Du sätter dig äntligen för att förstå vad kunderna säger, och det slutar med fem flikar, röriga exporter, dubbla recensioner och en “snabb” analys som på något sätt slukar hela eftermiddagen. Det värsta är den gnagande känslan: missade du den där enda klagomålsrecensionen som förklarar varför churnen plötsligt stack iväg?
Produktchefer känner igen det när ledningen vill ha en uppdatering som är redo för ledningsgruppen redan i morgon. En marknadsansvarig som försöker vässa positioneringen känner det också. Samma sak gäller customer success managers som behöver upptäcka risker innan förnyelser. Med automatisering för sentimentrapporter för recensioner slutar du klistra ihop skärmdumpar och börjar skicka en strukturerad sammanfattning som folk faktiskt läser.
Det här n8n-flödet hämtar recensioner från de största plattformarna, kör en samlad GPT-4.1-sentimentanalys och mejlar sedan en snygg HTML-rapport via Gmail. Du får se vad det gör, vad du behöver och hur det sparar riktiga timmar varje vecka.
Så fungerar automatiseringen
Hela n8n-flödet, från trigger till slutresultat:
n8n Workflow Template: Thordata + Gmail: sentimentsrapporter för ledning
flowchart LR
subgraph sg0["Manual Flow"]
direction LR
n0["<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/>Universal Safe Parser"]
n1["<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/>URL Builder"]
n2@{ icon: "mdi:play-circle", form: "rounded", label: "Manual Trigger", 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/code.svg' width='40' height='40' /></div><br/>Prepare Review Sources"]
n4@{ icon: "mdi:swap-vertical", form: "rounded", label: "Initialize Pagination", pos: "b", h: 48 }
n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Loop Through Sources (Rate L..", pos: "b", h: 48 }
n6["<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/httprequest.dark.svg' width='40' height='40' /></div><br/>Scrape Page (Robust) via Tho.."]
n7@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Has More Pages?", pos: "b", h: 48 }
n8@{ icon: "mdi:swap-vertical", form: "rounded", label: "Increment Page Counter", pos: "b", h: 48 }
n9@{ icon: "mdi:cog", form: "rounded", label: "Rate Limit Delay (2s)", pos: "b", h: 48 }
n10["<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/>Deduplicate & Summarize All .."]
n11["<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 AI Analysis"]
n12@{ icon: "mdi:robot", form: "rounded", label: "AI Review Sentiment Analysis", pos: "b", h: 48 }
n13["<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/webhook.dark.svg' width='40' height='40' /></div><br/>Return Final Results"]
n14["<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/webhook.dark.svg' width='40' height='40' /></div><br/>Webhook Trigger"]
n15["<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/form.svg' width='40' height='40' /></div><br/>Form Trigger – Submit Sources"]
n16["<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/>Render Elegant Email Template"]
n17@{ icon: "mdi:message-outline", form: "rounded", label: "Send Executive Summary Email", pos: "b", h: 48 }
n1 --> n6
n2 --> n3
n7 --> n8
n7 --> n5
n14 --> n3
n4 --> n1
n9 --> n1
n0 --> n7
n8 --> n9
n3 --> n5
n12 --> n16
n11 --> n13
n11 --> n12
n16 --> n17
n15 --> n3
n10 --> n11
n6 --> n0
n5 --> n10
n5 --> n4
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 n2,n15 trigger
class n12 ai
class n7 decision
class n6,n13,n14 api
class n0,n1,n3,n10,n11,n16 code
classDef customIcon fill:none,stroke:none
class n0,n1,n3,n6,n10,n11,n13,n14,n15,n16 customIcon
Problemet: Recensionsdata är utspridd och lätt att misstolka
Recensioner finns överallt, men din tid gör det inte. Trustpilot säger en sak, Capterra något annat, och Product Hunt har en helt annan vibe. När du försöker få ihop helheten manuellt blir processen snabbt brusig: dubbletter mellan plattformar, inkonsekventa betygsskalor och en massa “edge case”-kommentarer som är svåra att kategorisera. Du slutar med att göra samma steg varje månad och presenterar sedan en skakig sammanfattning, eftersom det inte är realistiskt att läsa hundratals recensioner i en sittning.
