Lokal SEO-research låter enkelt tills du har fem städer, tre tjänster och en chef som frågar: ”Vad förändrades den här veckan?” Då blir det flikar, copy-paste och ett kalkylark som ingen litar helt på.
Marknadschefer känner av det när rapportdagen kommer. Byråägare känner av det när varje kund vill ha ”bara en plats till”. Och en småföretagare känner av det när rankingen dippar men du inte kan avgöra om efterfrågan skiftade eller om konkurrenterna gjorde det. Den här automatiseringen för lokal trendspårning ger dig en felfri, repeterbar logg över platsbaserade sökmönster utan det manuella slitet.
Du får se hur arbetsflödet hämtar geospecifik trenddata med Bright Data, använder AI för att göra den lättläst och sedan skriver strukturerade rader i Google Sheets så att teamet kan agera.
Utmaningen: spåra lokala sökförändringar utan att förlora veckan
När du försöker förstå vad människor söker efter i olika städer blir själva researchen flaskhalsen. Du kör samma frågor för ”nära mig”-intention, byter plats, skummar resultaten och försöker sammanfatta vad som händer. Sedan gör du om det nästa vecka eftersom det inte finns något pålitligt arkiv. Det handlar inte bara om tid. Det är den mentala belastningen att hålla allt konsekvent, plus den tysta risken att dra slutsatser från stökiga, ofullständiga anteckningar.
Det går snabbt att summera. Här är var det faller isär i verkligheten.
- Att kontrollera trender stad för stad blir ofta en timme av repetitivt sökande för varje plats du stödjer.
- Manuella anteckningar blir inkonsekventa, så jämförelser mellan veckor känns till slut som gissningar.
- Att skrapa eller samla in SERP-liknande data triggar ofta blockeringar, captchas eller varningar om ”ovanlig trafik” precis när du behöver svar.
- Team tappar fart eftersom datan ligger i någons webbhistorik i stället för i ett delat ark med en strukturerad uppställning.
Så fungerar automatiseringen
Se hur detta löser problemet:
n8n Workflow Template: Bright Data + Google Sheets: lokal trendbevakning
flowchart LR
subgraph sg0["🔌 Trigger: Manual Start Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "🔌 Trigger: Manual Start", pos: "b", h: 48 }
n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "📝 Set google trends URL", pos: "b", h: 48 }
n2@{ icon: "mdi:robot", form: "rounded", label: "🤖 Scrape Trends with MCP", pos: "b", h: 48 }
n3["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>🧩 Split Trends (One per Item)"]
n4@{ icon: "mdi:database", form: "rounded", label: "📄 Save to Google Sheets", pos: "b", h: 48 }
n5@{ icon: "mdi:brain", form: "rounded", label: "🧠 OpenAI Model", pos: "b", h: 48 }
n6@{ icon: "mdi:cog", form: "rounded", label: "🌐 Bright Data MCP", pos: "b", h: 48 }
n7@{ icon: "mdi:robot", form: "rounded", label: "Auto-fixing Output Parser", pos: "b", h: 48 }
n8@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n9@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser", pos: "b", h: 48 }
n8 -.-> n7
n5 -.-> n2
n6 -.-> n2
n9 -.-> n7
n7 -.-> n2
n1 --> n2
n0 --> n1
n2 --> n3
n3 --> n4
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n2,n7,n9 ai
class n5,n8 aiModel
class n4 database
class n3 code
classDef customIcon fill:none,stroke:none
class n3 customIcon
Lösningen: Bright Data-driven geotrendloggning i Sheets
Det här arbetsflödet gör lokal trendresearch till något du kan köra på beställning och lita på i efterhand. Du startar automatiseringen, den tilldelar den trendkällans URL du vill övervaka och sedan hämtar Bright Data platsbaserad sökdata utan de vanliga problemen med blockeringar. Därefter delar arbetsflödet upp svaret i enskilda trendposter så att du inte stirrar på en enda stor textklump. En AI-agent (med en OpenAI-chattmodell plus en strukturerad parser) städar upp formuleringarna, normaliserar fält och tar fram en konsekvent JSON-liknande struktur. Till sist lägger den till prydliga rader i Google Sheets och bygger en revisionslogg som teamet kan filtrera, visualisera och dela.
Arbetsflödet börjar med en manuell start, vilket är praktiskt när du vill styra tidpunkten. Därefter samlar Bright Data in den geospecifika trendpayloaden, kod delar upp den i användbara poster och Google Sheets blir det levande arkivet. Du får platsbaserade insikter som är enkla att jämföra vecka för vecka.
