Steg 2: anslut Airtable och arkivering av råa leads

Lagra råa inskick och grundläggande lead-detaljer innan enrichment.

1. Öppna 📦 Upsert Basic Info och ställ in Base på YOUR_AIRTABLE_BASE_ID och Table på YOUR_AIRTABLE_TABLE_ID.
2. Bekräfta att Operation är upsert och att Authentication är airtableOAuth2Api.
3. Mappa fält i Columns:
4. Ställ in Name på {{ $json.Name }}, Email på {{ $json.Email }}, Message på {{ $json.Message }} och Phone Number på {{ $json["Phone Number"] }}.
5. Inloggning krävs: anslut era airtableOAuth2Api-uppgifter.
6. Öppna 📄 Archive Raw Lead och ställ in Document på YOUR_GOOGLE_SHEET_ID_2 och Sheet på gid=0.
7. Behåll Operation som appendOrUpdate och mappa samma råa fält som ovan.
8. Inloggning krävs: anslut era googleSheetsOAuth2Api-uppgifter.

Steg 3: normalisera och filtrera lead-data

Standardisera lead-payloads och filtrera bort personliga e-postdomäner före enrichment.

1. Öppna 🛠️ Normalize Incoming Data och bekräfta att JavaScript Code hanterar Typeform- och Calendly-payloads enligt det som är angivet.
2. Öppna 📛 Exclude Personal Emails och ställ in villkoret till domain notEquals gmail.com.
3. Säkerställ att 🛠️ Normalize Incoming Data är kopplad till 📛 Exclude Personal Emails.

⚠️ Vanlig fallgrop: om er lead-källa använder ett annat fältnamn för e-post, uppdatera normaliseringskoden så att domain alltid fylls i.

Steg 4: konfigurera AI-enrichment och poängsättning

Använd AI för att enrich:a företagsdetaljer och ta fram en lead-poäng för efterföljande åtgärder.

1. Öppna 🏢 Enrich Company Details och behåll Prompt Type som define.
2. Ställ in prompten så att den använder domänuttrycket: {{ $json.domain }}.
3. Bekräfta att LLM Chat Provider är ansluten som språkmodell för 🏢 Enrich Company Details.
4. Inloggning krävs: anslut era openAiApi-uppgifter i LLM Chat Provider (inte i agentnoden).
5. Öppna 🧩 Combine Enriched Profile och behåll koden som slår ihop utdata från 📛 Exclude Personal Emails och 🏢 Enrich Company Details.
6. Öppna 🎯 Lead Score Analyzer och behåll prompten för poängsättning, och säkerställ att den refererar till de enrich:ade fälten.
7. Bekräfta att AI Chat Model är ansluten som språkmodell för 🎯 Lead Score Analyzer.
8. Inloggning krävs: anslut era openAiApi-uppgifter i AI Chat Model (inte i agentnoden).

Steg 5: konfigurera CRM och loggning av enrich:ade leads

Skicka den enrich:ade profilen och poängen till HubSpot och logga sedan hela posten i Google Sheets.

1. Öppna 📨 Push to HubSpot CRM och ställ in Email på {{ $('🧩 Combine Enriched Profile').item.json.email }}.
2. Verifiera att övriga fält använder uttryck som {{ $('🧩 Combine Enriched Profile').item.json.company_name }} och {{ $json.output }} för lead-poängen.
3. Inloggning krävs: anslut era hubspotAppToken-uppgifter.
4. Öppna 📊 Record Enriched Lead och ställ in Document på YOUR_GOOGLE_SHEET_ID_1 och Sheet på gid=0.
5. Bekräfta att fältet Score använder {{ $('🎯 Lead Score Analyzer').item.json.output }} och att övriga fält mappas mot uttryck från 🧩 Combine Enriched Profile.
6. Inloggning krävs: anslut era googleSheetsOAuth2Api-uppgifter.

Steg 6: testa och aktivera ert workflow

Kör ett komplett test för att säkerställa att data flödar genom normalisering, enrichment, poängsättning och lagring.

1. Klicka på Execute Workflow och skicka in ett test i Typeform.
2. Bekräfta att 📄 Archive Raw Lead loggar den råa posten och att 📦 Upsert Basic Info uppdaterar Airtable.
3. Verifiera att 🏢 Enrich Company Details returnerar JSON och att 🎯 Lead Score Analyzer ger en numerisk poäng.
4. Kontrollera 📨 Push to HubSpot CRM för en ny/uppdaterad kontakt och 📊 Record Enriched Lead för en komplett rad.
5. När ni är nöjda, växla workflowet till Active för användning i produktion.