Steg 2: anslut Google Drive

Dessa noder hittar och laddar ner rapportfilerna som används för optimeringsanalysen.

1. Öppna Retrieve Drive Files och ställ in Search Method på query.
2. Ställ in Folder-valet till er rapportmapp (gränssnittet visar ).
3. Inloggning krävs: anslut era googleDriveOAuth2Api-uppgifter i Retrieve Drive Files.
4. Öppna Download Drive File och ställ in File ID på ={{ $json.id }}.
5. Bekräfta att Binary Property Name är inställt på data i alternativen för Download Drive File.
6. Inloggning krävs: anslut era googleDriveOAuth2Api-uppgifter i Download Drive File.

Steg 3: konfigurera filparsning och normalisering

Den här delen märker upp varje fil, styr om XLSX- respektive CSV-format och normaliserar alla rapportdataset till ett enda JSON-objekt.

1. I Assign File Label ställer ni in fileName på ={{ $json.name }} och aktiverar Include Other Fields.
2. I Check XLSX Format ställer ni in villkoret så att det kontrollerar om leftValue är ={{ $json.name }} contains .xlsx.
3. Check XLSX Format skickar ut till både Parse XLSX Content och Parse CSV Content parallellt.
4. Ställ in Parse XLSX Content till Operation xlsx.
5. Ställ in Parse CSV Content Binary Property Name på =data.
6. I både Keep XLSX Label och Keep CSV Label ställer ni in fileName på ={{ $('Check XLSX Format').item.json.fileName }} och låter Include Other Fields vara aktiverat.
7. Anslut båda märkta utdata till Combine Sheet Inputs och skicka sedan vidare till Normalize Report Data.
8. Ställ in Normalize Report Data JavaScript Code till const result = {};\n\nfor (const item of items) {\n const fileName = item.json.fileName || item.json.name || 'unknown_file';\n const baseName = fileName\n .split('.')[0]\n .replace(/\\s+/g, '_')\n .toLowerCase()\n .replace(/\\s*\\(\\d+\\)$/, '')\n .replace(/_+$/, '')\n .trim();\n\n // regex → result key\n const map = [\n { key: 'search_terms', regex: /search_term/ },\n { key: 'campaigns', regex: /campaign/ },\n { key: 'targeting', regex: /targeting/ },\n { key: 'placement', regex: /placement/ },\n { key: 'budgets', regex: /budget/ },\n ];\n\n const entry = map.find(m => m.regex.test(baseName));\n const mappedKey = entry ? entry.key : null;\n\n console.log('fileName:', fileName);\n console.log('baseName:', baseName);\n console.log('mappedKey:', mappedKey);\n\n if (!mappedKey) {\n throw new Error(`${fileName} → ${baseName} → Unrecognized file name structure`);\n }\n result[mappedKey] = result[mappedKey] || [];\n result[mappedKey].push(item.json);\n}\n\nreturn [{ json: result }];\n\n\n\n.

Steg 4: konfigurera AI-granskning för optimering

Det här steget skickar det normaliserade datasetet till en språkmodell för optimeringsrekommendationer.

1. Öppna AI Optimization Review och ställ in Text på ={{JSON.stringify($json)}}.
2. Låt Prompt Type vara inställt på define och lämna det detaljerade instruktionsmeddelandet som det är.
3. Säkerställ att OpenAI Chat Engine är ansluten som språkmodell för AI Optimization Review.
4. Inloggning krävs: anslut era openAiApi-uppgifter i OpenAI Chat Engine (AI-uppgifter kopplas till modellnoden, inte till kedjan).

Steg 5: konfigurera sändning av optimeringsmejl

Den här noden formaterar AI-svaret till en rik HTML-rapport och mejlar den till er konfigurerade mottagare.

1. Öppna Send Optimization Email och ställ in Send To på ={{ $('Configure Email Settings').first().json.send_to }}.
2. Ställ in Subject på ={{ $('Configure Email Settings').first().json.subject }}.
3. Ställ in Message till det angivna uttrycket: ={{\n (() => {\n let raw = $node["AI Optimization Review"].json["text"];\n\n // 🔧 Remove triple backticks and optional "json" tag\n raw = raw.replace(/^```json\\s*/i, "").replace(/```$/, "").trim();\n\n let data;\n\n try {\n data = JSON.parse(raw);\n } catch (err) {\n return `

   ❌ Failed to parse AI output.
   ${err.message}

   `;\n }\n\n let msg = "

