Dina Trustpilot-recensioner talar om vad du ska åtgärda, vad du ska leverera och vad du ska sluta göra. Men i de flesta team blir de bara liggande. Någon kollar dem ”när de kommer ihåg”, kopierar några citat till ett dokument, och de verkliga mönstren hamnar aldrig i planeringen.
Den här Trustpilot Sheets-automationen träffar produktchefer först, eftersom roadmap-beslut bygger på verklig feedback. Men även CX-ansvariga som jagar churn-signaler och growth marketers som letar bevispunkter känner samma tröghet. Du slutar med att reagera sent i stället för att agera tidigt.
Det här arbetsflödet hämtar skyddade Trustpilot-recensioner via Bright Data, rensar texten, extraherar strukturerade fält, sammanfattar teman med OpenAI och loggar sedan allt i Google Sheets (plus valfria webhook-varningar). Du får se hur det fungerar, vad du behöver och var team oftast kör fast.
Så fungerar automationen
Hela n8n-flödet, från trigger till slutlig output:
n8n Workflow Template: Trustpilot till Google Sheets, trender du kan agera på
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: "Set URL and Bright Data Zone", 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/httprequest.dark.svg' width='40' height='40' /></div><br/>Perform Bright Data Web Requ.."]
n3@{ icon: "mdi:robot", form: "rounded", label: "Markdown to Textual Data Ext..", pos: "b", h: 48 }
n4@{ icon: "mdi:robot", form: "rounded", label: "Structured JSON Data Extractor", pos: "b", h: 48 }
n5@{ icon: "mdi:database", form: "rounded", label: "Google Sheets", pos: "b", h: 48 }
n6@{ icon: "mdi:code-braces", form: "rounded", label: "Create a binary data for Str..", pos: "b", h: 48 }
n7@{ icon: "mdi:cog", form: "rounded", label: "Write the structured content..", pos: "b", h: 48 }
n8@{ icon: "mdi:robot", form: "rounded", label: "Summarization Chain", pos: "b", h: 48 }
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 the responses"]
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/>Code to extract the first el.."]
n11@{ icon: "mdi:cog", form: "rounded", label: "Aggregate the responses", pos: "b", h: 48 }
n12["<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/>Initiate a Webhook Notificat.."]
n13@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n14@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model for Struct..", pos: "b", h: 48 }
n15@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model for Summar..", pos: "b", h: 48 }
n13 -.-> n3
n9 --> n11
n8 --> n9
n11 --> n5
n11 --> n12
n11 --> n6
n1 --> n2
n4 --> n10
n2 --> n3
n10 --> n9
n0 --> n1
n3 --> n4
n3 --> n8
n15 -.-> n8
n14 -.-> n4
n6 --> n7
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,n4,n8 ai
class n13,n14,n15 aiModel
class n5 database
class n2,n12 api
class n6,n10 code
classDef customIcon fill:none,stroke:none
class n2,n9,n10,n12 customIcon
Problemet: Trustpilot-recensioner är användbara, men svåra att operationalisera
Att kolla Trustpilot manuellt låter enkelt tills du gör det varje vecka, för flera produkter, mot konkurrenter, med ett team som behöver svar. Sidorna är inkonsekventa, innehållet är stökigt (rubriker, markdown, upprepade block) och antibot-skydd gör ”bara skrapa det” till ett frustrerande kaninhål. Sedan kommer den verkliga kostnaden: någon måste översätta råa recensioner till teman, sentiment och ”vad har förändrats sedan förra veckan”. Det är tid du skulle kunna lägga på att faktiskt fixa onboarding, prisförvirring eller tillförlitlighetsproblem som bokstavligen är utskrivna åt dig.
Det springer snabbt iväg. Och friktionen ökar när du försöker skala bortom en enda produktsida.
- En veckovis recensionskoll blir till cirka 2 timmar av kopiering, rensning och inklistring i ett kalkylark.
