دکتر وحید صفاری

در بسیاری از کسب‌وکارها، تیم فروش هر روز از کانال‌های مختلف لید جدید دریافت می‌کند؛ فرم سایت، لندینگ کمپین، چت واتساپ، اینستاگرام، تماس تلفنی، مارکت‌پلیس‌ها و… . اما همه لیدها ارزش یکسانی ندارند. بعضی‌ها فقط کنجکاوند، بعضی‌ها در حال تحقیق هستند و فقط درصد کمی «مشتری آماده خرید» به حساب می‌آیند. اگر تیم فروش وقتش را روی لیدهای ضعیف بگذارد، فرصت‌های طلایی از دست می‌روند.

با کمک n8n و هوش مصنوعی (LLM) می‌توانید یک سیستم امتیازدهی هوشمند لید بسازید که بر اساس اطلاعات فرم، رفتار کاربر و متن پیام‌هایش، به هر لید یک امتیاز بدهد و اولویت تماس را تعیین کند. نتیجه این است که تیم فروش اول سراغ گرم‌ترین و باارزش‌ترین لیدها می‌رود.

این ورک‌فلو دقیقاً چه کاری انجام می‌دهد؟

سناریوی «امتیازدهی هوش مصنوعی به لیدهای فروش در CRM با n8n» به طور خلاصه کارهای زیر را انجام می‌دهد:

• لیدها را از فرم سایت، لندینگ پیج، چت یا API به‌صورت خودکار دریافت می‌کند،
• اطلاعات آن‌ها را در CRM (مثل HubSpot، Pipedrive، Zoho یا هر سیستم دیگر) ثبت یا به‌روزرسانی می‌کند،
• بر اساس فیلدهای ساختاری (صنعت، سایز شرکت، بودجه، کشور و…) یک امتیاز اولیه محاسبه می‌کند،
• متن پیام/فیلدهای آزاد را به مدل زبانی می‌فرستد تا قصد خرید و جدیت لید را تحلیل کند،
• خروجی AI را با امتیاز اولیه ترکیب کرده و یک Lead Score نهایی می‌سازد،
• و در نهایت لید را در CRM بر اساس امتیاز، برچسب‌گذاری و برای تیم فروش صف‌بندی می‌کند.

سناریوهای کاربردی امتیازدهی لید با هوش مصنوعی

• استارتاپ‌های B2B: تشخیص سریع اینکه کدام درخواست‌های دمو واقعاً جدی و مناسب ICP شما هستند.
• فروشگاه‌های آنلاین: امتیازدهی به لیدهای واتساپ/فرم مشاوره برای پیگیری تلفنی توسط تیم فروش.
• آژانس‌ها و فریلنسرها: جدا کردن پروژه‌های با بودجه و فوریت بالا از درخواست‌های صرفاً اطلاعاتی.
• سازمان‌های آموزشی: اولویت‌بندی مشاوره‌های ثبت‌نام بر اساس احتمال تبدیل به دانشجو/هنرجو.

جریان کلی این ورک‌فلو در n8n

این سناریو را می‌توان در n8n به چند مرحله ساده تقسیم کرد:

• ۱. دریافت لید جدید از کانال‌های مختلف: ورودی لید ممکن است از:
  • فرم سایت (Webhook، Typeform، Elementor و…)،
  • فرم لندینگ کمپین تبلیغاتی،
  • چت واتساپ/تلگرام/اینستاگرام،
  • یا مستقیماً از CRM (Webhook «لید جدید»).
  این مرحله به‌عنوان Trigger ورک‌فلو در n8n عمل می‌کند.
• ۲. ثبت یا به‌روزرسانی لید در CRM: با نودهای HubSpot / Pipedrive / Zoho / Generic CRM API، اطلاعات لید را:
  • در صورت جدید بودن، به‌عنوان Lead/Contact ایجاد می‌کنید،
  • یا در صورت وجود، رکورد قبلی را آپدیت می‌کنید (مثلاً Stage یا آخرین منبع ورودی).
• ۳. محاسبه امتیاز پایه (Rule-based): قبل از هوش مصنوعی، می‌توانید چند قانون ساده تعریف کنید؛ مثلاً:
  • اگر کشور/شهر در بازار هدف است، +۲۰ امتیاز،
  • اگر تعداد کارمندان > ۵۰، +۱۵ امتیاز،
  • اگر بودجه یا پلن انتخابی Enterprise است، +۳۰ امتیاز،
  • اگر ایمیل شرکتی باشد (نه Gmail/Yahoo)، +۱۰ امتیاز.
  این محاسبات را در یک نود Function انجام می‌دهید و نتیجه را به‌عنوان base_score ذخیره می‌کنید.
• ۴. تحلیل متن با هوش مصنوعی: حالا نوبت متن آزاد است؛ مثلاً:
  • «در چه زمینه‌ای به کمک نیاز دارید؟»،
  • پیام ارسال‌شده در چت،
  • یا توضیح کوتاهی که لید درباره بیزینس خودش نوشته.
  این متن به LLM (مثلاً OpenAI) ارسال می‌شود با یک Prompt مثل:
  «این متن از سمت یک لید فروش است. بر اساس محتوا: (۱) سطح قصد خرید (کم/متوسط/زیاد)، (۲) زمان احتمالی تصمیم‌گیری (کوتاه/متوسط/بلند)، (۳) تناسب با محصول ما را تخمین بزن و یک score بین ۰ تا ۱۰۰ برگردان.»
• ۵. ساخت Lead Score نهایی: خروجی LLM را در n8n دریافت می‌کنید (مثلاً ai_score) و با base_score ترکیب می‌کنید:
  • final_score = 0.4 * base_score + 0.6 * ai_score (یا هر فرمولی که برای شما مناسب است)،
  • سپس بر اساس بازه‌ها، لید را در کلاس‌هایی مثل Hot, Warm, Cold قرار می‌دهید.
• ۶. به‌روزرسانی لید در CRM با امتیاز: با نود CRM:
  • فیلد lead_score را با final_score پر می‌کنید،
  • یک Tag یا Stage مثل Hot Lead یا Low Priority تنظیم می‌کنید،
  • و اگر لید خیلی داغ است، آن را مستقیم به یک owner خاص Assign می‌کنید.
• ۷. اطلاع‌رسانی به تیم فروش: برای لیدهای با امتیاز بالا:
  • در Slack/تلگرام پیام فوری ارسال می‌شود (نام لید، شرکت، شماره تماس، امتیاز)،
  • یا برای مالک لید یک Task/Reminder در CRM ساخته می‌شود که در چند ساعت آینده تماس بگیرد.

