Din retention-data ligger förmodligen ”någonstans i ett kalkylark”, och den veckovisa uppdateringen är troligen ”någons fredagsproblem”. Sedan blir det copy-paste-rapportering, otydliga slutsatser och en rekryteringsteam som skummar (eller ignorerar) det enda mejlet som faktiskt spelar roll.
HR-chefer märker det när ledningen frågar: ”Så vad har förändrats?” och det inte finns något felfritt svar. En rekryteringsansvarig fastnar i att översätta röriga anteckningar om egenskaper till något som går att agera på. Och grundare slutar med att ändra jobbannonser baserat på magkänsla. Den här retention digest-automationen gör din Google Sheets-data till ett mejl som folk faktiskt läser.
Nedan ser du exakt hur arbetsflödet hämtar kandidatposter, slår ihop dem med retentionstatistik på egenskapsnivå, poängsätter kandidater, genererar en polerad HTML-digest via Azure OpenAI och skickar den via Gmail.
Så fungerar den här automationen
Hela n8n-arbetsflödet, från trigger till slutligt resultat:
n8n Workflow Template: Google Sheets + Gmail: retention-sammanfattningar som läses
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:database", form: "rounded", label: "Candidate Data Fetch", pos: "b", h: 48 }
n2@{ icon: "mdi:database", form: "rounded", label: " Trait Summary Fetch ", 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/merge.svg' width='40' height='40' /></div><br/>Merge Candidate + Trait Data"]
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/>Candidate Scoring & Data Nor.."]
n5@{ icon: "mdi:swap-horizontal", form: "rounded", label: " Data Validation", pos: "b", h: 48 }
n6@{ icon: "mdi:database", form: "rounded", label: " Error Handling Logic", pos: "b", h: 48 }
n7@{ icon: "mdi:robot", form: "rounded", label: " Retention Digest Generator", pos: "b", h: 48 }
n8@{ icon: "mdi:brain", form: "rounded", label: " AI Processing Backend ", pos: "b", h: 48 }
n9@{ icon: "mdi:message-outline", form: "rounded", label: "Email Delivery", pos: "b", h: 48 }
n5 --> n7
n5 --> n6
n1 --> n3
n2 --> n3
n8 -.-> n7
n7 --> n9
n3 --> n4
n0 --> n1
n0 --> n2
n4 --> n5
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 n7 ai
class n8 aiModel
class n5 decision
class n1,n2,n6 database
class n4 code
classDef customIcon fill:none,stroke:none
class n3,n4 customIcon
Problemet: retention-insikter försvinner i kalkylarket
De flesta retention-rapporter misslyckas på ett tyst sätt. Datan finns, men den är uppdelad på flikar, uppdateras inkonsekvent och sammanfattas olika beroende på vem som skriver veckans mejl. Kandidatanteckningar ligger i ett ark. Utfallet per egenskap ligger i ett annat. ”Och vad betyder det?” finns i någons huvud. Sedan får en rekryterande chef en vägg av siffror, eller ett vagt stycke text, och besluten går direkt tillbaka till magkänsla. Under tiden gör du samma upprensning varje vecka och oroar dig ändå för att du missade något viktigt.
Det eskalerar snabbt. Här är var det brukar fallera i riktiga team.
- Veckovisa retention-uppdateringar tar cirka 2 timmar eftersom berättelsen måste byggas om från grunden varje gång.
- Retentionstatistik på egenskapsnivå kopplas inte naturligt till individuella kandidatutfall, så ”mönster” blir mest gissningar.
- Manuella sammanfattningar varierar i kvalitet, vilket gör att ledningen slutar lita på dem och slutar läsa dem.
- När något saknas i datan upptäcker du det sent, efter att mejlet gått ut eller inte skickats alls.
Lösningen: en poängsatt, AI-skriven retention-digest som skickas varje vecka
Det här arbetsflödet gör två Google Sheets till en konsekvent retention-berättelse, levererad som ett formaterat Gmail-HTML-mejl. Du börjar med kandidatnivåposter i ett ark för ”Hires Tracking” (namn, roll, egenskaper, startdatum, retention-status). I ett andra ark håller du en egenskapsnivå ”Retention Summary” (anställningar, stannade, slutade, retention-grad och eventuella viktjusteringar). När du kör arbetsflödet hämtar n8n båda dataset, slår ihop dem och normaliserar de röriga delarna så att poängsättningen blir rättvis och repeterbar. Sedan genererar Azure OpenAI (gpt-4o-mini) en strukturerad Retention Digest: en TL;DR, topp-egenskaper, svaga egenskaper, kandidat-highlights med poäng samt tips för att förfina jobbannonsen. Till sist skickar Gmail den till dina rekryterande chefer med en tydlig ämnesrad, så att den inte försvinner i inkorgen.