- Team missar tidiga churn-signaler eftersom ingen sammanfattar mönster, utan bara läser några få högljudda recensioner.
- Antibot-skydd får enkla skrapor att skapa fel, så ”automationen” blir tyst manuell igen.
- Utan strukturerade fält (datum, betyg, produkt, sentiment) kan du inte trenda något med säkerhet.
Lösningen: Extrahera, sammanfatta och logga Trustpilot-recensioner automatiskt
Det här arbetsflödet gör Trustpilot till en stabil ström av användbara data. Det börjar med att ta en URL till en recensionssida som du anger, och använder sedan Bright Datas Web Unlocker för att hämta innehållet även när antibot-lager ligger i vägen. Därefter rensar det upp den skrapade markdownen till läsbar klartext, vilket gör det efterföljande AI-arbetet betydligt mer konsekvent. OpenAI extraherar sedan strukturerade fält (tänk produktnamn, datum, betyg och sentiment) och skapar också en kort ”vad som händer”-sammanfattning som du faktiskt kan skumma. Till sist aggregerar arbetsflödet allt och lägger till det i Google Sheets, samtidigt som det skickar en webhook-notis så att rätt kanal eller system får uppdateringen direkt.
Arbetsflödet startar med en manuell trigger (lätt att byta mot ett schema senare). Bright Data hämtar sidans råinnehåll, OpenAI gör det till strukturerad data plus teman, och Google Sheets blir din löpande recensionslogg. Vill du ha en audit trail skriver det också den processade outputen till disk.
Vad du får: Automation vs. resultat
| Vad det här arbetsflödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: Så här ser det ut
Säg att du följer 3 Trustpilot-sidor (din produkt plus två konkurrenter) och gör en veckovis koll. Manuellt kanske du lägger cirka 20 minuter per sida för att ladda, scrolla, kopiera och rensa text, och sedan ytterligare en timme på att plocka ut teman och skriva en sammanfattning, alltså ungefär 2 timmar totalt. Med det här arbetsflödet startar du det på under 5 minuter och låter det processa i bakgrunden medan Bright Data och OpenAI gör grovjobbet. Ditt Google Sheet uppdateras automatiskt och sammanfattningen hamnar där ditt team faktiskt ser den.
Det här behöver du
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för self-hosting om du föredrar det (Hostinger fungerar bra)
- Bright Data för att låsa upp och hämta Trustpilot-sidor.
- Google Sheets för att lagra recensionsloggen och sammanfattningarna.
- OpenAI API-nyckel (hämtas i din OpenAI-dashboard).
Svårighetsnivå: Medel. Du kopplar in autentiseringar, klistrar in en URL och justerar ett par prompts om du vill ha varumärkesspecifika sammanfattningar.
Vill du inte sätta upp detta själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
En trigger startar körningen. I det medföljande arbetsflödet klickar du på Manual Start i n8n. Många team byter senare till ett schema (dagligen eller veckovis) när de litar på outputen.
Arbetsflödet hämtar recensionssidan pålitligt. Ett ”set”-steg tilldelar Trustpilot-URL:en och din Bright Data-zone, och sedan anropar en HTTP Request Bright Data Web Unlocker för att hämta innehållet även när enkla anrop blockeras.
Stökig text blir strukturerad data och teman. Den skrapade markdownen konverteras till klartext, och sedan extraherar OpenAI fält som recensionsdatum, betyg och sentiment. En andra kedja genererar en kort sammanfattning av övergripande teman, så att du slipper läsa varje rad för att hitta signalen.
Resultaten hamnar där ditt team jobbar. Arbetsflödet aggregerar output, lägger till rader i Google Sheets, skriver en strukturerad fil till disk för spårbarhet och skickar en webhook-notis för routing i realtid.
Du kan enkelt ändra logiken för käll-URL:en för att följa flera produkter och sedan styra output till andra verktyg efter behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: Konfigurera den manuella triggern
Det här arbetsflödet startar manuellt så att ni kan validera dataflödet innan ni aktiverar automatiseringen.
