Du känner igen känslan: du öppnar Trustpilot, börjar läsa recensioner och plötsligt har en hel förmiddag försvunnit. Sedan ska du ändå tagga teman, plocka ut citat och förklara ”vad som egentligen pågår” för någon som inte läste en enda recension.
Det här slår hårdast mot marknadschefer, men produktchefer och byråägare känner av det också. Med den här Trustpilot–Sheets-automationen kan du samla in recensioner, klustra dem i verkliga teman och få AI-skrivna insikter utan att leva i kalkylark hela dagen.
Nedan ser du hur flödet körs, vad det producerar i Google Sheets och var de största tidsvinsterna dyker upp i det verkliga veckojobbet.
Så här fungerar automationen
Hela n8n-workflowen, från trigger till slutligt resultat:
n8n Workflow Template: Trustpilot till Google Sheets: recensionsteman klara
flowchart LR
subgraph sg0["When clicking ‘Test workflow’ Flow"]
direction LR
n0@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Test workflow’", pos: "b", h: 48 }
n1@{ icon: "mdi:swap-vertical", form: "rounded", label: "Zip Entries", 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/html.dark.svg' width='40' height='40' /></div><br/>Extract Reviews"]
n3@{ icon: "mdi:swap-vertical", form: "rounded", label: "Reviews to List", pos: "b", h: 48 }
n4@{ icon: "mdi:robot", form: "rounded", label: "Default Data Loader", pos: "b", h: 48 }
n5@{ icon: "mdi:robot", form: "rounded", label: "Recursive Character Text Spl..", pos: "b", h: 48 }
n6@{ icon: "mdi:vector-polygon", form: "rounded", label: "Embeddings OpenAI", pos: "b", h: 48 }
n7@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set Variables", pos: "b", h: 48 }
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/httprequest.dark.svg' width='40' height='40' /></div><br/>Clear Existing Reviews"]
n17@{ icon: "mdi:cog", form: "rounded", label: "Trigger Insights", pos: "b", h: 48 }
n18@{ icon: "mdi:swap-vertical", form: "rounded", label: "Prep Values For Trigger", pos: "b", h: 48 }
n20["<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/>Get TrustPilot Page"]
n21@{ icon: "mdi:cube-outline", form: "rounded", label: "Qdrant Vector Store", pos: "b", h: 48 }
n1 --> n3
n7 --> n16
n2 --> n1
n3 --> n21
n6 -.-> n21
n4 -.-> n21
n20 --> n2
n21 --> n18
n16 --> n20
n18 --> n17
n5 -.-> n4
n0 --> n7
end
subgraph sg1["Execute Workflow Flow"]
direction LR
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/httprequest.dark.svg' width='40' height='40' /></div><br/>Get Payload of Points"]
n9@{ icon: "mdi:swap-vertical", form: "rounded", label: "Clusters To List", pos: "b", h: 48 }
n10@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n11@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Only Clusters With 3+ points", pos: "b", h: 48 }
n12@{ icon: "mdi:swap-vertical", form: "rounded", label: "Set Variables1", 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/httprequest.dark.svg' width='40' height='40' /></div><br/>Find Reviews"]
n14@{ icon: "mdi:swap-vertical", form: "rounded", label: "Prep Output For Export", pos: "b", h: 48 }
n15@{ icon: "mdi:database", form: "rounded", label: "Export To Sheets", pos: "b", h: 48 }
n19@{ icon: "mdi:play-circle", form: "rounded", label: "Execute Workflow Trigger", pos: "b", h: 48 }
n22["<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/>Apply K-means Clustering Alg.."]
n23@{ icon: "mdi:robot", form: "rounded", label: "Customer Insights Agent", pos: "b", h: 48 }
n13 --> n22
n12 --> n13
n9 --> n11
n10 -.-> n23
n8 --> n23
n14 --> n15
n23 --> n14
n19 --> n12
n11 --> n8
n22 --> n9
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,n19 trigger
class n4,n5,n23 ai
class n10 aiModel
class n21 ai
class n6 ai
class n11 decision
class n15 database
class n16,n20,n8,n13 api
class n22 code
classDef customIcon fill:none,stroke:none
class n2,n16,n20,n8,n13,n22 customIcon
Problemet: recensionerna har svaren, men de är gömda
Trustpilot-recensioner är otroligt värdefulla, men de är inte organiserade för beslutsfattande. Du kan läsa 200 recensioner och ändå ha svårt att svara på enkla frågor som ”Vilka är de fem vanligaste klagomålen?” eller ”Vilka positiva saker nämns oftast, och hur formuleras de?” Det manuella sättet är långsamt, ärligt talat segt, och det uppmuntrar genvägar. Folk skummar, kopierar några högljudda citat och kallar det ”insikt”. Sedan fattar du beslut om budskap, produkt eller konkurrenter baserat på ett urval som i praktiken bara är känsla.