Det drar snabbt iväg. Här är var det faller isär.
- Du lägger cirka 10 minuter per plattform bara på att hitta, filtrera och exportera recensioner, och det är innan analysen ens börjar.
- Dubbletter smyger in från återpublicerade recensioner, syndikering och överlapp i scraping, vilket i det tysta snedvrider de teman du rapporterar.
- Ledningen vill ha “största risker och nästa steg”, men dina anteckningar ser ut som ett lapptäcke av citat och magkänslor.
- När du väl är klar är insikterna redan inaktuella, så teamet fortsätter leverera utan att stänga feedbackloopen.
Lösningen: En körning hämtar, avduplicerar, analyserar och mejlar rapporten
Det här flödet förvandlar recensionskaos till en enda sammanfattning för ledningen som du kan vidarebefordra som den är. Det börjar med en enkel input: produkt-URL:er som du skickar in via ett formulär, en webhook, Telegram eller helt enkelt via inbyggda standardvärden. Därifrån sköter Thordata Cloudflare-säker scraping och paginering över fem stora recensionskällor (Trustpilot, Capterra, Chrome Web Store, TrustRadius och Product Hunt). Varje sida parsas till ett konsekvent format, dubbletter tas bort med deterministiska ID:n och den rensade datamängden paketeras för analys.
Därefter läser GPT-4.1 recensionerna samlat, inte som isolerade enstaka fall, vilket innebär att du får verkliga mönster i stället för en hög med minisammanfattningar. Till sist bygger flödet ett responsivt HTML-mejl med sentimentsymboler, nyckeltal, churn-risksignaler, kritiska problem och konkreta rekommendationer, och skickar det direkt via Gmail.
Det här får du: Automatisering vs. resultat
| Vad det här flödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: Så här ser det ut
Säg att du behöver en veckovis genomgång av recensioner över fem plattformar. Manuellt är det lätt att lägga cirka 20 minuter per plattform på att samla in och rensa, plus ytterligare 2 timmar på att skumma igenom och sammanfatta, alltså ungefär 4 timmar totalt. Med det här flödet klistrar du in dina produkt-URL:er en gång (kanske 5 minuter), låter det köra medan det scrapar och paginerar (ofta 10–20 minuter beroende på volym), och rapporten landar i Gmail redo att vidarebefordras. Det är ungefär 3 timmar tillbaka, varje vecka, med färre “missade vi något?”-ögonblick.
Det du behöver
- n8n-instans (prova n8n Cloud gratis)
- Self-hosting-alternativ om du föredrar det (Hostinger fungerar bra)
- Thordata för att hämta recensioner via scraping över plattformar
- Gmail för att skicka HTML-rapporten för ledningen
- OpenAI API-nyckel (hämta den i OpenAI-plattformens dashboard)
Kunskapsnivå: Nybörjare. Du kopplar in credentials, bekräftar standardkällorna och kör en testkörning.
Vill du inte sätta upp detta själv? Prata med en automatiseringsexpert (gratis 15-minuterskonsultation).
Så fungerar det
En trigger sätter igång. Du kan köra manuellt, skicka in URL:er via en webhook eller samla in källor via ett enkelt intagsformulär. Om du inte gör något alls kan det till och med testa med Thordatas egna recensionssidor, vilket är smidigt för att snabbt verifiera att din setup fungerar.
Recensionskällor byggs upp och bearbetas i batchar. Flödet sammanställer plattforms-URL:er, itererar säkert och startar pagineringen. En inbyggd paus hjälper till att hålla anropen säkra mot rate limiting, så körningen inte kraschar halvvägs.
Scraping och normalisering sker automatiskt. Thordata hämtar varje sida, och sedan konverterar en universell parser varje plattforms layout till en enda strukturerad struktur. Därefter tar avduplicering bort upprepningar så att analysen inte snedvrids av kopior av samma recension.
AI skapar en sammanfattning för ledningen och mejlet levererar den. GPT-4.1 analyserar hela datamängden tillsammans, och flödet bygger en responsiv HTML-rapport med teman, risker och rekommenderade nästa åtgärder. Gmail skickar den till din inkorg (eller en intressentlista) så att det blir en återkommande rapporteringsrutin, inte en engångsinsats i panik.
