Behöver ert företag hjälp med att implementera AI? Kontakta oss och få prisoffert här →
AI Skolan
januari 22, 2026

Google Sheets + Azure OpenAI: snabba feedbackinsikter

Rickard Andersson Partner, Nodenordic.se

Din feedback trillar in. Bra. Problemet är vad som händer sen: den hamnar i ett Google Sheet som en rörig textvägg, och det viktiga upptäcks sent (eller inte alls).

Produktchefer märker det när en ”snabbskanning” blir en timme. Customer success-team märker det när varningssignaler om churn gömmer sig i klartext. Och om du driver ett småföretag gör den här feedback insights automation att du slipper gissa vad kunderna faktiskt vill ha.

Det här arbetsflödet bevakar ny feedback i Google Sheets, kör analys i Azure OpenAI och skriver tillbaka strukturerade insikter som du kan sortera, filtrera och agera på. Du får se hur det fungerar, vad du behöver och var team oftast fastnar.

Så här fungerar automatiseringen

Här är hela arbetsflödet du kommer att sätta upp:

n8n Workflow Template: Google Sheets + Azure OpenAI: snabba feedbackinsikter

Varför det här spelar roll: rå feedback är värdelös tills den är strukturerad

En enda kundkommentar kan innehålla tre olika signaler: känsla (”jag är frustrerad”), avsikt (”jag behöver en funktion”) och brådska (”jag säger upp nästa vecka”). När det landar som ostrukturerad text i ett kalkylark tolkas det olika beroende på vem som läser. Då får du inkonsekvent taggning, missade churn-risker och ”vi borde titta på det här”-notiser som aldrig blir ett beslut. Det värsta är den mentala belastningen. Någon måste vara mänsklig router för varje meddelande, varje dag, och det stjäl i det tysta tid från det som faktiskt driver jobbet framåt.

Det bygger upp snabbt. Här är var det oftast faller isär.

  • Någon skummar rader manuellt, vilket gör att brådskande klagomål kan vänta i dagar.
  • Olika personer märker samma feedback på olika sätt, så rapportering blir en diskussion i stället för insikt.
  • Att poängsätta leads eller konton på ”magkänsla” gör uppföljningen ojämn och svår att skala.
  • Även när du ser ett mönster måste du fortfarande skriva om det till något delbart för Slack, sälj eller ledning.

Det du bygger: en feedback-pipeline som poängsätter, taggar och sammanfattar

Det här n8n-arbetsflödet gör varje ny feedbackrad i Google Sheets till strukturerad, beslutsredo data. Det startar i samma ögonblick som en ny rad läggs till (tänk formulärsvar, onboarding-enkäter, NPS-kommentarer, apprecensioner du klistrar in, och så vidare). Därefter använder en AI Agent en Azure OpenAI-chatmodell för att analysera texten och returnera ett strukturerat resultat i JSON-stil: avsikt (beröm, klagomål, förslag), sentiment (positivt, neutralt, negativt, blandat), en poäng från 1–10 och en kort sammanfattning du kan läsa på några sekunder. Ett litet parsningssteg extraherar sedan fälten på ett säkert sätt, så att ditt ark aldrig fylls med röriga, ofiltrerbara textklumpar. Till sist skriver arbetsflödet det berikade resultatet till ett ”insikter”-ark, fortfarande kopplat till kundens ursprungsdata.

Arbetsflödet börjar med en Google Sheets-trigger, så det kör i realtid utan att någon behöver klicka på något. Azure OpenAI gör det tunga tänkandet i mitten. Sedan parsas resultaten och sparas tillbaka i Google Sheets, redo för dashboards, CRM-importer eller snabb triage.

Det du bygger

Förväntade resultat

Säg att du får 30 feedbackposter per dag. Om någon lägger kanske 3 minuter på att läsa, tagga, poängsätta och skriva om varje post, blir det ungefär 90 minuter om dagen. Med det här arbetsflödet lägger du i princip noll tid på första genomgången: arket triggar direkt, AI-analysen blir normalt klar på under en minut per post, och ditt ”insikter”-ark är redan sorteringsbart. Det är ungefär en timme tillbaka varje dag, plus färre ”vi missade det där klagomålet”-överraskningar.

Innan du börjar

  • n8n-instans (testa n8n Cloud gratis)
  • Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
  • Google Sheets för källsvar och målark
  • Azure OpenAI för att poängsätta, tagga och sammanfatta feedback
  • Azure OpenAI API-inloggningsuppgifter (skapa i Azure AI Studio / Azure Portal)

Kunskapsnivå: Nybörjare. Du kopplar konton, mappar några fält och klistrar in dina modell-/deploymentsinställningar.

Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).

