Att kopiera Amazons produktdetaljer till ett kalkylblad låter enkelt tills du gör det för den femte produkten i rad. Flikar överallt. Specifikationer på ett ställe, annonser på ett annat, och dessutom ska du skriva en sammanfattning som faktiskt är begriplig.
Den här automatiseringen för Amazon-research träffar e-handelsresearchers först, men byråanalytiker och marketplace-säljare känner av det också. Du får felfria, strukturerade rader i Google Sheets, plus AI-skrivna sammanfattningar och anteckningar om konkurrenspositionering utan det manuella slitgörat.
Nedan ser du hur arbetsflödet hämtar en Amazon-URL, skrapar det viktigaste med Decodo, ber OpenAI att göra om det till analys och sedan skriver allt till ett kalkylblad som du kan jämföra och rapportera utifrån.
Så fungerar den här automatiseringen
Det kompletta n8n-arbetsflödet, från trigger till slutresultat:
n8n Workflow Template: Decodo + Google Sheets, Amazon-research klar
flowchart LR
subgraph sg0["When clicking ‘Execute workflow’ Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Execute workf..", pos: "b", h: 48 }
n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set the Input Fields", pos: "b", h: 48 }
n2@{ icon: "mdi:cog", form: "rounded", label: "Decodo Web scrape for Amazon..", 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/>Extract Product Details"]
n4["<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/>Extract Ads"]
n5@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n6@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser", pos: "b", h: 48 }
n7@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model for Amazon..", pos: "b", h: 48 }
n8@{ icon: "mdi:robot", form: "rounded", label: "Product Insights", pos: "b", h: 48 }
n9@{ icon: "mdi:robot", form: "rounded", label: "Product Descriptive Summarizer", pos: "b", h: 48 }
n10@{ icon: "mdi:robot", form: "rounded", label: "Competitive Analysis", pos: "b", h: 48 }
n11@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model for Compet..", pos: "b", h: 48 }
n12@{ icon: "mdi:database", form: "rounded", label: "Append or update row in sheet", pos: "b", h: 48 }
n13["<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/merge.svg' width='40' height='40' /></div><br/>Merge"]
n14@{ icon: "mdi:cog", form: "rounded", label: "Aggregate", pos: "b", h: 48 }
n13 --> n14
n14 --> n12
n4 --> n8
n8 --> n13
n5 -.-> n9
n10 --> n13
n1 --> n2
n3 --> n9
n3 --> n10
n6 -.-> n9
n9 --> n13
n0 --> n1
n2 --> n3
n2 --> n4
n11 -.-> n10
n7 -.-> n8
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 n6,n8,n9,n10 ai
class n5,n7,n11 aiModel
class n12 database
class n3,n4 code
classDef customIcon fill:none,stroke:none
class n3,n4,n13 customIcon
Problemet: Amazon produktresearch skalar inte
Om du bara utvärderar en produkt i månaden är manuell research irriterande men hanterbar. Så fort du jämför tio alternativ för en kategorisida, ett prissättningstest eller en kundpitch blir det en tidstjuv. Du måste hämta titlar, specifikationer, nyckelfunktioner, pris och ibland annonsplaceringar, och sedan pressa in det i ett kalkylbladsformat som är tillräckligt konsekvent för att filtrera. Och det värsta är alla mentala kontextbyten: skrapa, klistra in, dubbelkolla, skriv om, repetera. Misstag smyger sig in utan att märkas, så du upptäcker dem senare när dina slutsatser redan är inbakade i en rapport.
Friktionen byggs på. Här är var det ofta fallerar i verkligt arbete.
- Du får formatera om varje rad eftersom Amazons sidor inte presenterar data konsekvent.
- Annonser och placeringar ignoreras eftersom det är bökigt att fånga dem manuellt, vilket gör att din ”analys” missar konkurrenssignaler.
- Två personer kan researcha samma produkt och ändå skriva olika anteckningar, vilket gör jämförelser subjektiva.
- Efter några produkter kommer tröttheten och små kopiera-klistra-in-fel smyger sig in i pris, modellnummer eller funktionslistor.