Vad som förändras: före vs. efter
| Detta elimineras | Effekten du ser |
|---|---|
|
|
Effekt i verkligheten
Säg att du följer 10 platser och kontrollerar 5 huvudfrågor per plats varje vecka. Manuellt lägger du kanske 5 minuter per kontroll på att söka, skumma och logga, vilket blir cirka 4 timmar per vecka. Med det här arbetsflödet startar du det en gång, väntar på Bright Data + AI-bearbetning och ditt ark fylls på av sig självt med cirka 10 minuters aktiv tid. Det är ingen magi. Det handlar bara om att ta bort upprepningen så att du kan lägga tiden på beslut, inte insamling.
Krav
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen hosting om du föredrar det (Hostinger fungerar bra)
- Bright Data för platsbaserad skrapning utan blockeringar
- Google Sheets för att lagra och dela trendhistorik
- OpenAI API-nyckel (hämta den i OpenAI API-dashboarden)
Kunskapsnivå: Medel. Du kopplar främst konton och klistrar in uppgifter, men arbetsflödet kräver självhostad n8n eftersom det använder community-noder.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Arbetsflödets steg
Manuell start. Du kör arbetsflödet när du vill ha en ny ögonblicksbild, till exempel på måndag morgon eller precis före ett kundsamtal. Triggern är enkel, men den ger dig kontroll över tidpunkten.
Trend-URL sätts. Arbetsflödet tilldelar trend-endpointen (eller frågekällan) som du vill övervaka, så att varje körning följer samma format. Konsekvensen här är viktig eftersom den gör att arket blir jämförbart mellan veckor.
Bright Data hämtar geospecifika resultat. En Bright Data MCP-klientnod hämtar den platsbaserade trendpayloaden på ett sätt som beter sig mer som en riktig användarsession. Det är den delen som hjälper dig att undvika blockeringar som förstör manuell skrapning.
AI städar upp och strukturerar posterna. Svaret delas upp i enskilda trendposter och sedan normaliserar en AI-agent (OpenAI-chattmodell plus strukturerad parsing) fält så att outputen inte bara blir ”text”. Du får konsekventa attribut som fungerar bra i kalkylark.
Google Sheets blir ditt arkiv. Varje post läggs till som en ny rad och bygger en löpande logg över lokala förändringar. Du kan enkelt ändra målplatserna och de bevakade frågorna efter behov. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: konfigurera triggern Manual Kickoff Trigger
Konfigurera den manuella triggern så att ni kan starta arbetsflödet vid behov för snabb validering av trendpipen.
- Lägg till och behåll Manual Kickoff Trigger som startnod.
- Koppla Manual Kickoff Trigger till Assign Trends URL för att följa exekveringsflödet.
Steg 2: anslut Google Sheets
Konfigurera destinationsarket där varje trendrad ska läggas till.
- Öppna Append to Google Sheet och ställ in Operation på
append. - Ställ in Document på
[YOUR_ID]och Sheet pågid=0(Sheet1). - Mappa kolumner i Columns till
={{ $json.keyword }},={{ $json.score }}och={{ $json.date }}för Keyword, Score och Date. - Credential Required: Anslut era googleSheetsOAuth2Api-credentials.
[YOUR_ID] med ert riktiga Google Sheet-ID kommer tillägg att misslyckas.Steg 3: sätt upp Fetch Trends via MCP (AI-agent + verktyg)
Konfigurera AI-agenten för att hämta data från Google Trends och formatera svaret som strukturerad JSON.
- I Assign Trends URL ställer ni in värdet för url till
https://trends.google.com/trending?geo=US. - Öppna Fetch Trends via MCP och ställ in Text till
=Use Bright Data MCP to scrape the following Google Trends URL and return with keywords, score, and date. URL: {{ $json.url }}. - Säkerställ att Fetch Trends via MCP har hasOutputParser aktiverat och använder Auto-Repair Parser som output parser.
- Bekräfta att Bright Data Scraper är ansluten som AI-verktyget för Fetch Trends via MCP och ställ in Tool Name till
scrape_as_markdownmed Tool Parameters som={{ /*n8n-auto-generated-fromAI-override*/ $fromAI('Tool_Parameters', ``, 'json') }}. - Credential Required: Anslut era mcpClientApi-credentials i Bright Data Scraper.