Arbetsflödet börjar med en manuell trigger (så att du styr när digesten körs). Det hämtar kandidater och egenskapsstatistik från Google Sheets, beräknar ett Candidate_Score, validerar att båda dataset finns och först därefter genererar det HTML-digesten via Azure OpenAI. Om något saknas loggar det problemet i ett Error Log-ark i stället för att i tysthet skicka ett trasigt mejl.
Det du får: automation vs. resultat
| Det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du går igenom 25 anställningar varje vecka och att du underhåller 15 egenskapsmått i en separat sammanfattningsflik. Manuellt är det vanligt att lägga cirka 3 minuter per anställning på att rensa egenskaper och status, plus ytterligare 30 minuter på att bygga ett mejl som går att läsa. Det är ungefär 2 timmar, och ”insikten” beror fortfarande på vem som skrev den. Med det här arbetsflödet triggar du körningen på under en minut, poängsättningen och AI-genereringen blir vanligtvis klar på några minuter, och HTML-digesten landar i Gmail redo att vidarebefordras. Du får samma output, varje vecka, utan att bygga om den.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Self-hosting-alternativ om du föredrar det (Hostinger fungerar bra)
- Google Sheets för att lagra anställningar, egenskaper och felloggar.
- Gmail för att leverera retention-digesten till chefer.
- Azure OpenAI API-åtkomst (skaffas via Azure AI Foundry / Azure Portal)
Kunskapsnivå: Medel. Du kopplar in inloggningar, säkerställer att arkkolumner matchar förväntningarna och justerar en eller två prompts/fält för din organisation.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (kostnadsfri 15-minuters konsultation).
Så fungerar det
Manuell körning startar veckans digest. Du triggar arbetsflödet när du är redo, vilket är praktiskt om dina ark uppdateras vid olika tider olika dagar.
Google Sheets-data hämtas från två källor. n8n hämtar kandidatposter från ditt Hires Tracking-ark och retentionstatistik på egenskapsnivå från ditt Retention Summary-ark.
Poängsättning och upprensning sker innan AI rör något. Ett kodsteg standardiserar fält, bygger en egenskap-till-vikt-karta och beräknar Candidate_Score så att digesten baseras på samma logik vid varje körning.
Validering skyddar ditt rykte i inkorgen. Om obligatoriska dataset saknas skriver arbetsflödet en post till ett Error Log-ark i stället för att skicka ett halvtomt mejl. Om datan är okej genererar Azure OpenAI en strukturerad HTML-digest och Gmail levererar den med den veckovisa ämnesraden.
Du kan enkelt justera poängvikterna för att spegla dina rekryteringsprioriteringar, eller anpassa digest-sektionerna till hur dina chefer helst vill granska retention.
Steg-för-steg-guide för implementering
Steg 1: konfigurera den manuella triggern
Det här arbetsflödet startar manuellt och förgrenas direkt för att hämta två datamängder parallellt.
- Lägg till och öppna Manual Run Trigger för att bekräfta att den är arbetsflödets startpunkt.
- Koppla Manual Run Trigger så att den skickar utdata till både Fetch Candidate Records och Retrieve Trait Summary parallellt.
Steg 2: anslut Google Sheets
Både datainmatningarna och felloggen bygger på Google Sheets. Konfigurera varje källblad med exakt de dokument- och blad-ID:n som visas.
- Öppna Fetch Candidate Records och ställ in Document till
[YOUR_ID]och Sheet tillRetention Summary). - I Fetch Candidate Records, ställ in Credential Required: Anslut era googleSheetsOAuth2Api-autentiseringsuppgifter.
- Öppna Retrieve Trait Summary och ställ in Document till
[YOUR_ID]och Sheet tillHires Tracking. - I Retrieve Trait Summary, ställ in Credential Required: Anslut era googleSheetsOAuth2Api-autentiseringsuppgifter.
- Öppna Log Processing Errors och ställ in Operation till
append, Document till[YOUR_ID], och Sheet tillerror log sheet. - I Log Processing Errors, ställ in Credential Required: Anslut era googleSheetsOAuth2Api-autentiseringsuppgifter.
Trait, Retention_% och Candidate (inklusive varianter med mellanslag).Steg 3: konfigurera datamatchning och poängsättning
Slå ihop båda bladen till en ström och normalisera samt beräkna kandidatpoäng i kod.
- Koppla Fetch Candidate Records och Retrieve Trait Summary till Combine Candidate Traits så att båda datamängderna slås ihop.
- Öppna Normalize & Score Candidates och behåll den förifyllda JavaScript Code som den är för att normalisera data och beräkna
Candidate_Score. - Bekräfta att Normalize & Score Candidates skickar ut ett enda item med arrayerna
candidatesochtraits.
Steg 4: konfigurera validering och AI-generering av sammanfattning
Datamängden valideras innan AI:n genererar HTML-sammanfattningen för retention.