- Lägg till och öppna Manual Start Trigger som arbetsflödets startpunkt.
- Lämna parametrarna i Manual Start Trigger på standardinställningarna för manuell testning.
Steg 2: Anslut Bright Data och ange granskningskällan
Definiera recensionssidan och proxyzonen och hämta sedan råinnehållet från Bright Data.
- Öppna Assign Source URL & Zone och sätt värdet för url till
https://www.trustpilot.com/review/brightdata.com. - I samma nod sätter ni värdet för zone till
web_unlocker1. - Öppna Bright Data API Request och sätt URL till
https://api.brightdata.com/requestoch Method tillPOST. - I Bright Data API Request → Body Parameters sätter ni zone till
={{ $json.zone }}, url till={{ $json.url }}, format tillrawoch data_format tillmarkdown. - Inloggningsuppgifter krävs: Anslut era httpHeaderAuth-inloggningsuppgifter i Bright Data API Request.
Steg 3: Konfigurera AI-bearbetning och strukturerad extrahering
Konvertera den hämtade markdownen till ren text och extrahera sedan strukturerad recensions-JSON och generera en sammanfattning parallellt.
- Öppna Convert Markdown to Text och sätt Text till
=You need to analyze the below markdown and convert to textual data. Please do not output with your own thoughts. Make sure to output with textual data only with no links, scripts, css etc. {{ $json.data }}. - Bekräfta att Convert Markdown to Text använder meddelandet
You are a markdown expert. - Öppna Extract Structured Review JSON och sätt Text till
=Extract the review mentioned below {{ $json.text }}, och behåll det angivna JSON Schema Example. - Öppna Generate Summary Chain och säkerställ att Chunking Mode är
advanced. - Convert Markdown to Text skickar utdata till både Extract Structured Review JSON och Generate Summary Chain parallellt.
- Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till OpenAI Chat Engine, som är språkmodellen för Convert Markdown to Text.
- Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till OpenAI Structured Engine, som är språkmodellen för Extract Structured Review JSON.
- Inloggningsuppgifter krävs: Anslut era openAiApi-inloggningsuppgifter till OpenAI Summary Engine, som är språkmodellen för Generate Summary Chain.
Steg 4: Kombinera, välj och aggregera utdata
Normalisera AI-resultaten, slå ihop dem och aggregera för vidare utdata.
- Öppna Select First Output och sätt JavaScript Code till
return $input.first().json.output. - Säkerställ att Select First Output matar in i Combine Outputs tillsammans med Generate Summary Chain.
- Öppna Aggregate Results och sätt Aggregate till
aggregateAllItemData. - Verifiera flödet: Generate Summary Chain → Combine Outputs → Aggregate Results.
Steg 5: Konfigurera mål för utdata
Skicka den aggregerade datan till Google Sheets, en webhook och en lokal JSON-fil parallellt.
- I Update Review Spreadsheet sätter ni Operation till
appendOrUpdate, Document ID till[YOUR_ID]och Sheet Name tillSheet1. - Inloggningsuppgifter krävs: Anslut era googleSheetsOAuth2Api-inloggningsuppgifter i Update Review Spreadsheet.
- Öppna Send Webhook Notification och sätt URL till
[YOUR_WEBHOOK_URL], med Body Parameters → summary satt till={{ $json.data }}. - Öppna Build Binary Payload och behåll Function Code som angivet för att skapa en Base64-JSON-payload.
- Öppna Save Structured File och sätt Operation till
writemed File Name satt till=d:\TrustPilot-StructuredData.json. - Aggregate Results skickar utdata till Update Review Spreadsheet, Send Webhook Notification och Build Binary Payload parallellt.
