Automatisez la génération d'insights d'enquête avec l'IA et Google Sheets

Insights d'enquête propulsés par l'IA depuis Google Sheets

Ce workflow n8n automatise l'extraction d'insights significatifs à partir de grands volumes de réponses d'enquêtes non structurées stockées dans Google Sheets. En combinant une IA avancée, des embeddings vectoriels et des algorithmes de clustering, il identifie les thèmes communs et les sentiments, offrant une compréhension complète des retours des participants sans revue manuelle.

Fonctionnalités clés

• Importe et vectorise automatiquement les réponses d'enquête depuis Google Sheets.
• Utilise le clustering K-means pour identifier des groupes de réponses similaires pour chaque question.
• Résume les réponses regroupées et détermine le sentiment via un grand modèle de langage OpenAI (gpt-4o-mini).
• Export des insights catégorisés, incluant les ID des participants et les réponses brutes, vers une nouvelle feuille Google organisée.
• Gère efficacement un grand nombre de participants pour analyser les retours à grande échelle.

Fonctionnement

Le workflow traite les réponses d'enquête en plusieurs étapes distinctes :

• 1. Importer et préparer les réponses d'enquête : Le workflow commence par récupérer tous les résultats de votre feuille Google spécifiée. Chaque ligne est transformée en paires question-réponse, avec les détails du participant. Pour les questions avec des réponses longues, un découpeur récursif de texte en caractères assure un traitement optimal.
• 2. Vectoriser et stocker dans Qdrant : Chaque paire question-réponse est vectorisée à l'aide des embeddings OpenAI. Ces vecteurs, avec des métadonnées riches (question, participant, nom de l'enquête), sont ensuite stockés dans une base de données vectorielle Qdrant. Ce stockage structuré permet un interrogatoire et une analyse efficaces des réponses similaires par la suite.
• 3. Initialiser la génération d'insights : Un sous-workflow est déclenché pour commencer l'analyse. Cette étape récupère les métadonnées de votre feuille d'enquête et crée dynamiquement une nouvelle feuille "Insights" datée dans votre tableur existant pour stocker les résultats générés.
• 4. Extraire et parcourir les questions : Le workflow identifie toutes les questions issues des en-têtes de votre enquête. Chaque question est ensuite traitée séquentiellement, garantissant une analyse complète question par question.
• 5. Découvrir les clusters de réponses avec K-means : Pour chaque question, le workflow interroge Qdrant pour récupérer tous les vecteurs de réponses pertinents. Un nœud de code Python applique l'algorithme de clustering K-means sur ces vecteurs, identifiant des groupes de réponses similaires. Seuls les clusters contenant trois réponses similaires ou plus sont considérés pour une analyse approfondie, filtrant les réponses uniques ou insignifiantes.
• 6. Résumer et analyser les clusters avec l'IA : Pour chaque cluster identifié, le workflow récupère le contenu brut des réponses regroupées. Ces réponses sont envoyées à un grand modèle de langage OpenAI (LLM) via un Extracteur d'Informations. Le LLM résume le retour collectif, extrait les insights clés, et assigne un sentiment global (positif, neutre, négatif) au cluster.
• 7. Exporter des insights exploitables : Les insights résumés, accompagnés de données de support telles que le nombre de réponses, les ID des participants, et les réponses brutes, sont formatés avec soin. Ces insights complets sont ensuite ajoutés comme de nouvelles lignes dans la feuille Google "Insights" dédiée, fournissant une vue claire et structurée des résultats de votre enquête. Si une question ne génère pas de cluster significatif, une entrée "Aucun insight trouvé" est enregistrée.