Trustpilot客户评价智能分析工作流

工作流名称

Trustpilot客户评价智能分析工作流

主要功能和亮点

该工作流自动抓取Trustpilot上指定公司的客户评价，利用向量数据库Qdrant存储和管理评价数据，应用K-means聚类算法自动识别评价主题聚类，随后通过OpenAI大型语言模型（LLM）对每个聚类进行深入分析和总结，最终将洞察结果导出到Google Sheets，便于团队共享和决策支持。
亮点包括：

• 自动化多页面评价数据抓取和结构化提取
• 使用向量数据库实现高效相似度搜索和聚类分析
• 结合机器学习聚类与大语言模型进行智能洞察生成
• 灵活时间范围筛选，支持定期或按需分析
• 直接输出到Google Sheets，方便后续数据处理和展示

解决的核心问题

• 手动收集和分析大量客户评价耗时且效率低
• 评价数据非结构化，难以归纳总结客户真实反馈和痛点
• 无法快速识别客户关注的热点主题及情感趋势
• 缺乏自动化工具将海量评价转化为可操作的洞察

应用场景

• 品牌和产品管理团队定期监控客户满意度和反馈趋势
• 市场调研部门分析竞争对手或行业口碑
• 客户服务团队快速识别重点投诉和改进机会
• 数据分析师构建客户评价数据驱动的业务报告
• 任何希望从Trustpilot评价中提取结构化洞察的企业或个人

主要流程步骤

1. 初始化设置：配置目标公司ID，清理Qdrant中历史评价数据，确保数据新鲜。
2. 抓取评价数据：通过HTTP请求自动抓取Trustpilot最近三页的评价HTML页面。
3. 提取评价内容：使用HTML节点解析页面，提取评价作者、评分、标题、正文、日期、国家等字段。
4. 数据结构化处理：将提取的评价信息整理为数组格式，方便后续处理。
5. 生成文本向量：调用OpenAI Embeddings API，将评价文本转为向量表示。
6. 存储向量数据：将向量及其元数据插入Qdrant向量数据库，支持高效相似度搜索。
7. 触发分析子工作流：根据时间范围筛选评价向量，执行聚类与分析流程。
8. 聚类分析：使用Python代码节点执行K-means算法，自动将评价向量分为多个主题聚类。
9. 获取聚类评价详情：过滤有效聚类（包含3条以上评价），并从Qdrant获取对应评价内容。
10. 智能洞察生成：利用LLM对每个聚类的评价进行总结，生成洞察、情感倾向及改进建议。
11. 导出结果：将洞察和原始评价数量等信息写入Google Sheets文档，便于查看和分享。

涉及的系统或服务

• Trustpilot：抓取客户评价数据的来源。
• Qdrant：高性能向量数据库，用于存储和查询评价向量。
• OpenAI API：生成文本向量（Embeddings）和智能文本总结（GPT-4模型）。
• Google Sheets：存储最终分析结果，支持团队协作和数据共享。
• n8n：低代码自动化平台，用于搭建整个数据抓取、处理与分析流程。

适用人群或使用价值

• 品牌管理者和市场营销人员，帮助理解客户口碑和产品反馈。
• 数据分析师和业务智能团队，提升客户评价分析的效率和深度。
• 客户服务负责人，快速锁定主要投诉点和改进方向。
• 任何希望自动化从Trustpilot评价中提炼有价值洞察的企业或个人用户。

该工作流极大降低了客户评价数据的处理门槛，将海量非结构化评价转化为结构化、主题化并富含洞察的信息，助力企业提升客户体验和产品竞争力。