است؟ | بخش ۳ - آمادهسازی دادههای سفارش فردی برای ارزیابی |
| آیا مشتری با ارزش بالا است؟ | n8n-nodes-base.if | فیلتر کردن مشتریان بر اساس مبلغ سفارش >= ۲۰۰ | دریافت تاریخچه سفارش مشتری | ارسال ایمیل پیشنهاد ویژه، نادیده گرفتن مشتریان کمارزش | بخش ۴: تصمیمگیری و اقدام پیشنهاد - فیلتر کردن مشتریان با ارزش بالا |
| ارسال ایمیل پیشنهاد ویژه | n8n-nodes-base.gmail | ارسال ایمیل تبلیغاتی به مشتریان واجد شرایط | آیا مشتری با ارزش بالا است؟ (True) | ندارد | بخش ۴ - ایمیل شخصیسازی شده برای مشتریان با ارزش بالا |
| نادیده گرفتن مشتریان کمارزش | n8n-nodes-base.noOp | حذف مشتریان کمارزش | آیا مشتری با ارزش بالا است؟ (False) | ندارد | بخش ۴ - پایان گردش کار برای مشتریان غیر واجد شرایط |
| یادداشت چسبان | n8n-nodes-base.stickyNote | مستندسازی و راهنمایی | N/A | N/A | ارائه زمینه و توضیحات در بوم گردش کار. |
Nodeهای استفادهشده
سوالات متداول
این گردش کار n8n چگونه به شناسایی مشتریان با ارزش بالا کمک میکند؟▾
این گردش کار با استفاده از GPT-4 و Bright Data، دادههای مشتری و تاریخچه سفارش را از وب اسکرپ میکند، سپس مشتریان را بر اساس معیارهایی مانند میزان خرید (بالای ۲۰۰ دلار) دستهبندی کرده و به شناسایی مشتریان با ارزش بالا میپردازد.
چه ابزارهایی در این گردش کار برای اسکرپینگ داده استفاده میشود؟▾
این گردش کار از یک عامل هوش مصنوعی (AI Agent) استفاده میکند که مدل GPT-4 OpenAI را با ابزار MCP برای Bright Data ترکیب میکند تا دادههای مورد نیاز را از وب استخراج کند.
پس از شناسایی مشتریان با ارزش، چه اقدامی انجام میشود؟▾
پس از شناسایی و دستهبندی مشتریان با ارزش بالا، گردش کار به صورت خودکار ایمیلهای تبلیغاتی شخصیسازی شده را از طریق Gmail به آنها ارسال میکند.
آیا این گردش کار قابل تنظیم برای کمپینهای دورهای است؟▾
بله، این گردش کار با استفاده از یک گره زمانبندی (Schedule Trigger) برای اجرای ماهانه پیکربندی شده است، که امکان اجرای دورهای کمپینهای شناسایی و تعامل با مشتریان را فراهم میکند.
workflowهای مرتبط
- طبقهبندی خودکار حوادث امنیتی با GPT-4 و Google SheetsSecOps
- دستهبندی خودکار ایمیل جیمیل با GPT-4o و هشدار SlackAI Summarization
- دستهبندی خودکار پستهای وبلاگ با هوش مصنوعی و گیتهابContent Creation
- تحلیل خودکار Google Analytics با هوش مصنوعی Gemini و اعلانه…Market Research
- خودکارسازی اصلاح نقطه پایانی با Wazuh، ClamAV و GPT-4SecOps
- تغییر نام خودکار گرههای n8n با هوش مصنوعیEngineering