Steg för steg

En ny rad hamnar i ditt Google Sheet. Google Sheets-triggern (”Sheets Intake Trigger”) bevakar din svarflik och triggar så fort en ny feedbackpost läggs till.

Feedbacken analyseras med Azure OpenAI. n8n skickar den råa kommentaren (och eventuell hjälpsam kontext du vill ta med, som plan, företagsstorlek eller livscykelstadium) till en AI Agent kopplad till Azure Chat Model. Agenten returnerar strukturerat utdata: avsikt, sentiment, en poäng 1–10 och en kort sammanfattning.

Arbetsflödet strukturerar AI-utdata innan det sparas. En Code-nod (”Parse AI Output”) extraherar fälten du bryr dig om och normaliserar dem, så att du får konsekventa kolumner i stället för oförutsägbar formatering.

Ditt insiktsark uppdateras automatiskt. Sista noden skriver den berikade posten till ditt målark i Google Sheets (”Update Leads Sheet”) och behåller kunddetaljer kopplade till de nya insikterna.

Du kan enkelt ändra poängsättningsreglerna eller avsiktskategorierna så att de matchar hur ditt team tänker. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.

Steg-för-steg-guide för implementering

Steg 1: Konfigurera Google Sheets-triggern

Konfigurera arbetsflödet så att det bevakar nya inskickade produktrecensioner i Google Sheets.

  1. Lägg till och öppna Sheets Intake Trigger.
  2. Autentisering krävs: Anslut era googleSheetsTriggerOAuth2Api-uppgifter.
  3. Ställ in Document till kalkylarket med namnet Product Review form (Responses).
  4. Ställ in Sheet till Form Responses 1.
  5. Bekräfta att polling-schemat är inställt på Every Minute.

Tips: Säkerställ att arket innehåller kolumnerna Timestamp, Name, Email, Contact Number och Review of the product så att efterföljande noder kan mappa fälten korrekt.

Steg 2: Anslut Google Sheets

Förbered utdataarket där analyserad recensionsdata ska läggas till eller uppdateras.

  1. Lägg till och öppna Update Leads Sheet.
  2. Autentisering krävs: Anslut era googleSheetsOAuth2Api-uppgifter.
  3. Ställ in Document till Updated product review.
  4. Ställ in Sheet till Sheet1.
  5. Ställ in Operation till appendOrUpdate.
  6. Mappa kolumnvärdena exakt som visas:
    • Name={{ $json.Name }}
    • Email={{ $json.Email }}
    • Score={{ $json.score }}
    • Intent={{ $json.intent }}
    • Summary={{ $json.summary }}
    • Sentiment={{ $json.sentiment }}
    • Timestamp={{ $json.Timestamp }}
    • Contact Number={{ $json["Contact Number"] }}
    • Review of the product={{ $json["Review of the product"] }}

⚠️ Vanlig fallgrop: Om målarket inte har matchande kolumnrubriker kommer Update Leads Sheet inte att mappa korrekt. Säkerställ att rubrikraden matchar fältnamnen exakt.

Steg 3: Konfigurera AI-analys av recensioner

Konfigurera AI-agenten så att den tolkar varje recensions intention, sentiment, poäng och sammanfattning.

  1. Lägg till och öppna Review Analysis Agent.
  2. Ställ in Text till =Here is the customer review data: {{ $json["Review of the product"] }}.
  3. Ställ in Prompt Type till Define.
  4. I System Message klistrar ni in exakt instruktionsblocket från noden och avslutar med: Do not add extra commentary outside the JSON.
  5. Öppna Azure Chat Model Link och ställ in Model till gpt-4o-mini.
  6. Autentisering krävs: Anslut era azureOpenAiApi-uppgifter i Azure Chat Model Link.

Tips: Azure Chat Model Link är språkmodellen som är kopplad till Review Analysis Agent. Lägg till Azure OpenAI-uppgifterna i Azure Chat Model Link, inte i agentnoden.

Steg 4: Tolka AI-utdata och förbered fält för arket

Omvandla AI-utdata till rena JSON-fält och slå ihop den ursprungliga arkdatan.

  1. Lägg till och öppna Parse AI Output.
  2. Klistra in den tillhandahållna JavaScript-koden i Code exakt som den är, inklusive JSON-tolkningen och tilldelningarna av arkfälten.
  3. Verifiera att den refererar till Sheets Intake Trigger med $('Sheets Intake Trigger').first().json för att slå ihop originalvärden.
  4. Bekräfta att skriptet tar bort output och det temporära myNewField innan items returneras.

⚠️ Vanlig fallgrop: AI-utdata måste vara giltig JSON. Om modellen returnerar extra text kommer JSON.parse(item.json.output) att misslyckas. Håll systemmeddelandet strikt för att undvika utdata som inte är JSON.

