دکتر وحید صفاری

وقتی وب‌سایت یا محصول آنلاین دارید، هر روز از کانال‌های مختلف مثل فرم تماس، چت، ایمیل یا شبکه‌های اجتماعی بازخورد می‌گیرید. مشکل اینجاست که این بازخوردها در هم می‌شوند و تشخیص اینکه کدام مشکل تکرار می‌شود، کاربران از چه چیزی ناراضی‌اند و کدام ویژگی را دوست دارند سخت می‌شود. با کمک n8n، OpenAI و Google Sheets می‌توانید یک ورک‌فلو بسازید که تمام این بازخوردها را جمع کند، به صورت خودکار تحلیل احساسی (Sentiment) و دسته‌بندی موضوعی انجام دهد و نتایج را در یک شیت مرتب ذخیره کند.

این یعنی به جای خواندن تک‌تک پیام‌ها، فقط کافی است به یک جدول نگاه کنید و ببینید: چند درصد کاربران ناراضی‌اند، مهم‌ترین مشکلات چیست و روی چه چیزی باید تمرکز کنید.

این ورک‌فلو دقیقاً چه کاری انجام می‌دهد؟

این سناریو یک خط خودکار برای تحلیل بازخورد کاربران می‌سازد که:

• بازخوردها را از یک یا چند منبع (فرم سایت، تلگرام، ایمیل، چت) به n8n می‌فرستد،
• هر پیام را به یک مدل زبانی (LLM) مثل OpenAI می‌دهد تا احساس و موضوع را تشخیص دهد،
• برچسب‌هایی مثل «Bug»، «Feature Request»، «UX Problem»، «Billing» یا هر دسته سفارشی شما را تولید می‌کند،
• نتیجه را به همراه متن اصلی در یک ردیف در Google Sheets ذخیره می‌کند،
• و در صورت وجود بازخورد بحرانی (مثلاً عصبانیت یا مشکل پرداخت)، برای تیم مربوطه هشدار می‌فرستد.

سناریوهای کاربردی این ورک‌فلو

• تیم محصول: تشخیص سریع اینکه بیشتر شکایت‌ها در کدام بخش است؛ سرعت، باگ، قیمت، UX و…
• پشتیبانی مشتری: دیدن لیست تیکت‌ها همراه با برچسب احساس (مثبت، منفی، خنثی) و اولویت‌دهی به پیام‌های عصبی.
• مارکتینگ: استخراج جملات مثبت برای استفاده در Testimonial و فهمیدن اینکه کاربران دقیقاً چه عباراتی را تکرار می‌کنند.
• تحلیل NPS و فرم رضایت: تبدیل جواب‌های متنی طولانی به برچسب‌های قابل گزارش و نمودار.

جریان کلی این ورک‌فلو در n8n

جریان عمومی این سناریو در n8n چیزی شبیه این است:

• ۱. دریافت بازخورد: یک Webhook در n8n یا نود اختصاصی (مثلاً برای Typeform، Telegram، Gmail) پیام کاربر را دریافت می‌کند. داده‌ها معمولاً شامل:
  • متن پیام یا نظر،
  • نام و ایمیل کاربر،
  • کانال (وب‌سایت، اپلیکیشن، تلگرام و غیره)،
  • زمان ثبت، و اگر وجود داشته باشد نوع فرم یا صفحه مربوط.
• ۲. آماده‌سازی متن برای تحلیل: با یک نود Set یا Function، متن را تمیز می‌کنید؛ مثلاً حذف فاصله‌های اضافه، ادغام چند فیلد یا محدود کردن طول.
• ۳. ارسال به OpenAI برای تحلیل: متن بازخورد به یک مدل زبانی (مثلاً GPT-4o) فرستاده می‌شود همراه با Prompt که از آن بخواهد:
  • احساس کاربر را مشخص کند (مثبت، منفی، خنثی)،
  • یک یا چند برچسب موضوعی (Topic Tags) پیشنهاد دهد،
  • و یک خلاصه خیلی کوتاه از مشکل یا درخواست بنویسد.
• ۴. پارس کردن خروجی LLM: بهتر است از مدل بخواهید JSON برگرداند؛ مثلاً: { "sentiment": "negative", "tags": ["Bug", "Performance"], "summary": "…" } تا در n8n راحت بتوانید فیلدها را جدا کنید.
• ۵. ذخیره در Google Sheets: با نود Google Sheets یک ردیف جدید ایجاد می‌شود شامل:
  • متن اصلی بازخورد،
  • کانال و منبع،
  • تاریخ و ساعت،
  • احساس (Sentiment)،
  • برچسب‌ها (Tags)،
  • خلاصه،
  • و در صورت نیاز، شناسه کاربر یا لینک به تیکت اصلی.
• ۶. هشدار برای موارد بحرانی: اگر Sentiment «منفی شدید» یا Tag شامل «Billing» یا «Outage» بود، با نود Telegram/Slack/Gmail یک هشدار فوری برای تیم مناسب ارسال می‌شود.