Friktionen bygger på. Här är var det faller isär.
- Taggning av recensioner blir snabbt subjektiv, så två personer skapar två olika ”teman” från samma underlag.
- Att kopiera in recensioner i ett ark tar ungefär en timme per konkurrent, och det är innan du ens har gjort någon analys.
- När du har mer än några dussin recensioner flyter mönster ihop och du missar återkommande problem som faktiskt spelar roll.
- Intressenter vill ha en tydlig sammanfattning och bevis, vilket gör att du slutar med att skriva en minirapport varje gång.
Lösningen: skrapa, klustra, sammanfatta, exportera
Det här flödet förvandlar Trustpilot-recensioner till ett levande insiktsark som du faktiskt kan använda. Det börjar med att hämta ett företags recensioner via en HTTP-förfrågan och parsar sedan innehållet till strukturerade fält (betyg, titel, text, datum och relevant Trustpilot-metadata). Därefter skapar det embeddings (en numerisk representation av innebörd) med OpenAI och lagrar dem i Qdrant, som är byggt för likhetssökning. Sedan hittar flödet relaterade recensioner, klustrar dem med en K-means-algoritm och filtrerar bort kluster som är för små för att lita på. Till sist sammanfattar en AI-agent varje kluster till tydliga teman, lyfter fram vad kunder gillar eller ogillar och lägger till både insikter och råa exempel i Google Sheets för analys och rapportering.
Enkelt uttryckt: du väljer företag och tidsintervall, flödet samlar in texten, grupperar liknande recensioner och tar fram teman plus underlag. Resultatet är ett Google-ark som känns som om en researchassistent har förberett det, inte som att någon har dumpat råtext i rader.
Det du får: automation kontra resultat
| Vad detta flöde automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du vill analysera 300 nya recensioner för ditt varumärke och två konkurrenter. Manuellt kan även en snabb process se ut som 2 minuter för att läsa och tagga varje recension, plus ytterligare en minut för att kopiera citat till ett dokument, vilket är ungefär 15 timmars arbete. Med det här flödet lägger du cirka 10 minuter på att ställa in företag och datumfilter och låter sedan flödet köra medan det skrapar, klustrar och skriver teman. Du vill fortfarande lägga en timme på att skumma Google-arket och plocka ut de bästa fynden, men det blir en helt annan vecka.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Self-hosting-alternativ om du föredrar det (Hostinger fungerar bra)
- Trustpilot-företagssida för att skrapa recensioner för ett målvarumärke
- Google Sheets för att lagra insikter och råa exempel
- OpenAI API-nyckel (hämta den i din OpenAI-dashboard)
Svårighetsgrad: Medel. Du kopplar konton, lägger in API-nycklar och kan behöva justera några inställningar som datumfilter och klusterparametrar.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Du kör det manuellt (eller triggar det vid begäran). Flödet startar med en manuell körning och laddar sedan dina företagsinställningar så att det vet vilken Trustpilot-sida som ska hämtas och hur resultatet ska märkas.
Recensioner samlas in och struktureras. n8n hämtar Trustpilot-sidan via HTTP, parsar recensions-elementen och paketerar dem till felfria recensionsposter så att resten av flödet slipper hantera stökig HTML.
Innebörd lagras, inte bara text. Flödet delar vid behov upp längre recensioner i chunkar, genererar embeddings med OpenAI och skriver dem till Qdrant. Det är detta som gör ”hitta liknande recensioner” och klustring möjligt senare.
Kluster blir teman, och teman blir ett ark. Det hittar lagrade vektorer för valt datumintervall, klustrar dem med K-means, filtrerar bort svaga kluster (färre än 3 recensioner) och skickar varje grupp till en AI-agent för sammanfattning. Resultat och stödjande recensioner formateras och läggs till i Google Sheets.
Du kan enkelt ändra datumintervall och klustringskänslighet efter dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera den manuella triggern
Starta arbetsflödet manuellt och definiera företagsidentifieraren som används genom hela pipelinen.
