Att läsa varje Jotform-svar låter enkelt tills du har 40 som väntar, hälften är otydliga och de “brådskande” gömmer sig mitt framför ögonen på dig. Då fastnar du i att skumma igenom, gissa sentiment och manuellt klistra in citat i ett kalkylark.
Den här sentiment trends automation slår hårt mot marknadschefer under kampanjgenomgångar, men kundupplevelseansvariga och driftteam som städar upp feedbackloopar känner av det också. Du får ett Google-kalkylark som uppdaterar sig självt med sentiment, ämnen, nyckelord och en lättläst sammanfattning för varje inskick.
Nu får du se hur arbetsflödet förvandlar råtext till strukturerade insikter, vart datan tar vägen och vad du kan justera för att det ska matcha hur ditt team faktiskt jobbar.
Så fungerar den här automatiseringen
Här är hela arbetsflödet du kommer att sätta upp:
n8n Workflow Template: Jotform till Google Sheets, sentimenttrender klara
flowchart LR
subgraph sg0["JotForm Flow"]
direction LR
n0@{ icon: "mdi:brain", form: "rounded", label: "Google Gemini Chat Model", pos: "b", h: 48 }
n1@{ icon: "mdi:robot", form: "rounded", label: "Sentiment Analyzer", pos: "b", h: 48 }
n2@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser", pos: "b", h: 48 }
n3@{ icon: "mdi:database", form: "rounded", label: "Append or update row in sheet", 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/>Format the Form Data"]
n5@{ icon: "mdi:robot", form: "rounded", label: "Topics & Keywords", pos: "b", h: 48 }
n6@{ icon: "mdi:brain", form: "rounded", label: "Google Gemini Chat Model for..", pos: "b", h: 48 }
n7@{ icon: "mdi:robot", form: "rounded", label: "Structured Output Parser for..", pos: "b", h: 48 }
n8["<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/jotform.dark.svg' width='40' height='40' /></div><br/>JotForm Trigger"]
n9["<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"]
n10@{ icon: "mdi:cog", form: "rounded", label: "Aggregate", pos: "b", h: 48 }
n9 --> n10
n10 --> n3
n8 --> n4
n5 --> n9
n1 --> n9
n4 --> n1
n4 --> n5
n0 -.-> n1
n2 -.-> n1
n7 -.-> n5
n6 -.-> 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 n8 trigger
class n1,n2,n5,n7 ai
class n0,n6 aiModel
class n3 database
class n4 code
classDef customIcon fill:none,stroke:none
class n4,n8,n9 customIcon
Varför det här spelar roll: feedbacken staplas snabbare än du hinner analysera
Kvalitativ feedback är guld. Den är också rörig. Jotform gör det enkelt att samla in åsikter, men hjälper dig inte att snabbt svara på grundfrågor som “Är folk nöjda?” eller “Vilka teman återkommer?”. Då blir analysen en återkommande brandövning: någon exporterar inskick, någon annan läser dem och en tredje person försöker göra fri text till något som går att visualisera. Även när du får det gjort är det redan lite inaktuellt. Ärligt talat är det värsta den mentala belastningen av att läsa samma typ av klagomål för tionde gången och fortfarande inte veta om det är ett enskilt problem eller en trend.
Det växer snabbt. Här är var det faller isär.
- Att skumma råa svar varje morgon stjäl ungefär en timme som borde gå till riktiga beslut.
- Sentimentbedömningar varierar mellan personer, vilket gör att din “veckosammanfattning” aldrig blir konsekvent.
- Ämnen och nyckelord hamnar i någons anteckningar i stället för i er rapporteringssheet, så trendspaning blir gissningslek.
- När ett svar med hög prioritet kommer in kan det ligga oupptäckt tills nästa manuella genomgång.
Det du bygger: Jotform-feedback → AI-insikter → Google Sheets
Det här arbetsflödet lyssnar på varje ny Jotform-inlämning och gör den direkt till en strukturerad insiktspost. Först fångar n8n inlämningen och formaterar om rå Jotform-JSON till strukturerad, lättläst text som en AI-modell kan förstå. Sedan körs två separata AI-pass: ett som extraherar huvudämnen, nyckelordskluster och en kort temasammanfattning; ett annat som bedömer sentiment (positivt, neutralt eller negativt), plockar ut nyckelfraser och sätter en grundläggande prioritet. De två utdataresultaten slås ihop till ett dataset, aggregeras till prydliga fält och skrivs in i Google Sheets så att teamet kan filtrera, sortera och se mönster utan manuell taggning. Om du vill ha ett sekundärt lager för lagring kan samma resultat även sparas i en n8n DataTable för senare återanvändning.
