Votre banque de workflows n8n.

Ce workflow n8n a pour objectif de tester plusieurs modèles de langage local à l'aide de LM Studio et d'analyser leurs performances. Dans un contexte où les entreprises cherchent à optimiser l'utilisation des modèles d'intelligence artificielle, ce workflow permet de capturer des données précieuses sur les performances des modèles en temps réel. Les cas d'usage incluent l'évaluation de la qualité des réponses générées par les modèles et l'optimisation des processus de communication. Étape 1 : le déclencheur 'When chat message received' active le workflow lors de la réception d'un message. Étape 2 : le noeud 'Get Models' récupère les modèles disponibles via une requête HTTP. Étape 3 : les noeuds 'Sticky Note' sont utilisés pour afficher des informations pertinentes tout au long du processus. Étape 4 : le noeud 'Run Model with Dynamic Inputs' exécute le modèle sélectionné avec des entrées dynamiques. Étape 5 : les résultats sont analysés à l'aide du noeud 'Analyze LLM Response Metrics' et sauvegardés dans Google Sheets via le noeud 'Save Results to Google Sheets'. Ce workflow offre une valeur ajoutée significative en permettant aux entreprises de mieux comprendre et d'optimiser l'utilisation des modèles LLM, réduisant ainsi le temps d'analyse et améliorant la qualité des interactions.

Ce workflow n8n a pour objectif d'automatiser l'extraction, le résumé et l'analyse de sentiment de contenus à l'aide de Bright Data. Il est particulièrement utile pour les équipes marketing et communication qui cherchent à analyser rapidement des données textuelles et à en tirer des insights précieux. Grâce à cette automatisation n8n, les utilisateurs peuvent gagner du temps et améliorer leur efficacité en matière de traitement de contenu. Le workflow commence par un déclencheur manuel qui permet de tester le flux. Ensuite, plusieurs nœuds de type 'Sticky Note' sont utilisés pour afficher des informations pertinentes. Les données textuelles sont extraites à l'aide du nœud 'Markdown to Textual Data Extractor'. Par la suite, le workflow envoie des requêtes HTTP pour initier des notifications Webhook pour l'extraction de données et l'analyse de sentiment. Les modèles Google Gemini sont intégrés pour le résumé et l'analyse de sentiment, offrant des résultats précis et rapides. Enfin, les fichiers générés sont écrits sur le disque, permettant une consultation ultérieure. Cette automatisation apporte une valeur ajoutée significative en réduisant le temps d'analyse et en améliorant la prise de décision basée sur des données concrètes.

Ce workflow n8n a pour objectif d'analyser et de détecter des schémas de discrimination au sein des entreprises en utilisant des modèles d'IA. Dans un contexte où la diversité et l'inclusion sont des enjeux majeurs pour les entreprises, ce processus permet de scruter les avis des employés et d'extraire des données pertinentes pour identifier des tendances discriminatoires. Les cas d'usage incluent l'analyse des avis sur des plateformes comme Glassdoor, permettant ainsi aux ressources humaines d'agir de manière proactive. Le workflow commence par un déclencheur manuel, qui initie le processus d'analyse. Ensuite, plusieurs modèles OpenAI sont utilisés pour traiter les données et générer des insights. Des requêtes HTTP sont effectuées pour récupérer les avis des employés, suivies par des étapes d'extraction et de traitement des données pour obtenir des statistiques clés. Les résultats sont ensuite formatés pour être visualisés sous forme de graphiques, facilitant ainsi la compréhension des résultats. Grâce à cette automatisation n8n, les entreprises peuvent mieux comprendre leur environnement de travail et prendre des décisions éclairées pour améliorer la culture d'entreprise. En intégrant ce workflow, les entreprises bénéficient d'une meilleure visibilité sur les problèmes de discrimination, ce qui peut conduire à une amélioration de l'engagement des employés et à une réduction des risques juridiques.

