Att stå utan en viktig ingrediens känns hemskt. Det gör även att slänga mat för att du ”tog det säkra före det osäkra” och beställde för mycket. Oftast handlar problemet inte om brist på insats. Det handlar om att siffrorna bor i ett kalkylark, besluten bor i någons huvud och att vardagsruschen lämnar noll tid att koppla ihop allt.
Den här automatiseringen för Sheets Gmail forecasts slår hårdast mot restaurangoperatörer, men kökschefer och ägare med flera enheter känner av den också. Du får en daglig efterfrågeprognos och rekommenderade beställningsmängder, skrivna på tydlig svenska, levererade automatiskt till inkorgar.
Nedan ser du hur flödet omvandlar historik i Google Sheets till en AI-stödd prognos, loggar den för uppföljning och skickar en Gmail-sammanfattning som teamet faktiskt läser.
Så fungerar den här automatiseringen
Se hur detta löser problemet:
n8n Workflow Template: Google Sheets till Gmail, smartare restaurangprognoser
flowchart LR
subgraph sg0["Scheduled Daily Start Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "Scheduled Daily Start", pos: "b", h: 48 }
n1@{ icon: "mdi:database", form: "rounded", label: "Retrieve Past Sales Records", pos: "b", h: 48 }
n2["<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/>Prepare Data for Forecast"]
n3@{ icon: "mdi:robot", form: "rounded", label: "Generate AI Forecast", pos: "b", h: 48 }
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/>Normalize AI Result"]
n5@{ icon: "mdi:database", form: "rounded", label: "Append Forecast to Sheet", pos: "b", h: 48 }
n6@{ icon: "mdi:robot", form: "rounded", label: "Compose Forecast Email", pos: "b", h: 48 }
n7@{ icon: "mdi:message-outline", form: "rounded", label: "Dispatch Forecast Email", pos: "b", h: 48 }
n8@{ icon: "mdi:brain", form: "rounded", label: "Gemini Chat Model", pos: "b", h: 48 }
n9@{ icon: "mdi:wrench", form: "rounded", label: "Reasoning Tool", pos: "b", h: 48 }
n10@{ icon: "mdi:brain", form: "rounded", label: "Gemini Query Model", pos: "b", h: 48 }
n11@{ icon: "mdi:wrench", form: "rounded", label: "Thought Tool", pos: "b", h: 48 }
n9 -.-> n3
n8 -.-> n3
n0 --> n1
n11 -.-> n6
n10 -.-> n6
n6 --> n7
n3 --> n4
n4 --> n5
n1 --> n2
n5 --> n6
n2 --> n3
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 n3,n6 ai
class n8,n10 aiModel
class n9,n11 ai
class n1,n5 database
class n2,n4 code
classDef customIcon fill:none,stroke:none
class n2,n4 customIcon
Utmaningen: att prognostisera efterfrågan utan att bo i kalkylark
Om du prognostiserar från minnet (eller förra veckans magkänsla) gissar du i praktiken med dyra råvaror. Försäljningsmönster ändras med väder, säsong, evenemang och till och med när en medarbetare är ledig en dag. Datan finns där, men den är utspridd över flikar, med inkonsekventa inmatningar och halvfärdiga anteckningar som aldrig når den som beställer. Sedan gör du om det i morgon. Och nästa dag. Det är tröttsamt, och det är ärligt talat lätt att börja tvivla på sina egna siffror.
Det blir snabbt dyrt. Här är var det brukar fallera i riktiga kök.
- Du lägger ungefär en timme på att plocka ut gårdagens försäljning och svinn till något du kan fatta beslut utifrån.
- Små misstag i datainmatning staplas på varandra, vilket gör att du beställer för mycket ”för säkerhets skull”.
- Prognoser delas inte konsekvent, så prepp och beställningar hamnar ur synk.
- Du kan inte enkelt jämföra prognos mot utfall över tid, så processen blir aldrig bättre.
Lösningen: daglig AI-prognostisering från Google Sheets, mejlad via Gmail
Det här n8n-flödet körs enligt ett dagligt schema och gör dina befintliga Google Sheets till en prognosmotor. Det börjar med att hämta historiska poster (försäljning, förbrukning och svinn) från arket, och sedan rensar och strukturerar det datan så att en AI-modell kan tolka den tillförlitligt. Därefter skapar en AI-agent (med en Gemini-chattmodell i flödet) efterfrågeprognoser per artikel, rekommenderade beställningskvantiteter och enkla noteringar om svinnrisk. Resultatet normaliseras till ett konsekvent format, läggs till i ett Google Sheet med ”Predicted Food Data” för uppföljning och sammanfattas sedan i ett kort mejl som personalen kan läsa på under en minut. Till sist skickar Gmail prognosrapporten till dem som behöver den.