پیش‌نیازهای راه‌اندازی این سناریو

• یک CRM: مثل HubSpot، Pipedrive، Zoho، Close یا هر سیستم مشابه با API.
• کانال‌های تولید لید: فرم سایت، لندینگ، چت، واتساپ، مارکت‌پلیس‌ها و… که بتوانند به n8n داده بفرستند.
• OpenAI API Key یا مدل LLM مشابه: برای تحلیل متن و پیشنهاد امتیاز.
• n8n در حال اجرا: روی سرور، Docker، VPS یا n8n Cloud.

مراحل کلی پیاده‌سازی در n8n

1. برای فرم سایت یا کانال اصلی لید، یک Webhook/Trigger در n8n بسازید تا هر لید جدید را دریافت کند.
2. با نود CRM (مثلاً HubSpot/Pipedrive) رکورد لید را ایجاد یا به‌روزرسانی کنید.
3. در یک نود Function قوانین امتیازدهی پایه (کشور، سایز، ایمیل شرکتی و…) را پیاده‌سازی کنید.
4. متن آزاد لید (پیام، توضیحات، نیازها) را به نود OpenAI بفرستید تا ai_score و کلاس‌بندی را برگرداند.
5. base_score و ai_score را ترکیب کنید و final_score را بسازید، سپس دسته (Hot/Warm/Cold) را تعیین کنید.
6. با نود CRM فیلد Lead Score و Stage/Tag لید را به‌روزرسانی کنید.
7. برای لیدهای داغ، با Slack/Telegram/Email نوتیف بفرستید یا Task خودکار برای تیم فروش بسازید.
8. ورک‌فلو را روی چند لید واقعی تست کنید، ضرایب و Prompt را تنظیم کنید تا با تجربه تیم فروش نزدیک شود، سپس آن را فعال کنید.

چطور این ورک‌فلو را حرفه‌ای‌تر کنیم؟

• استفاده از داده‌های رفتاری: بازدید صفحات مهم (Pricing، Demo)، تعداد Sessionها و باز شدن ایمیل‌ها را در امتیاز دخیل کنید.
• پروفایل ICP: در Prompt، ویژگی‌های مشتری ایده‌آل (صنعت، سایز، مدل درآمدی) را توضیح دهید تا مدل بهتر تشخیص دهد لید چقدر مناسب است.
• بازخورد از تیم فروش: اگر فروشنده بعداً مشخص کند که لید «ضعیف» بوده، آن را لاگ کنید و در اصلاح Prompt و منطق امتیازدهی استفاده کنید.
• چند سگمنت بازار: برای بازارهای مختلف (مثلاً SME، Enterprise) پروفایل و وزن‌دهی جدا داشته باشید.
• اتصال به کمپین‌ها: منبع هر لید (Campaign/Channel) را ذخیره کنید تا بعداً بتوانید KPI هر کانال را براساس Lead Score تحلیل کنید.

نکات مهم و خطاهای رایج

• Lead Scoring همیشه ۱۰۰٪ دقیق نیست؛ هدف کاهش نویز است، نه حذف کامل تصمیم‌گیری انسانی.
• در ابتدا بهتر است امتیازدهی AI فقط پیشنهاد باشد و تیم فروش بتواند آن را Override کند.
• اگر متن فیلدهای باز خیلی کوتاه است، کیفیت تحلیل AI پایین می‌آید؛ سؤالات فرم را طوری طراحی کنید که کاربر کمی بیشتر توضیح بدهد.
• به‌مرور زمان، با داده‌های واقعی فروش (Closed Won/Closed Lost) ضرایب و قوانین امتیازدهی را به‌روزرسانی کنید.

جمع‌بندی

با ورک‌فلو امتیازدهی هوش مصنوعی به لیدهای فروش در CRM با n8n می‌توانید از یک لیست بلند و مبهم لیدها به یک صف شفاف و اولویت‌بندی‌شده برسید. تیم فروش به‌جای حدس و گشتن در بین ده‌ها رکورد، روی لیدهایی تمرکز می‌کند که بیشترین احتمال تبدیل به مشتری را دارند.

اگر می‌خواهید کیفیت پیگیری فروش را بالا ببرید و بهترین استفاده را از ترافیک و کمپین‌های خود ببرید، ترکیب n8n، CRM و LLM برای ساخت سیستم Lead Scoring هوشمند، یکی از موثرترین قدم‌هایی است که می‌توانید همین امروز بردارید.