Du kollar YouTube-kommentarer, ser några riktigt vassa, och tappar sedan bort dem i scrollandet. Senare frågar en kund: ”Är folk missnöjda med den nya videon?” och du blir tvungen att gissa, eftersom det inte finns något felfritt underlag.
Det här drabbar marknadsförare hårdast när kampanjer skalar upp snabbt, men skapare och små ops-team känner av det också. Med den här YouTube sentiment automation hamnar kommentarer i ett Google Sheet redan märkta som Positiv, Neutral eller Negativ, så att du kan agera innan en tråd blir en drevtråd.
Nedan ser du hur flödet körs, vad det producerar och hur du anpassar det till din rapporteringsstil utan att göra det till ett gigantiskt dataprojekt.
Så fungerar automatiseringen
Hela n8n-flödet, från trigger till slutresultat:
n8n Workflow Template: YouTube + Google Sheets: användbar kommentarstämning
flowchart LR
subgraph sg0["When clicking ‘Test workflow’ Flow"]
direction LR
n0@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out", pos: "b", h: 48 }
n1@{ icon: "mdi:brain", form: "rounded", label: "OpenAI Chat Model", pos: "b", h: 48 }
n2@{ icon: "mdi:cog", form: "rounded", label: "No Operation, do nothing", pos: "b", h: 48 }
n3@{ icon: "mdi:database", form: "rounded", label: "Get Video Urls from Google S..", pos: "b", h: 48 }
n4@{ icon: "mdi:swap-horizontal", form: "rounded", label: "check next fetch time is ava..", pos: "b", h: 48 }
n5@{ icon: "mdi:swap-horizontal", form: "rounded", label: "check next fetch time is bef..", 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/>Get Comments for video urls"]
n7@{ icon: "mdi:robot", form: "rounded", label: "Analyze sentiment of every c..", pos: "b", h: 48 }
n8@{ icon: "mdi:swap-vertical", form: "rounded", label: "Format fields as required to..", pos: "b", h: 48 }
n9@{ icon: "mdi:database", form: "rounded", label: "Insert and update comment in..", pos: "b", h: 48 }
n10@{ icon: "mdi:database", form: "rounded", label: "Update last fetched time and..", pos: "b", h: 48 }
n11@{ icon: "mdi:cog", form: "rounded", label: "No Operation, do nothing1", pos: "b", h: 48 }
n12@{ icon: "mdi:play-circle", form: "rounded", label: "When clicking ‘Test workflow’", pos: "b", h: 48 }
n13@{ icon: "mdi:swap-horizontal", form: "rounded", label: "Check Success Response", pos: "b", h: 48 }
n0 --> n7
n1 -.-> n7
n13 --> n0
n13 --> n11
n6 --> n13
n3 --> n4
n12 --> n3
n7 --> n8
n9 --> n10
n4 --> n6
n4 --> n5
n5 --> n6
n5 --> n2
n8 --> 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 n12 trigger
class n7 ai
class n1 aiModel
class n4,n5,n13 decision
class n3,n9,n10 database
class n6 api
classDef customIcon fill:none,stroke:none
class n6 customIcon
Problemet: YouTube-kommentarer blir ”omöjliga att spåra” precis när du behöver dem
YouTube ger dig kommentarer, inte tydlighet. När du hanterar flera videor (eller flera kanaler) upprepas samma rutin: öppna YouTube Studio, scrolla, filtrera, kopiera några exempel och lova dig själv att du ska ”exportera senare”. Senare kommer sällan. Och när det väl gör det är datan rörig. Sentimenttaggning blir manuell, inkonsekvent och ärligt talat lite subjektiv när du är trött. Den största kostnaden är inte kalkylarksjobbet. Det är de missade signalerna: tidig negativitet, återkommande förvirring, eller det där ämnet publiken tar upp om och om igen som ingen följer upp.
Friktionen byggs på. Här är var det faller isär.
- Att exportera kommentarer från YouTube Studio blir en veckouppgift av typen ”jag gör det i morgon” som aldrig blir konsekvent.
- Manuell sentimenttaggning stjäl fokus, och två personer märker samma kommentar olika.
- När negativiteten är tydlig är den redan offentlig, redan skärmdumpad, redan delad.
- Utan en löpande logg per video är det svårt att bevisa trender för intressenter eller kunder.
Lösningen: märk och logga automatiskt comment sentiment i Sheets
Det här flödet hämtar en lista med YouTube-video-URL:er från Google Sheets, hämtar toppnivåkommentarer för varje video (inklusive paginering, så du inte fastnar på första sidan), och kör varje kommentar genom OpenAI för sentimentklassificering. Därefter formaterar det allt till korrekt formaterade rader, inklusive användbar kontext som författarnamn, gilla-markeringar och tidsstämpel, och upsertar resultaten tillbaka till ditt Sheet. Den sista delen är viktig. I stället för att dumpa dubbletter vid varje körning kan det uppdatera det som redan finns och hålla loggen prydlig. Det finns också skyddsräcken: enkla kontroller för tillåtna körfönster och grundläggande validering av API-svar, vilket hjälper till att undvika halvfyllda sheets när ett API-anrop misslyckas.