Steg 5: Testa och aktivera ert arbetsflöde

Validera hela processen från början till slut och slå på automatiseringen.

  1. Klicka på Execute Workflow och lägg till en ny rad i källarket för att trigga Sheets Intake Trigger.
  2. Bekräfta att Review Analysis Agent returnerar JSON-utdata och att Parse AI Output skapar fält som intent, sentiment, score och summary.
  3. Verifiera att Update Leads Sheet lägger till eller uppdaterar en rad i Updated product review med alla mappade kolumner.
  4. När allt ser korrekt ut växlar ni arbetsflödet till Active för användning i produktion.
🔒

Lås upp fullständig steg-för-steg-guide

Få den kompletta implementeringsguiden + nedladdningsbar mall

Felsökningstips

  • Åtkomst till Google Sheets kan fallera om du har bytt ägare på kalkylarket eller flyttat det till en delad enhet. Om det skapar fel, kontrollera Google Sheets-inloggningsuppgiften i n8n igen och bekräfta att filen fortfarande är åtkomlig för det Google-kontot.
  • Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om noder längre ned misslyckas på grund av tomma svar.
  • Svar från Azure OpenAI kan se ”korrekta” ut men ändå vara svåra att parsa om prompten är vag. Låt agenten returnera strikt JSON (och ange dina exakta tillåtna värden), annars kommer du att städa utdata för alltid.

Snabba svar

Hur lång tid tar det att sätta upp den här feedback insights automation?

Cirka 30 minuter om dina ark och Azure OpenAI-åtkomst är klara.

Krävs det kodning för den här feedback insights automation?

Nej. Du kopplar främst konton och mappar kolumnerna du vill skriva tillbaka till.

Är n8n gratis att använda för det här feedback insights automation-arbetsflödet?

Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volymer. Du behöver också räkna in Azure OpenAI-användning, vilket oftast är några cent per analys beroende på modell och promptstorlek.

Var kan jag hosta n8n för att köra den här automatiseringen?

Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och klarar n8n bra. Egen drift ger obegränsade körningar men kräver grundläggande serverhantering.

Kan jag anpassa det här feedback insights automation-arbetsflödet för andra användningsfall?

Ja, och det bör du. De flesta anpassar prompten till Review Analysis Agent (avsiktskategorier, poängsättningsregler och sammanfattningsstil) och justerar sedan Parse AI Output-koden så att den matchar de fälten. Du kan också ändra Google Sheets-triggern så att den bevakar en annan flik, eller skriva resultat till ett CRM-vänligt exportark med exakt de kolumnnamn som dina verktyg förväntar sig.

Varför misslyckas min Google Sheets-anslutning i det här arbetsflödet?

Oftast handlar det om behörigheter. Google-kontot som är kopplat i n8n måste ha åtkomst till exakt det kalkylarket, och delade enheter är en vanlig fallgrop. Om det tidigare fungerade, autentisera om Google Sheets-inloggningsuppgiften och bekräfta att kalkylarks-ID samt ark-/fliknamn inte har ändrats.

Vilken volym kan det här feedback insights automation-arbetsflödet hantera?

På en typisk n8n Cloud-plan kan du köra tusentals körningar per månad, och vid egen drift finns inget fast tak (det beror på din server). I praktiken kan de flesta team hantera från några dussin till ett par hundra feedbackposter per dag utan att ens tänka på det. Om du börjar batcha tusentals på en gång, håll koll på Azure OpenAI:s rate limits och lägg in enkel throttling.

Är den här feedback insights automation bättre än att använda Zapier eller Make?

Ofta, ja. n8n är enklare att anpassa när du bryr dig om strukturerat AI-utdata, parsning, förgreningsregler och att ha allt samlat, eftersom du kan ändra logiken utan att betala extra för varje ”avancerat” steg. Egen drift spelar också roll om du vill ha förutsägbara kostnader vid högre volymer. Zapier eller Make kan fortfarande fungera bra för lättare varianter av detta, särskilt om du bara taggar en rad och går vidare. Om ditt arbetsflöde kräver strikt JSON, retries och mer kontroll över felhantering är n8n oftast det lugnare valet. Prata med en automationsexpert om du är osäker på vad som passar.

När det här väl rullar slutar ditt kalkylark att vara förvaring och börjar bli en signal. Du får tydligare prioritering, snabbare uppföljning och färre missade varningar.

Kontakta oss

Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.

×

Använd mall

Få direkt tillgång till denna n8n-arbetsflödes JSON-fil

Få prisoffert redan idag!
Få prisoffert redan idag!

Berätta vad ni behöver hjälp med så hör vi av oss inom en arbetsdag!

Få prisoffert redan idag!
Få prisoffert redan idag!

Berätta vad ni behöver hjälp med så hör vi av oss inom en arbetsdag!

Launch login modal Launch register modal