[YOUR_WEBHOOK_URL] och [YOUR_ID] med riktiga värden innan ni testar, och säkerställ att filsökvägen i Save Structured File finns på n8n-värdmaskinen.Steg 6: Testa och aktivera ert arbetsflöde
Kör en manuell körning för att validera varje gren och aktivera sedan arbetsflödet för produktionsbruk.
- Klicka på Execute Workflow på Manual Start Trigger för att köra ett fullständigt test.
- Bekräfta att Update Review Spreadsheet lägger till eller uppdaterar en rad och att Send Webhook Notification skickar sammanfattnings-payloaden.
- Kontrollera det lokala filsystemet efter
d:\TrustPilot-StructuredData.jsonsom skapats av Save Structured File. - När alla utdata lyckas, slå på Active för att aktivera arbetsflödet för löpande användning.
Vanliga fallgropar
- Bright Data-autentiseringar kan löpa ut eller kräva specifika behörigheter. Om det slutar fungera, kontrollera först din Bright Data Web Unlocker-zone och token-konfiguration i n8n-autentiseringar.
- Om du använder Wait-noder eller extern processering kan tajmingen variera. Öka väntetiden om efterföljande noder fallerar eftersom Bright Data-svaret inte har kommit ännu.
- Standardprompter i AI-noder är generiska. Lägg in produktkontext och er tonalitet i extraktions- och sammanfattningsprompterna tidigt, annars kommer du att redigera output för alltid.
Vanliga frågor
Cirka 30 minuter när du har dina Bright Data- och OpenAI-nycklar.
Nej. Du kopplar mestadels konton och klistrar in din Trustpilot-URL samt Bright Data-token. Den enda ”tekniska” delen är att välja vilka fält du vill att extraktorn ska hämta.
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 Bright Data-användning plus OpenAI API-kostnader (ofta några cent per körning, beroende på hur mycket text du processar).
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 obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det är en av de bästa uppgraderingarna. Du kan byta ut den enkla ”Tilldela käll-URL och zone”-setupen mot en lista med Trustpilot-URL:er (dina produkter och konkurrenter), loopa igenom dem och köra samma Bright Data-anrop varje gång. Vanliga anpassningar är att extrahera extra fält (recensionstitel, företagets svar, funktionsomnämnanden) och att ändra sammanfattningsstilen till ett executive brief eller en ”topp-smärtpunkter”-sammanställning.
Oftast är det en utgången token eller fel Web Unlocker-zone-namn. Skapa en ny Bright Data Web Unlocker-token, bekräfta att du skickar den som en Bearer-header i n8n och dubbelkolla zonen i steget ”Tilldela käll-URL och zone”. Om det fortfarande misslyckas kan mål-URL:en omdirigera eller returnera en annan sidlayout, så granska råsvaret som sparats till disk för att se vad som faktiskt kom tillbaka.
Många, så länge din plan och server hänger med. På n8n Cloud är gränsen främst antalet körningar per månad, så taket beror på hur ofta du kör det och hur många sidor du loopar igenom. Om du self-hostar finns ingen körningsgräns, men du begränsas av CPU/RAM och hur snabbt Bright Data och OpenAI svarar. I praktiken börjar de flesta små team med veckokörningar för en handfull produkter och skalar sedan upp till daglig bevakning när sheet-formatet och varningarna är intrimmade.
Ofta, ja, eftersom jobbet kräver skrapning, textrensning, strukturerad extraktion och batchning. n8n hanterar förgrening och mer komplex logik utan att varje extra steg blir en prischock, och self-hosting är ett realistiskt alternativ om du vill köra volym. Zapier eller Make kan fortfarande fungera om du redan har felfria indata och bara behöver skriva in sammanfattningar i ett kalkylark. Om du är osäker, prata med en automationsexpert så får du en rak rekommendation.
När detta väl rullar slutar recensioner vara ”något vi borde titta på” och blir ett levande underlag för produkt, CX och marknadsföring. Sätt upp det en gång, och använd sedan mönstren för att fatta snabbare beslut.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.