Du kan enkelt ändra standardkällorna för recensioner så att de täcker konkurrenter eller en annan produktlinje utifrån dina behov. Se hela implementationsguiden nedan för alternativ för anpassning.
Steg-för-steg-guide för implementation
Steg 1: konfigurera triggertyp
Det här arbetsflödet kan triggas manuellt, via en webhook eller genom en formulärinlämning. Konfigurera respektive trigger utifrån hur ni vill starta pipelinen.
- Öppna Manual Execution Start om ni vill köra tester direkt i n8n med standardvärden.
- Konfigurera Incoming Webhook Trigger med Path satt till
c35353c9-a0e5-4f0a-86a4-cc5466bd83fdoch HTTP Method satt tillPOST. - Ställ in Response Mode till
responseNodei Incoming Webhook Trigger så att svaret hanteras av Return Webhook Output. - Öppna Form Intake Sources och bekräfta att Path är
sources, Form Title ärSubmit Product Review Sourcesoch att platshållarna matchar era produktinmatningar.
Steg 2: koppla ihop uppbyggnad av recensionskällor och loop-kontroller
I det här steget sätts URL:er för recensionskällor ihop, de itereras säkert och paginering initieras för skrapning över flera sidor.
- Öppna Assemble Review Sources och bekräfta standardproduktvärdena, särskilt
name: "Thordata"ochtrustpilot_domain: "thordata.com". - Verifiera att Assemble Review Sources returnerar ett objekt per källa i arrayen
sources; detta matar Iterate Sources Safely. - I Iterate Sources Safely, behåll batch-loopningen som den är; den styr paginering och iteration över källor.
- I Set Pagination Start, säkerställ att Include Other Fields är aktiverat och att page_number är satt till
1.
Steg 3: sätt upp pipelinen för skrapning och parsning
Dessa noder bygger URL:er, skrapar HTML, parsar recensioner och loopar igenom paginering vid behov.
- I Dynamic URL Composer, behåll koden som använder
page_numberoch byggertarget_urlfrånsource_url. - Öppna Thordata Page Scraper och sätt URL till
https://universalapi.thordata.com/requestmed Method satt tillPOST. - Säkerställ att body-parametrarna inkluderar url satt till
{{ $json.target_url }}, type satt tillhtml, js_render satt tillTrueoch clean_content satt tillcss. - Inloggningsuppgifter krävs: Anslut era
httpHeaderAuth-inloggningsuppgifter i Thordata Page Scraper. - Verifiera att Universal Review Parser fortsätter vara ansluten för att parsa HTML till standardiserade recensionsobjekt.
- I More Pages Check, behåll uttrycket
{{ ($json.reviews.length > 0 || $json.review_count > 0) && !['chromewebstore', 'producthunt'].includes($json.source_type) }}för att trigga paginering. - I Increase Page Index, sätt page_number till
{{ $json.page_number + 1 }}och behåll Include Other Fields aktiverat. - I Rate Limit Pause, sätt Amount till
2sekunder för att undvika throttling.
Steg 4: konsolidera och formatera recensionsdata
Dessa kodnoder aggregerar, avduplicerar och formaterar recensioner för AI-analys och svar.
- Behåll Deduplicate Review Summary som den är för att läsa från global lagring och ta bort dubbletter via
unique_id. - I Deduplicate Review Summary, bekräfta att summary.product är satt till
Thordata(uppdatera om ert produktnamn skiljer sig). - Öppna Format Data for AI och säkerställ att den outputtar
product,total_reviews,avg_rating,all_reviews_textochrating_distribution.
Steg 5: sätt upp AI-analysen och parallella outputs
Den formaterade datan skickas till AI-modellen och returneras samtidigt till webhook-svaret.
- I AI Sentiment Review, bekräfta att modellen är satt till
gpt-4.1-2025-04-14och att prompten använder den tillhandahållna mallen för enbart JSON-svar. - Inloggningsuppgifter krävs: Anslut era
openAiApi-inloggningsuppgifter i AI Sentiment Review. - Format Data for AI outputtar till både Return Webhook Output och AI Sentiment Review parallellt.