Lösningen: Decodo-skrapning + OpenAI-analys till Google Sheets
Det här arbetsflödet gör om en Amazon-produkt-URL till en strukturerad researchpost du faktiskt kan använda. Det börjar med att ta en produktlänk som du anger i n8n (eller skickar in via en trigger), sedan skrapar Decodo sidan för produktdetaljer och annonslistningar. Därefter parsar arbetsflödet den råa skrapningen till felfria fält, och skickar sedan fälten till OpenAI för att generera en berättande sammanfattning och insikter om konkurrenspositionering. Till sist slås allt ihop, grupperas och skrivs in i en rad i Google Sheets så att teamet har en konsekvent plats att följa produkter. Du slutar ”samla data” och börjar jämföra den.
Arbetsflödet startar när du kör det i n8n och anger en produkt-URL. Decodo hämtar sidinnehållet, kodnoder extraherar de delar du bryr dig om, och OpenAI gör om det till läsbar analys plus strukturerade fält. Google Sheets blir systemet för källdata.
Vad du får: automatisering kontra resultat
| Det här automatiserar arbetsflödet | Resultaten du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du utvärderar 20 Amazon-produkter för ett inlägg där du jämför en kategori. Manuellt kanske du lägger cirka 15 minuter per produkt på att hämta specifikationer, nyckelfunktioner och pris, plus ytterligare 10 minuter för att skriva en snabb sammanfattning, alltså ungefär 8 timmar totalt. Med det här arbetsflödet klistrar du in varje URL och låter det köra; även om du räknar med cirka 5 minuter per produkt för att köa, granska och bekräfta raden, hamnar du runt 2 timmar. Det är nästan en hel arbetsdag tillbaka, och kalkylbladet blir dessutom mer välstädat.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Decodo för att skrapa Amazons produktsidor.
- Google Sheets för att lagra och jämföra produktrader.
- OpenAI API-nyckel (hämtas i din OpenAI-dashboard).
Svårighetsgrad: Medel. Du kopplar in autentiseringsuppgifter, installerar en community-node för Decodo och ändrar ett indatafält (produkt-URL:en).
Vill du inte sätta upp det här själv? Prata med en automationsspecialist (gratis 15-minuters konsultation).
Så fungerar det
Du anger produkt-URL:en. Arbetsflödet startar från en manuell körning i n8n (vanligt för research) och använder en ”set input”-nod för att lagra Amazon-länken du vill analysera.
Decodo skrapar sidinnehållet. Decodos community-node hämtar produktdetaljer och annonsrelaterad data från sidan, vilket är den del som vanligtvis tar mest mänsklig tid och uppmärksamhet.
Den råa skrapningen struktureras upp och analyseras. Två parsningsteg separerar artikeldata från annonslistningar, och sedan genererar OpenAI en berättande sammanfattning och insikter om marknadspositionering. Ett extra AI-steg formaterar resultatet till strukturerade fält så att du inte fastnar med en textklump.
Google Sheets blir din researchdatabas. Arbetsflödet slår ihop analysströmmarna, grupperar dem till en slutlig payload och uppdaterar en rad i Google Sheets så att du snabbt kan sortera, filtrera och jämföra produkter.
Du kan enkelt ändra insiktsschemat för att lägga till till exempel sentiment, efterlevnadsanteckningar eller prisintervall utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera den manuella triggern
Konfigurera den manuella triggern och den initiala indata så att ni kan köra och validera arbetsflödet vid behov.
- Lägg till noden Manual Launch Start som din trigger.
- I Assign Input Parameters skapar ni fältet product_url med värdet
https://www.amazon.in/Sony-DualSense-Controller-Grey-PlayStation/dp/B0BQXZ11B8. - Koppla Manual Launch Start → Assign Input Parameters.
⚠️ Vanlig fallgrop: Noden Decodo Amazon Scrape använder {{$json.product_url}}. Om fältnamnet ändras kommer skrapningen att misslyckas.
Steg 2: anslut Decodo Amazon Scrape
Konfigurera Amazon-skraparen för att hämta produktdata och annonser för vidare analys.
- Lägg till noden Decodo Amazon Scrape och koppla den till Assign Input Parameters.