- Lägg till och öppna Manual Run Starter för att bekräfta att det är trigger-noden.
- Öppna Assign Company Settings och ställ in companyId till er Trustpilot-slug genom att ersätta
[YOUR_ID]. - Verifiera att körordningen börjar med Manual Run Starter → Assign Company Settings.
[YOUR_ID] i Assign Company Settings kommer stegen för Trustpilot-hämtning och Qdrant-rensning att rikta sig mot ett ogiltigt företag.Steg 2: Anslut Qdrant Vector Store
Konfigurera Qdrant för att rensa gamla vektorer, lagra nya embeddings och hämta payloads för klustring.
- Öppna Purge Existing Reviews och bekräfta att URL är
http://qdrant:6333/collections/trustpilot_reviews/points/delete. - Ställ in JSON Body till det befintliga uttrycket
{ "filter": { "must": [ { "key": "metadata.company_id", "match": { "value": "{{ $('Assign Company Settings').item.json.companyId }}" } } ] } }. - Inloggningsuppgifter krävs: Anslut era
qdrantApi-credentials i Purge Existing Reviews, Qdrant Vector Storage, Locate Review Vectors och Fetch Point Payloads. - I Qdrant Vector Storage, ställ in Mode till
insertoch Collection tilltrustpilot_reviews. - I Locate Review Vectors, bekräfta att URL är
http://qdrant:6333/collections/trustpilot_reviews/points/scrolloch att JSON Body använder datumfilter från Assign Date Filters. - I Fetch Point Payloads, behåll URL som
http://qdrant:6333/collections/trustpilot_reviews/pointsoch JSON Body-uttrycket{ "ids": $json.points, "with_payload": true }.
Steg 3: Anslut Trustpilot-inhämtningsflödet
Hämta Trustpilot-sidor med recensioner, parsa HTML-element och normalisera dem till recensionsposter.
- Öppna Fetch Trustpilot Page och ställ in URL till
https://uk.trustpilot.com/review/{{ $('Assign Company Settings').item.json.companyId }}?sort=recency. - I pagineringsinställningarna för Fetch Trustpilot Page, behåll uttrycket för parametern page
{{ $pageCount + 1 }}och låt Max Requests vara3. - Öppna Parse Review Elements och bekräfta alla CSS-selektorer för författare, betyg, titel, text, datum, land, antal recensioner och URL.
- I Bundle Review Records, behåll data-array-uttrycket som mappar parsade arrayer till enhetliga recensionsobjekt, inklusive det sammansatta värdet för review_url.
- I Expand Review Items, ställ in Field to Split Out till
data.
Steg 4: Konfigurera AI-embeddings och klustring i underarbetsflöde
Skapa embeddings av recensionerna, lagra vektorer och kör ett underarbetsflöde för att klustra och sammanfatta insikter.
- I Default Content Loader, behåll JSON Data som
{{ $json.review_title }} {{ $json.review_text }}samt metadata-mappningar för recensionsfält ochcompany_id. - I Recursive Text Chunker, ställ in Chunk Size till
4000. - Inloggningsuppgifter krävs: Anslut era
openAiApi-credentials i OpenAI Embedding Builder och behåll Model inställd påtext-embedding-3-small. - Bekräfta AI-kopplingarna: Recursive Text Chunker → Default Content Loader → Qdrant Vector Storage, där OpenAI Embedding Builder levererar embeddings till Qdrant Vector Storage.
- I Prepare Trigger Values, ställ in companyId till
{{ $('Assign Company Settings').item.json.companyId }}. - Öppna Run Sub-Workflow (Configure Required) och välj målflödet i Workflow ID (för närvarande tomt).
- I underarbetsflödet, behåll värdena i Assign Date Filters som
{{ $today.startOf('month').toISO() }}och{{ $today.endOf('month').toISO() }}, och kör sedan Locate Review Vectors → Run K-Means Clustering → Expand Cluster List → Filter Clusters 3+ Points.
Steg 5: Konfigurera insiktsutvinning och export
Sammanfatta klustrade recensioner med OpenAI och lägg till resultat i Google Sheets.
- OpenAI Chat Engine är ansluten som språkmodell för Review Insight Extractor — säkerställ att credentials har lagts till i OpenAI Chat Engine.
- I OpenAI Chat Engine, behåll Model inställd på
gpt-4o-mini. - I Review Insight Extractor, behåll Text-uttrycket som listar recensionspunkter och schema-JSON-exemplet.