Flödet startar med en manuell körning i n8n, som läser din kolumn ”video_urls”. Därefter hämtar det YouTube-kommentarer via HTTP-anrop, skickar varje kommentar till sentiment-noden som drivs av OpenAI, och skriver strukturerade rader tillbaka till Google Sheets. Ditt Sheet blir en dashboard-klar källa till sanning.
Det du får: automatisering vs. resultat
| Det här flödet automatiserar | Resultat du får |
|---|---|
|
|
Exempel: så här ser det ut
Säg att du publicerar 3 videor per vecka och att varje video får ungefär 200 toppnivåkommentarer. Manuellt tar även en snabb genomgång kanske 30 minuter per video för att scrolla, filtrera, kopiera exempel och tagga sentiment i ett sheet, så du lägger cirka 2 timmar i veckan bara för att få ”tillräckligt bra” insikter. Med det här flödet startar du körningen på cirka 2 minuter, väntar på bearbetningen och lägger sedan tiden på att granska ett Sheet som redan är märkt och sorteringsbart. Du får vanligtvis tillbaka de där 2 timmarna, och din spårning förblir konsekvent vecka efter vecka.
Det här behöver du
- n8n-instans (testa n8n Cloud gratis)
- Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
- Google Sheets för att lagra URL:er och sentimentresultat
- YouTube Data API v3-nyckel för att hämta kommentarer via HTTP-anrop
- OpenAI API-nyckel (hämta den från din OpenAI API-dashboard)
Svårighetsgrad: Medel. Du kopplar in behörigheter, skapar en enkel kolumn i sheetet och klistrar in flödet i n8n.
Vill du inte sätta upp det här själv? Prata med en automationsexpert (gratis 15-minuters konsultation).
Så fungerar det
Du startar en körning. Flödet använder en manuell trigger, så du kan köra det på beställning när en ny video släpps eller efter att en kampanj går live.
Det läser dina målvideor från Google Sheets. En Sheets-nod hämtar listan ”video_urls”, sedan kontrollerar flödet tidsregler (så att du inte överbelastar API:er vid fel tidpunkt om du lägger till schemaläggning senare).
Kommentarer hämtas och analyseras. Ett HTTP-anrop hämtar YouTube-kommentarer (hanterar paginering), poster separeras och OpenAI-sentimentnoden märker varje kommentar som Positiv, Neutral eller Negativ. Det finns också en enkel kontroll av API-framgång, som förhindrar att dåliga körningar i tysthet förorenar din data.
Allt skrivs tillbaka i ett rapportvänligt format. Ett steg för att ”sätta fält” mappar kolumnerna du faktiskt bryr dig om, sedan upsertar flödet rader i Google Sheets och uppdaterar tidsstämplar så att du kan spåra vad som bearbetats.
Du kan enkelt ändra sentimentreglerna för att inkludera nyckelordsfiltrering eller minsta antal gilla-markeringar utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementation
Steg 1: Konfigurera den manuella triggern
Det här arbetsflödet startar med en manuell körning så att ni kan testa pipelinen innan ni schemalägger den.
- Lägg till eller öppna Manual Run Trigger i början av arbetsflödet.
- Anslut Manual Run Trigger till Fetch Video Links Sheet för att matcha körflödet.
Steg 2: Anslut Google Sheets
Dessa noder läser er videolista och skriver tillbaka kommentarer med sentiment till Sheets.
- Öppna Fetch Video Links Sheet och välj kalkylarket och fliken som innehåller era video-URL:er och hämtningstidsstämplar.
- Öppna Upsert Comments to Sheet och konfigurera målkalkylarket och fliken där kommentardata ska lagras.
- Öppna Refresh Fetch Timestamps och ställ in fliken och intervallet/kolumnerna som används för att uppdatera senaste hämtningstid.
- Autentiseringsuppgifter krävs: Anslut era Google Sheets-autentiseringsuppgifter i Fetch Video Links Sheet, Upsert Comments to Sheet och Refresh Fetch Timestamps.
Steg 3: Konfigurera hämtningstiming och API-hämtning
Den här delen kontrollerar om det är dags att hämta kommentarer och anropar sedan kommentar-API:t.
- I Validate Next Fetch Time definierar ni de tidsbaserade villkoren som avgör när hämtningen ska fortsätta.
- I Verify Fetch Time Window lägger ni till regler som upprätthåller det tillåtna tidsfönstret för hämtning.
- Konfigurera Retrieve Video Comments med korrekt API-endpoint, metod och parametrar för källan till videokommentarer.
- I Check API Success ställer ni in ett IF-villkor för att validera API-svaret (t.ex. lyckad status eller obligatoriska fält).
- Observera att Check API Success routar lyckade resultat till Separate Items och fel till No-Op Placeholder 2 för felsökning eller säkra avslut.
Steg 4: Konfigurera sentimentanalys
Dela upp kommentarer i enskilda objekt och betygsätt varje kommentars sentiment med OpenAI.