- Ställ in Operation på
amazon. - Ställ in URL på
{{ $json.product_url }}. - Autentiseringsuppgifter krävs: Anslut era decodoApi-autentiseringsuppgifter.
Decodo Amazon Scrape skickar utdata parallellt till både Parse Item Details och Parse Ad Listings.
Steg 3: konfigurera bearbetning och AI-analys
Parsa den skrapade datan och kör AI-modeller för att extrahera insikter, sammanfattningar och konkurrenspositionering.
- I Parse Item Details ställer ni in JavaScript Code till
return $input.first().json.results[0].content.results.product_details. - I Parse Ad Listings ställer ni in JavaScript Code till
return $input.first().json.results[0].content.results.ads. - Konfigurera Narrative Summary Generator med Text satt till
Provide me a descriptive summary of the following product details {{ $json.toJsonString() }}och Prompt Type satt tilldefine. - Konfigurera Market Position Review med Text satt till
Analyze the following product details and provide a competitive positioning summary {{ $json.toJsonString() }}och Input Schema satt till{ "type": "object", "properties": { "competitive_analysis": { "type": "string" } } }. - Konfigurera Product Insight Extractor med Schema Type satt till
manualoch Input Schema satt till{ "$schema": "http://json-schema.org/draft-07/schema#", "title": "Amazon Product Data Mining Schema", "type": "object", "properties": { "summary": { "type": "object", "properties": { "total_items": { "type": "integer" }, "unique_asins": { "type": "integer" }, "duplicated_asins_with_counts": { "type": "object", "additionalProperties": { "type": "integer" } }, "average_price": { "type": "number" }, "min_price": { "type": "number" }, "max_price": { "type": "number" }, "average_reviews": { "type": "number" } }, "required": [ "total_items", "unique_asins", "duplicated_asins_with_counts", "average_price", "min_price", "max_price", "average_reviews" ] }, "product_insights": { "type": "object", "properties": { "best_value_item": { "type": "object", "properties": { "asin": { "type": "string" }, "price": { "type": "number" }, "reviews": { "type": "integer" } }, "required": ["asin", "price", "reviews"] }, "most_reviewed_item": { "type": "object", "properties": { "asin": { "type": "string" }, "price": { "type": "number" }, "reviews": { "type": "integer" } }, "required": ["asin", "price", "reviews"] }, "price_distribution": { "type": "object", "properties": { "low_price": { "type": "number" }, "high_price": { "type": "number" } }, "required": ["low_price", "high_price"] }, "prime_eligibility_percentage": { "type": "string" }, "rating_insights": { "type": "string" } }, "required": [ "best_value_item", "most_reviewed_item", "price_distribution", "prime_eligibility_percentage", "rating_insights" ] }, "metadata": { "type": "object", "properties": { "type_distribution": { "type": "object", "additionalProperties": { "type": "integer" } }, "location_distribution": { "type": "object", "additionalProperties": { "type": "integer" } }, "image_quality_notes": { "type": "string" } }, "required": [ "type_distribution", "location_distribution", "image_quality_notes" ] }, "recommendations": { "type": "object", "properties": { "remove_duplicates": { "type": "string" }, "pricing_strategy": { "type": "string" }, "listing_quality_improvements": { "type": "string" } }, "required": [ "remove_duplicates", "pricing_strategy", "listing_quality_improvements" ] } }, "required": ["summary", "product_insights", "metadata", "recommendations"] }. - Autentiseringsuppgifter krävs: Anslut era openAiApi-autentiseringsuppgifter till OpenAI Chat Engine, OpenAI Product Mining Model och OpenAI Competition Model.
Parse Item Details skickar utdata parallellt till både Narrative Summary Generator och Market Position Review.
Påminnelse om autentiseringsuppgifter: Structured Result Parser är en undernod som är kopplad till Narrative Summary Generator. Lägg till autentiseringsuppgifter i OpenAI Chat Engine, inte i parsern.
Steg 4: konfigurera aggregering av utdata och uppdatering av Google Sheets
Slå ihop alla AI-utdata, aggregera dem och skriv den slutliga payloaden till ert kalkylark.