Arbetsflödet startar i samma ögonblick som någon klickar på “Submit” i Jotform. AI gör svaret till två strukturerade JSON-block (ämnen/nyckelord och sentiment/sammanfattning). Till sist får Google Sheets en ny rad med båda blocken, redo för rapportering och trendgenomgångar.
Det du bygger
| Det som automatiseras | Det du uppnår |
|---|---|
|
|
Förväntade resultat
Säg att du får 30 Jotform-inlämningar i veckan och att du normalt lägger kanske 3 minuter på att läsa och tagga varje, plus ytterligare 30 minuter på att uppdatera ett Google-kalkylark. Det är cirka 2 timmar i veckan bara för att skapa “något som går att sortera”. Med det här arbetsflödet loggas inlämningar automatiskt. Du granskar dem fortfarande, men i ett ark med förifyllt sentiment, ämnen och nyckelord, vilket brukar göra det där veckovisa adminblocket till en snabb genomgång och ett par filter.
Innan du börjar
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Jotform för att samla in enkätsvar eller feedback.
- Google Sheets för att lagra och granska insikterna.
- Åtkomst till Google Gemini API (lägg in autentiseringsuppgifter i n8n).
Kunskapsnivå: Nybörjare. Du kopplar konton, klistrar in en webhook-URL i Jotform och testar ett inskick från början till slut.
Vill du att någon bygger detta åt dig? Prata med en automationsexpert (gratis 15-minuters konsultation).
Steg för steg
En ny Jotform-inlämning kommer in. Arbetsflödet triggas direkt från ditt formulär och fångar fält som namn, e-post och den viktigaste feedbacktexten.
Svaret rensas upp för analys. Ett litet formateringssteg gör Jotforms nästlade JSON till en läsbar sträng, så att AI:n inte missar sammanhang eller blandar ihop fält.
AI skapar två typer av insikter. En kedja extraherar ämnen, nyckelord och temasammanfattningar. En annan bedömer sentiment och tar fram en kort sammanfattning med nyckelfraser och en enkel prioritetsmärkning.
Allt slås ihop och sparas i Google Sheets. Arbetsflödet kombinerar båda utdata och skriver in dem i ditt ark som strukturerade fält, så att du kan filtrera på sentiment, söka efter återkommande nyckelord eller bygga en snabb dashboard senare.
Du kan enkelt justera promptarna och utdatakolumnerna så att det matchar er ton, era produktkategorier eller hur ni rapporterar insikter internt. Se den fullständiga implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera Jotform-triggern
Konfigurera arbetsflödet så att det lyssnar efter nya Jotform-inskick som skickas vidare till analyskedjan.
- Lägg till och öppna Jotform Intake Trigger.
- Ställ in Form på
[YOUR_ID]för att peka på ert Jotform-formulär. - Inloggningsuppgifter krävs: Anslut era
jotFormApi-inloggningsuppgifter.
Steg 2: Anslut Google Sheets
Lagra de aggregerade resultaten från AI-analysen i ert Google-kalkylark för uppföljning och rapportering.
- Öppna Update Sheet Record.
- Ställ in Operation på
appendOrUpdate. - Ställ in Document på
[YOUR_ID]och Sheet pågid=[YOUR_ID]. - I Columns, mappa feedback_analysis till
={{ $json.output.toJsonString() }}och topics_keywords till={{ $json.output[0].toJsonString() }}. - Inloggningsuppgifter krävs: Anslut era
googleSheetsOAuth2Api-inloggningsuppgifter.
Steg 3: Konfigurera dataförberedelse
Konvertera Jotform-inskicket till en strukturerad payload som AI-kedjorna kan konsumera.
- Öppna Prepare Submission Payload.
- Klistra in JavaScript Code exakt enligt följande:
const outputString = JSON.stringify($input.first().json, null, 2);
return [
{
json: {
body: outputString
}
}
];- Bekräfta att körflödet är Jotform Intake Trigger → Prepare Submission Payload.
Steg 4: Konfigurera AI-analys för sentiment och ämnen
Konfigurera två AI-analysströmmar som körs parallellt: sentimentgranskning och ämnesextrahering.
- Öppna Sentiment Review Chain och ställ in Text på
=Perform sentiment analysis of the following {{ $json.body }}. - Öppna Topic Keyword Extractor och ställ in Text på
=Perform sentiment analysis of the following {{ $json.body }}. - Bekräfta att Prepare Submission Payload skickar output till både Sentiment Review Chain och Topic Keyword Extractor parallellt.