- I Return Webhook Output, behåll Respond With satt till
jsonoch behåll mappningen för response body intakt.
Steg 6: konfigurera output för e-postrapporten
AI-outputen omvandlas till ett HTML-mejl och skickas via Gmail.
- I Build Email Report, behåll logiken för generering av HTML-mallen intakt för att skapa
email_html. - Öppna Dispatch Summary Email och sätt Send To till er mottagare, t.ex.
[YOUR_EMAIL]. - Sätt Message till
{{ $json.email_html }}och Subject till{{ $json.product_name }} Review Analysis – {{ new Date().toLocaleDateString() }}. - Inloggningsuppgifter krävs: Anslut era
gmailOAuth2-inloggningsuppgifter i Dispatch Summary Email.
Steg 7: testa och aktivera ert arbetsflöde
Kör ett fullständigt test för att verifiera paginering, parsning, AI-output och e-postleverans innan ni aktiverar arbetsflödet.
- Klicka på Execute Workflow med start från Manual Execution Start för att validera standardflödet för data.
- Som alternativ kan ni skicka in data via Form Intake Sources eller skicka en POST-förfrågan till Incoming Webhook Trigger för live-inmatningar.
- Bekräfta att Return Webhook Output returnerar ett JSON-svar och att Dispatch Summary Email skickar HTML-rapporten.
- Om allt ser korrekt ut, växla arbetsflödet till Active för produktionsanvändning.
Vanliga fallgropar
- Thordata-credentials kan gå ut eller kräva specifika behörigheter. Om något slutar fungera, kontrollera panelen Credentials i n8n och bekräfta att HTTP Header Auth-headern fortfarande finns.
- Om du använder Wait-noder eller extern rendering varierar processing-tiderna. Öka väntetiden om noder längre fram fallerar på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er tonalitet tidigt, annars kommer du redigera utdata för alltid.
Vanliga frågor
Cirka 30 minuter om du redan har dina API-nycklar.
Nej. Du kopplar mest konton och klistrar in rätt URL:er. Flödeslogiken är redan byggd.
Ja. n8n har ett gratis self-hosted-alternativ och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volymer. Du behöver också räkna in OpenAI API-användning (ofta några cent per rapport) och eventuella begränsningar i Thordata-planen.
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och hanterar n8n bra. Self-hosting ger dig obegränsat antal körningar men kräver grundläggande serverhantering.
Ja, och det är ärligt talat rätt enkelt. Uppdatera standard-URL:erna i området “Assemble Review Sources” / “Prepare Review Sources” så att det pekar på konkurrenters sidor i stället för din egen produkt. Om du vill ha en annan rapportstil, justera prompten i “AI Sentiment Review” och anpassa layouten i “Build Email Report.” Vanliga anpassningar är att tagga recensioner per plattform, lägga till en sektion med “toppcitat” och ändra slutleveransen från Gmail till Slack eller Google Sheets.
Oftast beror det på en utgången eller saknad API-nyckel i dina HTTP Request-credentials. Dubbelkolla header-baserad auth i n8n och bekräfta sedan att din Thordata-plan fortfarande har quota. Om du scrapar mycket i en körning kan du också slå i rate limits, så att öka Wait-tiden stabiliserar det vanligtvis.
Hundratals per körning är vanligt, och du kan gå över det om din Thordata-plan och OpenAI-budget tillåter.
För det här användningsfallet är n8n oftast bättre, eftersom flödet behöver paginering, avduplicering och villkorslogik som blir klumpigt (och dyrt) i enklare verktyg. Du har också möjlighet att self-hosta, vilket spelar roll om du kör stora batchar och vill slippa prischocker per task. Zapier eller Make kan fortfarande fungera om du bara sammanfattar en liten mängd recensioner från en enda källa. Men när du bryr dig om “samlad analys” över plattformar tenderar n8n att vara lugnare att underhålla. Prata med en automatiseringsexpert om du vill ha hjälp att välja.
Sätt upp det en gång och låt sedan flödet göra veckojobbet åt dig. Du får en strukturerad sammanfattning för ledningen direkt i inkorgen och kan lägga tiden på att faktiskt agera på den.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.