- Ställ in Combine Streams till Number Inputs
3för att ta emot de tre AI-utdata. - I Group Outputs lägger ni till Fields to Aggregate med Field to Aggregate satt till
output. - I Update Sheet Row ställer ni in Operation till
appendOrUpdate. - I Update Sheet Row mappar ni kolumnen output till
{{ $json.output.toJsonString() }}. - Ställ in Document ID till
[YOUR_ID]och Sheet Name tillgid=0(Sheet1). - Autentiseringsuppgifter krävs: Anslut era googleSheetsOAuth2Api-autentiseringsuppgifter.
Combine Streams slår ihop Narrative Summary Generator, Product Insight Extractor och Market Position Review innan Group Outputs skickar data till Update Sheet Row.
Steg 5: testa och aktivera ert arbetsflöde
Validera arbetsflödet från början till slut och aktivera det sedan för återkommande användning.
- Klicka på Execute Workflow från Manual Launch Start för att köra ett test.
- Bekräfta att Decodo Amazon Scrape returnerar data och att Combine Streams tar emot tre indata.
- Verifiera att Update Sheet Row lägger till eller uppdaterar kolumnen output med en JSON-sträng.
- Växla arbetsflödet till Active när testkörningen lyckas.
Vanliga fallgropar
- Decodo-inloggningar kan löpa ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera först status för autentiseringsuppgifter och API-gränser i din Decodo-dashboard.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om noder längre fram misslyckas på grund av tomma svar.
- Skrivningar till Google Sheets misslyckas ofta för att målbladet/fliken har ändrats eller att OAuth-behörigheten har dragits tillbaka. Öppna Google Sheets-inloggningen i n8n och autentisera igen om uppdateringar plötsligt slutar fungera.
Vanliga frågor
Cirka en timme om du redan har dina API-nycklar och ett Google-ark klart.
Nej. Du kopplar mest ihop konton och ändrar indata för produkt-URL:en. Parsningen och AI-stegen är redan inbyggda i arbetsflödet.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Molnplaner börjar på 20 USD/månad för högre volym. Du behöver också räkna med kostnader för OpenAI API (ofta några cent per produkt, beroende på promptstorlek).
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och klarar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, men då vill du ändra Decodo-skrapningsanropet så att det hämtar avsnitt för recensioner, FAQ eller frågor och svar (eller skrapa de sidorna separat), och sedan bygga ut ”Product Insight Extractor” och ”Structured Result Parser” för att ta med de nya fälten. Vanliga justeringar är att lägga till sentiment, hämta återkommande klagomål och separera ”specfakta” från ”åsiktssignaler”. Om du publicerar jämförelser är det också smart att lägga till ett ”bäst för”-fält i den berättande sammanfattningen.
Oftast beror det på en ogiltig eller utgången API-nyckel i dina Decodo-autentiseringsuppgifter i n8n. Det kan också vara rate limits, eller att Amazon-sidan returnerar en bot-kontroll som ändrar vad som skrapas, vilket i sin tur gör att parsningnoderna misslyckas eftersom förväntade fält saknas. Kontrollera först output från Decodo-noden och kör sedan arbetsflödet igen efter att du uppdaterat autentiseringsuppgiften.
Många, så länge du respekterar rate limits för skrapning och AI.
För det här användningsfallet är n8n oftast en bättre match eftersom du gör parsning i flera steg, slår ihop output och kör AI-transformeringar i samma arbetsflöde utan att betala extra för varje gren. Self-hosting är också en stor grej här eftersom arbetsflödet använder en Decodo community-node, och du kan vilja köra högre volym utan att oroa dig för task-prissättning. Zapier och Make är utmärkta för enklare, polerade app-till-app-automationer, men skrapning plus strukturerad AI-analys blir snabbt klumpigt där, helt ärligt. Om du vill ha hjälp att välja, prata med en automationsspecialist.
När det här väl rullar slutar produktresearch vara ett veckovis slit och börjar se ut som ett felfritt flöde. Du lägger tiden på att fatta beslut, inte på att bygga om samma kalkylbladsrad om och om igen.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.