Flödet startar med en schemalagd daglig trigger. Google Sheets ger historisk kontext, AI skapar prognosen och mejltexten, och Gmail levererar den. Du får två resultat samtidigt: en loggad prognoshistorik i Sheets och ett dagligt, beslutsredo meddelande i inkorgen.
Vad som förändras: före vs. efter
| Detta tar bort | Effekt du märker |
|---|---|
|
|
Effekt i verkligheten
Säg att din ansvariga lägger cirka 45 minuter varje morgon på att plocka ut gårdagens försäljning, kontrollera svinnanteckningar och ta fram en beställningsrekommendation. Det är ungefär 4 timmar i veckan. Med det här flödet består ”jobbet” av att lägga in korrekt formaterad data i Google Sheets som ni redan gör, och sedan vänta på den schemalagda körningen; mejlet landar automatiskt och prognosen loggas åt dig. Vanligtvis lägger du kanske 5 minuter på att granska och fatta slutbeslutet, så du får tillbaka runt 3 timmar per vecka samtidigt som beställningarna blir mer konsekventa.
Krav
- n8n-instans (prova n8n Cloud gratis)
- Självhosting-alternativ om du föredrar det (Hostinger fungerar bra)
- Google Sheets för försäljning, svinn och lagring av prognoser
- Gmail för att mejla den dagliga prognossammanfattningen
- Gemini API-nyckel (hämta den från Google AI Studio)
Kunskapsnivå: Medel. Du kopplar Google-konton, skapar två ark med rätt kolumner och klistrar in en API-nyckel.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (kostnadsfri 15-minuters konsultation).
Flödet i korthet
Daglig schemalagd körning. Vid samma tid varje dag triggar n8n automatiseringen så att du inte är beroende av att någon kommer ihåg.
Försäljnings- och svinndata hämtas från Google Sheets. Flödet hämtar tidigare poster och formaterar om dem till en rensad struktur så att AI:n inte behöver ”gissa” vad varje kolumn betyder.
AI skapar prognos och rekommendationer. En Gemini-stödd AI-agent förutspår efterfrågan per artikel, föreslår rekommenderade beställningskvantiteter och flaggar svinnrisk med korta optimeringsnoteringar. Ett kort ”tänk”-verktyg i flödet hjälper till att hålla output konsekvent, särskilt när arket blir rörigt.
Resultat loggas och mejlas. Prognosen läggs till i ditt prognosark i Google Sheets, och därefter tar en separat AI-agent fram en lättläst sammanfattning och Gmail skickar den till personal och ledning.
Du kan enkelt justera prognosprompten för att fokusera på högkostnadsartiklar, nyckelkategorier (proteiner, grönsaker) eller lokala säsongssvängningar utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera schematriggern
Ställ in arbetsflödet så att det körs automatiskt varje dag och startar datahämtningen.
- Lägg till noden Scheduled Daily Start som din trigger.
- Ställ in schemaregeln så att den körs dagligen vid Trigger At Hour
22(som visas i noden). - Koppla Scheduled Daily Start till Retrieve Past Sales Records.
Steg 2: anslut Google Sheets
Hämta historisk försäljningsdata och skriv tillbaka prognosen till ert kalkylark.
- Öppna Retrieve Past Sales Records och välj kalkylarket genom att ställa in Document ID till
[YOUR_ID]och Sheet Name till[YOUR_ID]. - Ställ in Authentication till
serviceAccount. - Inloggningsuppgifter krävs: Anslut era
googleApi-inloggningsuppgifter i Retrieve Past Sales Records. - Öppna Append Forecast to Sheet och ställ in Operation till
append. - Ställ in Document ID till
[YOUR_ID]och Sheet Name till[YOUR_ID]i Append Forecast to Sheet. - Inloggningsuppgifter krävs: Anslut era
googleApi-inloggningsuppgifter i Append Forecast to Sheet.
predicted Use (kg)) kommer append-steget att misslyckas.Steg 3: sätt upp dataförberedelse
Paketera de råa raderna från arket till en enda payload för AI-agenten.
- I Prepare Data for Forecast behåller ni JavaScript Code som buntar alla rader till
{ data: { rows: [...] } }. - Säkerställ att Retrieve Past Sales Records skickar utdata till Prepare Data for Forecast.
- Bekräfta att utdata är ett enda item med
json.dataså att det matchar AI-inmatningen.
Steg 4: konfigurera AI-prognostisering
Generera efterfrågeprognosen med AI-agenten och Gemini-modeller.
- Öppna Generate AI Forecast och ställ in Text till
{{ $json.data }}. - Behåll den detaljerade prognos-System Message i Generate AI Forecast för att säkerställa utdata som JSON-array.
- Koppla Gemini Chat Model som språkmodell för Generate AI Forecast.