- Öppna Gemini Chat Engine och verifiera att Model är
models/gemini-2.0-flash-exp. - Öppna Gemini Topic Model och verifiera att Model är
models/gemini-2.0-flash-exp. - Inloggningsuppgifter krävs: Anslut era
googlePalmApi-inloggningsuppgifter på Gemini Chat Engine och Gemini Topic Model. - Säkerställ att Sentiment Output Parser och Topic Output Parser är anslutna som output-parsers; lägg till inloggningsuppgifter på överordnade noder (Gemini-modellnoderna), inte på parser-noderna.
Steg 5: Konfigurera aggregering och slutlig output
Slå ihop parallella AI-outputs och aggregera dem till en enda payload innan de lagras i Google Sheets.
- Bekräfta att både Sentiment Review Chain och Topic Keyword Extractor är anslutna till Combine Analysis Streams.
- Öppna Aggregate Results och säkerställ att Fields to Aggregate inkluderar
output. - Verifiera körflödet: Combine Analysis Streams → Aggregate Results → Update Sheet Record.
output-fält så att Aggregate Results kan samla in det.Steg 6: Testa och aktivera ert arbetsflöde
Validera flödet end-to-end och aktivera det sedan för produktion.
- Klicka på Test workflow och skicka in ett exempel i Jotform för att trigga Jotform Intake Trigger.
- Kontrollera att Prepare Submission Payload skapar ett
body-fält och att båda AI-grenarna körs parallellt. - Bekräfta att Update Sheet Record lägger till eller uppdaterar en rad med värden för feedback_analysis och topics_keywords.
- När allt fungerar, växla arbetsflödet till Active för kontinuerlig bearbetning.
Felsökningstips
- Google Sheets-autentisering kan löpa ut eller kräva specifika behörigheter. Om det skapar fel, kontrollera Google-kopplingen i n8n:s autentiseringsuppgifter och bekräfta att målarket är delat med det kontot.
- Om du använder Wait-noder eller extern rendering varierar processtiderna. Öka väntetiden om nedströmsnoder misslyckas på grund av tomma svar.
- Standardpromptar i AI-noder är generiska. Lägg in ert varumärkesspråk tidigt, annars kommer du att redigera utdata för alltid.
Snabba svar
Cirka 30 minuter om dina Jotform- och Google-konton är redo.
Nej. Du kommer mestadels att koppla konton och klistra in en webhook-URL i Jotform.
Ja. n8n har ett gratis alternativ för self-hosting och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volymer. Du behöver också räkna in kostnader för AI-modellen från Google Gemini baserat på användning.
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, och det bör du göra. Den snabbaste vinsten är att uppdatera promptarna i kedjan för ämne/nyckelords-extrahering och kedjan för sentimentgranskning så att de speglar era produktkategorier och vad “brådskande” betyder för er. Du kan också utöka schemat i parsern för strukturerad utdata för att lägga till fält som “rekommenderad åtgärd”, “teamägare” eller “föreslagen bloggtitel” och sedan skriva de extra fälten till nya kolumner i Google Sheets.
Oftast är det ett OAuth-behörighetsproblem eller att arket inte är delat med Google-kontot som är kopplat till dina n8n-autentiseringsuppgifter. Anslut Google Sheets på nytt i n8n och dubbelkolla sedan att kalkylarket och fliken fortfarande finns (namnbyten kan bryta mappningar). Om du skriver till ett skyddat område kommer Sheets att neka uppdateringen utan ett särskilt tydligt fel.
En typisk uppsättning kan hantera hundratals inskick per dag så länge du inte slår i din AI-leverantörs begränsningar och Google Sheets kvoter.
För det här arbetsflödet är n8n ett bättre val när du vill ha strukturerad AI-utdata, förgreningar och logik för att “slå ihop två AI-resultat till en rad” utan att ständigt krocka med planbegränsningar. Du får också möjlighet att self-hosta, vilket spelar roll när du bearbetar många svar. Zapier eller Make kan fortfarande fungera om du håller det enkelt, men AI-tolkning i flera steg blir ofta klumpigt. Om teamet behöver att insikterna routas till olika ställen (e-post för negativa, en dashboard för neutrala, en veckovis sammanställning till ledningen) är n8n:s flexibilitet den stora fördelen. Prata med en automationsexpert om du är osäker på vad som passar.
När det här väl rullar blir ditt Google-kalkylark er källa till sanning för feedback, inte en dumpningsyta. Arbetsflödet sköter den repetitiva sorteringen så att du kan fokusera på vad ni ska ändra härnäst.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.