Steg 2: Normalisera lead-input och kör fit-scoring

Normalisera formulärdatan och poängsätt leadets person- och företagsfit parallellt.

1. I Normalize Input Fields mappar ni fälten med uttryck: full_name till ={{ $json['First Name'] }} {{ $json['Last Name'] }}, email till ={{ $json['Email Address'] }} och company_url till ={{ $json['Company Website'] }}.
2. Konfigurera Evaluate Person Fit med Method POST och URL https://api-d7b62b.stack.tryrelevance.com/latest/studios/[YOUR_ID]/trigger_webhook.
3. Ställ in body-parametrar i Evaluate Person Fit: full_name till ={{ $('Normalize Input Fields').item.json.full_name }}, email till ={{ $('Normalize Input Fields').item.json.email }} och lead_role till ={{ $('Inbound Form Trigger').item.json['Job title'] }}.
4. Konfigurera Evaluate Company Fit med samma Method och URL, och ställ sedan in company_url till ={{ $('Normalize Input Fields').item.json.company_url }}.
5. Inloggning krävs: Anslut era httpHeaderAuth-uppgifter i både Evaluate Person Fit och Evaluate Company Fit.

Normalize Input Fields skickar output till både Evaluate Person Fit och Evaluate Company Fit parallellt.

Steg 3: Sammanfatta poäng med LLM och parsa JSON

Kombinera scoring-output och skapa en strukturerad JSON-sammanfattning med AI-kedjan och parsern.

1. I Combine Scoring Data ställer ni in Mode på combine och Combine By på combineByPosition.
2. I Score Summary Generator ställer ni in Text på =## HERE'S THE DATA- ### 1. Individual Lead Data: ``` {{ JSON.stringify($('Evaluate Person Fit').item.json.output) }} ``` ### 2. Company Data (Company the lead works for): ``` {{ JSON.stringify($('Evaluate Company Fit').item.json.output) }} ```.
3. Anslut Gemini Language Model som språkmodell för Score Summary Generator. Inloggning krävs: Anslut era googlePalmApi-uppgifter i Gemini Language Model.
4. Behåll koden i Parse Structured JSON som den är för att säkert parsa JSON från LLM-output.

Steg 4: Mappa lead-attribut och routa lead-nivåer

Mappa strukturerade fält till ett CRM-anpassat format och förgrena efter lead-nivå.

1. I Map Lead Attributes mappar ni nyckelfält med uttryck som label till ={{ $('Parse Structured JSON').item.json.label }} och Lead_Name till ={{ $('Parse Structured JSON').item.json.contact_details.name }}.
2. Ställ in Lead_job-title till ={{ $('Parse Structured JSON').item.json.contact_details.job_title }} ({{ $('Parse Structured JSON').item.json.contact_details.seniority_level }}) för tydlighet.
3. Konfigurera reglerna i Route by Lead Tier för att kontrollera ={{ $json.label }} och routa till output hot, warm och cold.

Parse Structured JSON skickar output till både Map Lead Attributes och Route by Lead Tier parallellt.

Map Lead Attributes skickar output till både Sync CRM Sheet och Merge Lead and Draft parallellt.

Steg 5: Konfigurera AI-baserad e-postutkastning per lead-nivå

Skapa e-post för hot-, warm- och cold-leads med LLM-kedjor och en parser för strukturerad output.

1. För Hot Lead Email Craft, Warm Lead Email Craft och Cold Lead Email Craft ställer ni in Text på =Here's the Lead Data- ``` {{ $('Score Summary Generator').item.json.text }} ``` och låter Has Output Parser vara aktiverat.
2. Anslut Primary LLM Engine som språkmodell till alla tre e-postnoderna. Inloggning krävs: Anslut era openRouterApi-uppgifter i Primary LLM Engine.
3. Säkerställ att Structured Email Parser är ansluten som output parser för alla tre e-postnoderna. Lägg till inloggningsuppgifter i den överordnade LLM-noden, inte i parsern.

Steg 6: Konfigurera e-post-, Slack- och CRM-output

Leverera e-postutkast, skicka outreach, notifiera Slack och synka lead-poster till Google Sheets.

1. I Generate Draft Message ställer ni in Resource på draft, Subject till ={{ $json.output.subject }} och Message till ={{ $json.output.body }}. Inloggning krävs: Anslut era gmailOAuth2-uppgifter.
2. I Dispatch Outreach Email ställer ni in Send To till ={{ $json.output.To }}, Subject till ={{ $json.output.subject }} och Message till ={{ $json.output.body }}. Inloggning krävs: Anslut era gmailOAuth2-uppgifter.
3. I Alert Team Channel ställer ni in Text till den medföljande mallen och väljer er Slack-kanal. Inloggning krävs: Anslut era slackApi-uppgifter.
4. I Sync CRM Sheet ställer ni in Operation på appendOrUpdate, väljer ert Document och Sheet, och behåller kolumnmappningar som Email ={{ $json.Lead_email }} och Company URL ={{ $json.Company_Website }}. Inloggning krävs: Anslut era googleSheetsOAuth2Api-uppgifter.

Generate Draft Message går vidare till Merge Lead and Draft, som sedan skickar till Alert Team Channel för granskning av hot leads.

Steg 7: Testa och aktivera ert arbetsflöde

Kör en fullständig testinlämning för att validera poängsättning, routing och utgående åtgärder innan ni går live.

1. Klicka på Execute Workflow och skicka in Inbound Form Trigger med exempeldata för ett lead.
2. Bekräfta att både Evaluate Person Fit och Evaluate Company Fit returnerar resultat och att Score Summary Generator skickar giltig JSON till Parse Structured JSON.
3. Verifiera att Route by Lead Tier skickar till rätt e-postnod och att utkast eller e-post skapas via Generate Draft Message eller Dispatch Outreach Email.
4. Kontrollera att Sync CRM Sheet uppdaterar ert Google Sheet och att Alert Team Channel postar ett Slack-meddelande för hot leads.
5. När testningen lyckas, växla arbetsflödet till Active för att ta emot skarpa inskick.