- Inloggningsuppgifter krävs: Anslut era
googlePalmApi-inloggningsuppgifter i Gemini Chat Model. - Koppla Reasoning Tool till Generate AI Forecast för strukturerat resonemang.
Steg 5: normalisera och lagra prognosutdata
Rensa AI-utdata till rader och lägg till dem i ert prognosark.
- I Normalize AI Result behåller ni parsningslogiken som tar bort code fences och tolkar JSON-arrayen.
- Koppla Generate AI Forecast till Normalize AI Result och koppla sedan vidare till Append Forecast to Sheet.
- Verifiera att kolumnerna i Append Forecast to Sheet matchar:
Date,Dish,predicted Sales,Raw Material,predicted Use (kg),predicted food waste reduce (kg).
Steg 6: skapa och skicka prognosmejlet
Skapa en lättläst sammanfattning via e-post och skicka den till intressenter.
- Öppna Compose Forecast Email och ställ in Text till
{{ $('Generate AI Forecast').item.json.output }}. - Koppla Gemini Query Model som språkmodell för Compose Forecast Email.
- Inloggningsuppgifter krävs: Anslut era
googlePalmApi-inloggningsuppgifter i Gemini Query Model. - Koppla Thought Tool till Compose Forecast Email för strukturerat utkastande.
- I Dispatch Forecast Email ställer ni in Send To till
[YOUR_EMAIL], Subject tillNext monday predictionoch Message till{{ $json.output }}. - Inloggningsuppgifter krävs: Anslut era
gmailOAuth2-inloggningsuppgifter i Dispatch Forecast Email.
Steg 7: testa och aktivera ert arbetsflöde
Validera prognosutdata och aktivera dagliga körningar.
- Klicka på Execute Workflow för att köra ett manuellt test från Scheduled Daily Start.
- Kontrollera att Append Forecast to Sheet skapar nya rader i prognosarket.
- Verifiera att Dispatch Forecast Email skickar ett meddelande och att innehållet matchar AI-sammanfattningen.
- När resultaten ser korrekta ut växlar ni arbetsflödet till Active för dagliga produktionskörningar.
Saker att se upp med
- Åtkomst till Google Sheets kan fallera om det anslutna Google-kontot tappar behörighet till kalkylarket. Om flödet plötsligt returnerar tomma rader, kontrollera först n8n-credential för Google Sheets och filens delningsinställningar.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om efterföljande noder fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera output för alltid.
Vanliga frågor
Cirka en timme om dina Sheets redan är uppsatta.
Ja. Du kommer mest koppla Google-konton och klistra in en AI API-nyckel.
Ja. n8n har ett gratis självhostat alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också räkna med Gemini API-användning, vilket vanligtvis är måttligt för ett dagligt prognosmejl.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller självhosting på en VPS. För självhosting är Hostinger VPS prisvärd och hanterar n8n bra. Självhosting ger dig obegränsade körningar men kräver grundläggande serveradministration.
Börja med agentprompten i ”Generate AI Forecast”, eftersom det är där du talar om för modellen vad som är viktigt i ditt kök (högkostnadsartiklar, miniminivåer, helgtoppar, catering vid event). Om du vill att mejlet ska vara kortare eller mer operativt, justera agentprompten i ”Compose Forecast Email” för att ändra ton och format. Många team justerar också steget ”Normalize AI Result” så att output-kolumnerna matchar deras exakta rubriker i arket. Och om du spårar väder eller lokala event någon annanstans kan du ta in det innan prognosen med en HTTP Request-nod och skicka in det i AI-prompten.
Oftast handlar det om en utgången Google-auktorisering eller att fel Gmail-konto är anslutet i n8n. Anslut om Gmail-credential, bekräfta avsändaradressen och kör sedan en testkörning igen för att se om det är ett behörighets- eller kvotproblem.
För en enhet som skickar ett dagligt prognosmejl är kapacitet i praktiken inget problem.
Ofta ja, eftersom det här flödet gynnas av datatransformering i flera steg, strukturerad tolkning och två separata AI-moment för ”utkast” (prognosgenerering och sedan mejlkomposition). n8n hanterar förgreningar och anpassade kodsteg utan att göra det till ett prissättningspussel, och självhosting ger dig spelrum när du lägger till fler enheter. Zapier eller Make kan fungera om du bara vill ha en enkel ”ny rad → skicka mejl”-automatisering, men prognostisering är sällan så enkelt. Om dina Sheets är röriga eller du vill ha bättre kontroll över prompter och formatering är n8n ett säkrare val. Prata med en automationsexpert om du vill ha en snabb rekommendation utifrån din setup.
När detta väl är igång blir prognostisering en daglig rutin utan dagligt strul. Flödet sköter den repetitiva kontrollen och sammanfattningen så att du kan lägga tiden på beslut, inte på kopiera och klistra in.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.