- Öppna OpenAI Chat Engine och ställ in Model till
gpt-4o-mini(detta driver Fetch Trends via MCP). - Credential Required: Anslut era openAiApi-credentials i OpenAI Chat Engine.
- Öppna Chat Model Core och ställ in Model till
gpt-4o-miniför att stödja Auto-Repair Parser och Structured JSON Parser. - Credential Required: Anslut era openAiApi-credentials i Chat Model Core.
- I Structured JSON Parser behåller ni jsonSchemaExample enligt det som är angivet för att säkerställa struktur på output.
Steg 4: konfigurera hantering av output
Dela upp AI-svaret i enskilda poster och lägg till varje trend i kalkylarket.
- I Divide Trend Items behåller ni JavaScript-koden som mappar
output.trending_keywordstill enskilda poster med keyword, score och date. - Koppla Fetch Trends via MCP → Divide Trend Items → Append to Google Sheet för att följa exekveringsflödet.
Steg 5: testa och aktivera ert arbetsflöde
Validera arbetsflödet från start till mål och aktivera det för regelbunden användning.
- Klicka på Execute Workflow för att köra Manual Kickoff Trigger manuellt.
- Verifiera att Fetch Trends via MCP returnerar strukturerad JSON och att Divide Trend Items delar upp den i flera poster.
- Kontrollera Append to Google Sheet för nyligen tillagda rader med Keyword, Score och Date.
- Slå på arbetsflödet som Active när resultaten är korrekta.
Se upp för
- Bright Data-inloggningsuppgifter kan gå ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först åtkomst till din Bright Data-zon och API-autentiseringsinställningarna.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre ned fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du att redigera outputar i all evighet.
Vanliga frågor
Cirka 45 minuter om du redan har Bright Data, OpenAI och ett Google Sheet redo.
Ja, men du vill ha någon som är bekväm med API-nycklar. Installationen är mest kontokopplingar och att testköra en körning från start till mål.
Ja. n8n har ett gratis alternativ för självhosting och en gratis provperiod på n8n Cloud. Molnplaner börjar på 20 USD/månad för högre volym. Du behöver också räkna med OpenAI API-kostnader (ofta några cent per körning) och din Bright Data-användning baserat på hur mycket du skrapar.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärt och kör n8n bra. Självhosting ger dig obegränsat antal körningar men kräver grundläggande serveradministration.
Du kan ändra den bevakade källan i steget ”Assign Trends URL” och justera hur poster delas upp i kodsteget ”Divide Trend Items”. Om du vill ha andra outputkolumner justerar du vad AI-agenten extraherar och vad som mappas in i noden ”Append to Google Sheet”. Vanliga anpassningar är att lägga till fler platser, tagga rader per kampanj och köra separata ark för varje varumärke eller kund.
Oftast är det ett autentiserings- eller zonbehörighetsproblem i Bright Data, inte i n8n. Skapa om eller kopiera om dina Bright Data-uppgifter och uppdatera dem sedan i MCP-klientnoden som används för skrapningen. Kontrollera också att zonen du använder får komma åt målet du skrapar, eftersom vissa zoner är begränsade. Om det fungerar en gång och sedan fallerar senare kan du slå i användningsgränser eller tillfälliga blockeringar, så att sakta ned körningen (eller minska antal platser per körning) kan hjälpa.
Om du självhostar finns ingen körningsgräns (det beror främst på din server och dina Bright Data/OpenAI rate limits). I praktiken kör många team några dussin platser per batch utan problem och schemalägger sedan ytterligare körningar om de behöver mer täckning.
Ofta, ja, eftersom det här arbetsflödet bygger på community-noder och mer avancerad parslogik som blir krånglig (eller dyr) i enklare automationsverktyg. n8n gör det också enklare att dela upp data, slå ihop poster och återhämta sig från stökiga outputar med strukturerade parsers, vilket spelar roll när du skrapar sidor i verkligheten. Zapier eller Make kan fortfarande fungera bra för grundläggande ”skicka data från A till B”, men de har ofta svårt när inputen är inkonsekvent. Ärligt talat är den självhostade varianten en stor grej om du planerar att köra detta ofta. Prata med en automationsexpert om du vill ha hjälp att välja.
När detta väl rullar blir ditt kalkylark facit över vad som förändras per stad, inte någons halvt ihågkomna magkänsla. Sätt upp det, kör det när du behöver det och behåll fokus för arbetet som faktiskt gör skillnad.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.