- I Format Export Payload, behåll JSON Output som det angivna uttrycket som sammanfogar insiktsfält och råsvar från Fetch Point Payloads.
- Inloggningsuppgifter krävs: Anslut era
googleSheetsOAuth2Api-credentials i Append to Sheets. - I Append to Sheets, ställ in Document ID till ert kalkylblads-ID genom att ersätta
[YOUR_ID], och ställ in Sheet Name tillSheet1.
Steg 6: Testa och aktivera ert arbetsflöde
Kör hela flödet, bekräfta att data lagras och sammanfattas, och aktivera sedan för regelbunden användning.
- Klicka på Execute Workflow och kör Manual Run Starter för att trigga pipelinen.
- Kontrollera att Purge Existing Reviews lyckas, att Fetch Trustpilot Page hämtar HTML och att Qdrant Vector Storage lägger in vektorer.
- Verifiera att underarbetsflödet slutförs: Locate Review Vectors → Run K-Means Clustering → Filter Clusters 3+ Points → Review Insight Extractor.
- Bekräfta att en ny rad läggs till i Append to Sheets med Insight, Sentiment och Suggested Improvements.
- När ni är nöjda, växla arbetsflödet till Active för användning i produktion.
Vanliga fallgropar
- OpenAI-inloggningsuppgifter kan löpa ut eller begränsas av projektbehörigheter. Om teman slutar genereras, kontrollera först din API-nyckel och användningsgränser i OpenAI-dashboarden.
- Om du använder Wait-noder eller extern bearbetning varierar körtiderna. Öka väntetiden om efterföljande steg misslyckas eftersom klustringen eller extraktionen returnerade tom data.
- Qdrant-endpoints och samlingsinställningar måste matcha vad flödet förväntar sig. Om skrivning av vektorer lyckas men klustringen hittar ”ingenting”, verifiera samlingsnamnet, host-URL:en och att punkter sparades under samma metadatafält.
Vanliga frågor
Cirka en timme om du redan har OpenAI och Qdrant redo.
Nej. Du klistrar mest in inloggningsuppgifter, väljer ett företag och testkör. Den enda ”kodlika” delen är valfri finjustering av klustringsinställningar om du vill ha ett annat grupperingsbeteende.
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 med OpenAI API-kostnader (oftast några dollar för de flesta recensionsbatcher, beroende på volym).
Två alternativ: n8n Cloud (hanterad tjänst, enklast att sätta upp) eller self-hosting på en VPS. För self-hosting är Hostinger VPS prisvärd och klarar n8n bra. Self-hosting ger dig obegränsade körningar men kräver grundläggande serveradministration.
Ja, och det bör du. Uppdatera datumfiltervärdena i delen ”Assign Date Filters” i flödet och kör sedan separata exporter för 3 månader, 6 månader och YTD så att du kan jämföra hur teman förändras över tid. Du kan också justera klusterparametrarna i K-means-steget för att få färre, bredare teman eller fler, tajtare kluster. Om du vill jämföra konkurrenter mot varumärket, behåll samma inställningar mellan körningar så att resultaten förblir jämförbara.
Oftast beror det på att HTML:en på Trustpilot-sidan har ändrats, vilket gör att parsningen går sönder. Kontrollera utdata från ”Fetch Trustpilot Page” och ”Parse Review Elements” för att bekräfta att selektorerna fortfarande matchar. Det kan också handla om blockering eller rate limiting, så att lägga in en kort väntan eller minska hur många sidor du hämtar per körning löser det ofta.
Några hundra per körning är realistiskt för de flesta team, och du kan skala högre om din Qdrant- och n8n-instans är dimensionerad rätt.
För det här use caset, ja, eftersom du inte bara flyttar data mellan appar. Du gör skrapning, chunkning, embeddings, vektorlagring, klustring och sedan AI-sammanfattning, vilket kräver förgrening och mer flexibel logik. n8n ger dig också möjligheten att self-hosta, vilket spelar roll när du börjar köra större batcher. Zapier eller Make kan fungera för enklare flöden som ”ny recension till ark”, men de kommer kännas begränsade när du lägger till klustring och temagenerering. Om du vill kan du prata med en automationsexpert så säger vi snabbt vilken väg som är rimlig.
Recensioner berättar redan vad du ska fixa och vad du ska satsa mer på. Det här flödet gör bara att du slipper göra den långsamma delen för hand.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.