- Öppna Validate Dataset Contents och säkerställ att båda villkoren är större-än-kontroller:
{{ $json.candidates.length }}>0och{{ $json.traits.length }}>0. - Öppna Generate Retention Digest och ställ in Text till prompten som innehåller
{{ JSON.stringify($json, null, 2) }}och kraven för HTML-formatering. - I Azure AI Chat Engine, ställ in Model till
gpt-4o-mini. - Credential Required: Anslut era azureOpenAiApi-autentiseringsuppgifter i Azure AI Chat Engine.
Steg 5: konfigurera leverans av utgående e-post
HTML-sammanfattningen skickas via Gmail med AI-utdata.
- Öppna Send Digest Email och ställ in To till
[YOUR_EMAIL]. - Ställ in Message till
Weekly Update. - Ställ in Subject till
=Retention Analysis Digest - Weekly Update. - Ställ in HTML Message till
={{ $json.text }}och aktivera Include HTML. - Credential Required: Anslut era gmailOAuth2-autentiseringsuppgifter.
Steg 6: lägg till felhantering
När valideringen misslyckas loggar arbetsflödet felet till ett Google Sheet.
- Bekräfta att false-utgången från Validate Dataset Contents är kopplad till Log Processing Errors.
- I Log Processing Errors, säkerställ att kolumnerna inkluderar
error_idocherrorför append-operationen.
Steg 7: testa och aktivera ert arbetsflöde
Kör ett manuellt test för att bekräfta att parallell datahämtning, AI-generering av sammanfattning och e-postleverans lyckas.
- Klicka på Execute Workflow och verifiera att Manual Run Trigger startar både Fetch Candidate Records och Retrieve Trait Summary parallellt.
- Kontrollera att Normalize & Score Candidates skickar ut ett enda item med ifyllda
candidates- ochtraits-arrayer. - Bekräfta att Generate Retention Digest returnerar HTML-text och att Send Digest Email levererar meddelandet.
- Om valideringen misslyckas, bekräfta att Log Processing Errors tar emot en ny rad.
- När ni är redo för produktion, växla arbetsflödet till Active.
Vanliga fallgropar
- Google Sheets-inloggningar kan löpa ut eller sakna åtkomst till ett specifikt kalkylark. Om körningar plötsligt misslyckas, kontrollera Google-anslutningen i n8n-inloggningarna och bekräfta att arket är delat med rätt Google-konto.
- Azure OpenAI-deployments är petiga med modell-/deploymentsnamn. Om AI-steget ger fel, verifiera deploymentsnamnet i dina Azure OpenAI-inloggningsinställningar och bekräfta att regionen stödjer din valda modell.
- Gmail kan avvisa HTML som ser bra ut i en webbläsare men som skapar fel i e-postklienter. Om formateringen ser fel ut, förenkla HTML-stilarna i prompten och undvik tung CSS, eftersom Gmail tar bort mycket av den.
Vanliga frågor
Cirka en timme om dina Google Sheets redan är organiserade.
Nej. Du kopplar konton och mappar några fält i Google Sheets. Poängsättningslogiken är redan paketerad i arbetsflödet.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna in Azure OpenAI-användning, som vanligtvis är låg för en veckodigest.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärt och hanterar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, men håll det enkelt i början. Du kan justera egenskapsvikterna och Candidate_Score-reglerna i kodsteget “Normalize & Score Candidates”, och sedan uppdatera prompten som används i steget “Generate Retention Digest” så att mejlet förklarar poängen på det sätt ditt team förväntar sig. Vanliga justeringar är att ändra vilka egenskaper som räknas som ”topp” vs ”svaga”, lägga till en sektion per roll och stoppa in dina egna språkriktlinjer för jobbannonsen så att tipsen matchar din rekryteringsstil.
Oftast är det en utgången Google-auktorisering eller att arket inte är delat med det anslutna kontot. Återanslut Google Sheets i n8n och bekräfta sedan att kalkylarks-ID:t och fliknamnen fortfarande stämmer. Kontrollera också att arbetsflödet kan läsa alla obligatoriska kolumner, eftersom saknade rubriker kan se ut som ett inloggningsproblem.
Hundratals per körning fungerar bra i de flesta upplägg.
Ofta, ja, om du bryr dig om poängsättning, validering och robust felhantering. Det här arbetsflödet har flera grenar (validera vs logga fel), ett riktigt poängsteg och ett strukturerat AI-output, och n8n hanterar den komplexiteten utan att göra det till en dyr kedja av ”tasks”. Zapier eller Make kan gå snabbare för ett enkelt ”ark till mejl”-flöde, men när du vill ha sammanslagning, normalisering och en repeterbar poängmodell blir det snabbt pilligt. n8n ger dig också ett self-host-alternativ, vilket spelar roll om du kör mycket intern rapportering. Om du är osäker, prata med en automationsexpert så sanity-checkar vi ditt use case.
När det här väl rullar slutar retention-rapportering vara ett veckovis stresspåslag och blir en pålitlig signal. Ärligt talat är det den konsekvensen som gör att mejlet blir läst.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.