   Amazon Ads Optimization Instructions

   ";\n\n // Optional Summary Totals\n const totalSpend = (data.campaign_adjustments || []).reduce((sum, c) => sum + (c.projected_daily_spend_usd || 0), 0);\n const totalSales = (data.campaign_adjustments || []).reduce((sum, c) => sum + (c.projected_daily_sales_usd || 0), 0);\n msg += `

   Total Budget Increase Recommended:
   `;\n msg += `Estimated daily spend: $${totalSpend.toFixed(2)}
   `;\n msg += `Estimated daily sales: $${totalSales.toFixed(2)}

   `;\n\n // Campaign Adjustments\n msg += "

   Campaign Adjustments:

   ";\n (data.campaign_adjustments || []).forEach(c => {\n msg += `
   • ${c.campaign_name}
     `;\n if (c.default_bid_multiplier !== undefined) {\n const percent = Math.round((1 - c.default_bid_multiplier) * 100);\n msg += `
     • Default bid × ${c.default_bid_multiplier} (–${percent}%)
     `;\n }\n if (c.bid_adjustments) {\n msg += "
     • Bid adjustments:
       ";\n msg += `
       • Top of Search: ${c.bid_adjustments.top_of_search ?? 0}%
       `;\n msg += `
       • Rest of Search: ${c.bid_adjustments.rest_of_search ?? 0}%
       `;\n msg += `
       • Product pages: ${c.bid_adjustments.product_pages ?? 0}%
       `;\n msg += "
     ";\n }\n if (c.budget_change?.action !== "none") {\n msg += `
     • Budget: ${c.budget_change.action} by ${c.budget_change.percent}%
     `;\n }\n if (c.projected_daily_spend_usd && c.projected_daily_sales_usd) {\n msg += `
     • Est. daily spend: $${c.projected_daily_spend_usd.toFixed(2)}
     `;\n msg += `
     • Est. daily sales: $${c.projected_daily_sales_usd.toFixed(2)}
     `;\n if (c.estimated_acos_percent !== undefined) {\n msg += `
     • ACoS: ${c.estimated_acos_percent}%
     `;\n }\n if (c.estimated_roas_multiple !== undefined) {\n const color = c.estimated_roas_multiple < 1.0 ? 'red' : 'green';\n msg += `
     • ROAS: ${c.estimated_roas_multiple.toFixed(2)}x
     `;\n }\n }\n msg += "
   ";\n });\n msg += "
   ";\n\n // Keyword Recommendations\n if ((data.keyword_recommendations?.add_exact?.length || 0) > 0 ||\n (data.keyword_recommendations?.negative?.length || 0) > 0) {\n msg += "

   Keyword Recommendations:

   ";\n (data.keyword_recommendations.add_exact || []).forEach(k => {\n msg += `
   • Add exact: "${k.term}" in ${k.campaign_name} / ${k.ad_group_name} at $${k.suggested_bid}
   `;\n });\n (data.keyword_recommendations.negative || []).forEach(n => {\n if (typeof n === 'string') {\n msg += `
   • Negative: "${n}"
   `;\n } else {\n msg += `
   • Negative: "${n.term}" in ${n.campaign_name || 'Unspecified Campaign'}
   `;\n }\n });\n msg += "
   ";\n }\n\n // Targeting Recommendations\n if ((data.targeting_recommendations || []).length > 0) {\n msg += "

   Targeting Recommendations:

   ";\n data.targeting_recommendations.forEach(t => {\n const valueText = t.value ? ` by ${t.value}` : "";\n msg += `
   • ${t.target} in ${t.campaign_name} / ${t.ad_group_name}: ${t.action}${valueText}
   `;\n });\n msg += "
   ";\n }\n\n return msg;\n })()\n}}\n.
4. Inloggning krävs: anslut era gmailOAuth2-uppgifter i Send Optimization Email.

Steg 6: testa och aktivera ert arbetsflöde

Kör ett manuellt test för att verifiera parsning, AI-utdata och e-postleverans innan ni aktiverar i produktion.

1. Klicka på Execute Workflow för att köra Manual Run Trigger med ett live-test.
2. Verifiera att filer hämtas av Retrieve Drive Files och laddas ner av Download Drive File.
3. Bekräfta att Normalize Report Data outputar ett kombinerat JSON-objekt med nycklar som search_terms, campaigns och budgets.
4. Kontrollera att AI Optimization Review returnerar JSON och att Send Optimization Email levererar ett HTML-mejl till den konfigurerade mottagaren.
5. Slå om arbetsflödet till Active när det manuella testet lyckas.