- Säkerställ att Separate Items tar emot kommentarsarrayen så att varje kommentar bearbetas individuellt.
- Öppna Evaluate Comment Sentiment och konfigurera alternativen för sentimentanalys enligt önskat resultat.
- Bekräfta att OpenAI Chat Engine är ansluten som språkmodell för Evaluate Comment Sentiment.
- Autentiseringsuppgifter krävs: Anslut era OpenAI-autentiseringsuppgifter i OpenAI Chat Engine (AI-undernoder använder den överordnade modellens autentiseringsuppgifter).
Steg 5: Konfigurera datamappning och utdata
Mappa sentimentutdata till fält som linjerar med ert schema i kalkylarket och upserta sedan kommentarposter.
- I Map Fields for Sheet definierar ni vilka fält som ska skrivas till arket (t.ex. kommentartext, sentimentscore, tidsstämpel, video-ID).
- Konfigurera Upsert Comments to Sheet med rätt nyckelfält (unik identifierare) för att undvika dubblettrader.
- Säkerställ att Refresh Fetch Timestamps uppdaterar kolumnen för senaste hämtning så att nästa körning följer schemat.
Steg 6: Testa och aktivera ert arbetsflöde
Validera flödet end-to-end och växla sedan arbetsflödet till produktionsläge.
- Klicka på Manual Run Trigger för att köra en testkörning.
- Bekräfta att Retrieve Video Comments returnerar data, att Evaluate Comment Sentiment skapar sentimentutdata och att Upsert Comments to Sheet skriver rader till ert ark.
- Verifiera att Refresh Fetch Timestamps uppdaterar tidsstämpelfälten efter en lyckad körning.
- När allt fungerar, växla arbetsflödet till Active för produktionsanvändning.
Vanliga fallgropar
- Behörigheter för Google Sheets kan löpa ut eller kräva specifika rättigheter. Om det strular, börja med att kontrollera n8n-panelen för Credentials och åtkomstskärmen för Google-kontot.
- Om du använder Wait-noder eller extern rendering varierar bearbetningstiderna. Öka väntetiden om nedströmsnoder misslyckas på tomma svar.
- Standardprompter i AI-noder är generiska. Lägg in er varumärkesröst tidigt, annars kommer du redigera utdata för alltid.
Vanliga frågor
Cirka 30 minuter om dina API-nycklar är klara.
Nej. Du kopplar konton, klistrar in workflow-JSON och mappar några kolumner i Google Sheets.
Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer startar på 20 USD/månad för högre volym. Du behöver också räkna med OpenAI API-kostnader (oftast småpengar för några hundra kommentarer, beroende på modell och prompt).
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och hanterar n8n bra. Egen drift ger dig obegränsade körningar men kräver grundläggande serverhantering.
Ja, och det är en av de bästa justeringarna. Du kan filtrera före analys genom att lägga till en IF-nod efter ”Retrieve Video Comments” så att du bara behåller kommentarer som innehåller specifika nyckelord, eller som når en miniminivå för antal gilla-markeringar. Om du vill ha andra etiketter (som ”Klagomål” eller ”Beröm”) justerar du prompt/beteende i steget för OpenAI-sentimentanalys och uppdaterar mappningen i ”Map Fields for Sheet” så att den matchar.
Oftast är det ett API-nyckelproblem: YouTube Data API v3 är inte aktiverat i ditt Google Cloud-projekt, nyckeln är för hårt begränsad eller så är kvoten slut för dagen. Dubbelkolla HTTP-uppgiften som används av begäran ”Retrieve Video Comments” i n8n, och bekräfta sedan att request-URL och parametrar matchar API-dokumentationen. Om det bara fallerar för vissa videor kan kommentarer vara avstängda, eller så behöver parsningen av video-ID från dina sheet-länkar stramas upp. Irriterande, men fullt möjligt att fixa.
Om du kör n8n i egen drift finns inget tak för antal körningar (det beror främst på din server och API-kvoter). På n8n Cloud beror din månadsgräns för körningar på din plan. I praktiken kan det här flödet hantera hundratals kommentarer per körning utan problem, men YouTube API-kvoten och OpenAI-användningen är de verkliga begränsningarna när du skalar till många videor.
Ofta ja, eftersom det här flödet behöver paginering, grenkontroller och strukturerat ”upsert”-beteende in i ett sheet, vilket brukar bli pilligt (och dyrt) i enklare automationsverktyg. n8n ger dig också mer kontroll över HTTP-anropen till YouTube, vilket spelar roll när du hämtar kommentarer i större skala. Zapier eller Make kan fortfarande fungera om du bara övervakar ett litet antal videor och inte bryr dig om historisk spårning. Om du är osäker: fundera på var du först kommer känna smärtan — kostnad, kontroll eller uppsättningstid. Prata med en automationsexpert så hjälper vi dig välja snabbt.
När det här väl rullar slutar din ”comment sentiment” att vara en känsla och blir en datamängd. Flödet tar hand om det repetitiva scannandet så att du kan fokusera på vad du ska svara på, vad du ska fixa och vad du ska satsa ännu mer på.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.