پیش‌نیازهای راه‌اندازی این سناریو

• یک Google Sheet: با ستون‌هایی مثل Date، Channel، User، Message، Sentiment، Tags، Summary و…
• Google API Credentials: برای اتصال n8n به Google Sheets.
• OpenAI API Key: یا مدل LLM سازگار برای تحلیل متن.
• منبع بازخورد: فرم تماس سایت، Typeform، تلگرام، ایمیل یا هر سیستم دیگری که بتواند به n8n وصل شود.
• n8n در حال اجرا: روی سرور، Docker، VPS یا n8n Cloud.

مراحل کلی پیاده‌سازی در n8n

1. طراحی Google Sheet با ستون‌های موردنیاز برای ذخیره بازخورد و نتایج تحلیل.
2. ساخت یک Webhook یا استفاده از نود مناسب برای منبع داده (مثلاً Telegram Trigger یا Gmail → Watch Emails).
3. استخراج متن پیام و متادیتا (نام کاربر، کانال، تاریخ) با نودهای Set/Function.
4. افزودن نود OpenAI و نوشتن Prompt برای برگرداندن JSON شامل sentiment، tags و summary.
5. پارس کردن JSON خروجی و مپ کردن هر فیلد به ستون مناسب در Google Sheets با نود Create Row/Append.
6. افزودن شرط (IF) برای تشخیص موارد بحرانی و در صورت لزوم ارسال هشدار در تلگرام یا Slack.
7. تست ورک‌فلو با چند پیام نمونه و اصلاح Prompt تا نتایج قابل‌اعتماد و منظم شوند.

چطور این ورک‌فلو را حرفه‌ای‌تر کنیم؟

• گروه‌بندی و گزارش: بعد از مدتی می‌توانید روی Google Sheets گزارش بسازید یا آن را به Google Data Studio/Looker وصل کنید.
• پشتیبانی چند زبانه: اگر بازخوردها هم فارسی و هم انگلیسی هستند، از مدل بخواهید زبان را تشخیص دهد و تحلیل را مطابق آن انجام دهد.
• تطبیق با کاربران VIP: اگر لیستی از مشتریان مهم دارید، می‌توانید در صورت دریافت بازخورد منفی از آن‌ها، هشدار ویژه بفرستید.
• لینک به تیکت سیستم پشتیبانی: اگر از ابزارهایی مثل Zendesk، Freshdesk یا سرویس داخلی استفاده می‌کنید، لینک تیکت را هم در شیت ذخیره کنید.
• آرشیو بلندمدت: می‌توانید پس از مدتی، داده‌ها را به یک دیتابیس مثل PostgreSQL یا BigQuery منتقل کنید تا روی آن تحلیل عمیق‌تری انجام دهید.

نکات مهم و خطاهای رایج

• اگر خروجی OpenAI به‌هم‌ریخته است، حتماً از مدل بخواهید فقط JSON معتبر برگرداند و چند مثال در Prompt قرار دهید.
• در صورت بروز خطا در Google Sheets، نوع ستون‌ها (Text/Number/Date) و نام دقیق ستون‌ها را در مپینگ n8n بررسی کنید.
• برای کاهش هزینه، می‌توانید فقط پیام‌های طولانی‌تر از یک حد مشخص یا فقط بازخوردهای کانال‌های خاص را به LLM بفرستید.
• یادتان باشد مدل ممکن است گاهی در تشخیص احساس اشتباه کند؛ بهتر است این تحلیل را به‌عنوان کمک، نه حقیقت مطلق، در نظر بگیرید.

جمع‌بندی

با یک ورک‌فلو ساده اما قدرتمند در n8n می‌توانید تحلیل بازخورد کاربران را از یک کار دستی و پراکنده به یک سیستم خودکار، ساختارمند و قابل گزارش تبدیل کنید. ترکیب OpenAI، Google Sheets و n8n کمک می‌کند به‌جای حدس و گمان، بر اساس داده واقعی تصمیم بگیرید.

اگر می‌خواهید بدانید کاربران دقیقاً از چه چیزهایی راضی یا ناراضی هستند و روی کدام مشکلات باید تمرکز کنید، این سناریو یکی از بهترین راه‌ها برای ساخت یک سیستم تحلیل هوش مصنوعی بازخورد کاربران در کنار سایر اتوماسیون‌های n8n شماست.