Ce workflow n8n a pour objectif d'automatiser l'analyse de contenu sur Reddit et de générer des rapports pertinents. Dans un contexte où les entreprises cherchent à tirer parti des discussions en ligne pour mieux comprendre leur marché, ce workflow permet d'extraire des posts, d'analyser les commentaires et de compiler des informations clés. Les cas d'usage incluent la surveillance de la réputation de marque, l'analyse des tendances et la collecte de feedbacks utilisateurs. Étape 1 : le déclencheur est programmé via un Schedule Trigger qui permet de lancer le processus à des intervalles réguliers. Étape 2 : le workflow commence par la recherche de posts sur Reddit à l'aide du noeud Search Posts, où des mots-clés et des localisations peuvent être spécifiés. Étape 3 : les posts sont ensuite filtrés selon un critère d'upvotes grâce au noeud Upvotes Requirement Filtering. Étape 4 : les posts pertinents sont formatés et les doublons sont éliminés avec Remove Duplicates. Étape 5 : pour chaque post, les commentaires sont récupérés et analysés, permettant d'extraire les commentaires les plus pertinents. Enfin, les résultats sont compilés dans un rapport final qui peut être converti en fichier et stocké sur Google Drive. L'automatisation n8n apporte une valeur ajoutée significative en réduisant le temps consacré à la recherche manuelle et en fournissant des insights exploitables pour les équipes marketing et produit.

Ce workflow n8n a pour objectif de calculer le centroïde d'un ensemble de vecteurs, une tâche essentielle dans de nombreux domaines tels que l'analyse de données, l'apprentissage automatique et la visualisation. En automatisant ce processus, les entreprises peuvent gagner du temps et réduire les erreurs humaines, tout en obtenant des résultats précis et exploitables. Dans un contexte où les données sont de plus en plus volumineuses et complexes, ce workflow est particulièrement utile pour les équipes de data science et d'analyse. Étape 1 : le workflow commence par le nœud 'Receive Vectors', qui utilise un webhook pour recevoir les vecteurs à traiter. Étape 2 : ensuite, le nœud 'Extract & Parse Vectors' extrait et prépare ces vecteurs pour le calcul. Étape 3 : le nœud 'Validate & Compute Centroid' exécute le code JavaScript nécessaire pour calculer le centroïde des vecteurs fournis. Étape 4 : enfin, le résultat est renvoyé via le nœud 'Return Centroid Response', qui répond au webhook avec le centroïde calculé. Les notes autocollantes ajoutées dans le workflow permettent de visualiser les étapes et d'améliorer la compréhension du processus. En intégrant ce workflow dans leur système, les entreprises peuvent automatiser le calcul du centroïde, réduire les délais de traitement et améliorer la précision des analyses.

Ce workflow n8n permet d'automatiser l'analyse des rapports financiers en utilisant Google Sheets et des modèles d'IA avancés. Idéal pour les équipes financières et les analystes de données, ce processus simplifie la collecte et l'analyse des données de performance des actions. En intégrant des outils comme Pinecone pour le stockage vectoriel et Google Gemini pour les embeddings, ce workflow facilite l'extraction et le traitement des informations pertinentes. Étape 1 : Le workflow commence par un déclencheur manuel, permettant aux utilisateurs de lancer le processus à tout moment. Étape 2 : Les fichiers nécessaires sont chargés depuis Google Sheets, où les données financières sont stockées. Étape 3 : Les données sont ensuite traitées à l'aide de l'agent IA qui analyse les rapports et génère des insights. Étape 4 : Les résultats sont sauvegardés dans Google Docs pour un accès facile et une présentation claire. Ce processus utilise également des modèles d'IA comme OpenAI et Google Gemini pour enrichir les résultats. Les bénéfices de cette automatisation n8n incluent une réduction significative du temps consacré à l'analyse manuelle des données, une amélioration de la précision des rapports et une meilleure prise de décision basée sur des données fiables. En intégrant ces outils, les entreprises peuvent se concentrer sur des tâches à plus forte valeur ajoutée tout en optimisant leur efficacité opérationnelle.

Ce workflow n8n a pour objectif de simplifier la comparaison de deux ensembles de données SQL, ce qui est essentiel pour les équipes de données et les analystes. En utilisant ce workflow, les utilisateurs peuvent rapidement identifier les différences entre des commandes de différentes années, ce qui est crucial pour l'analyse des tendances et la prise de décision. Le processus commence par un déclencheur manuel, permettant à l'utilisateur d'exécuter le workflow à tout moment. Ensuite, deux requêtes SQL sont exécutées pour récupérer les commandes des années 2003, 2004 et 2005. Ces données sont ensuite comparées à l'aide du nœud 'Compare Datasets', qui permet de visualiser les différences et les similitudes entre les ensembles de données. Enfin, le workflow inclut un nœud pour modifier le compte des commandes, ce qui permet d'ajuster les résultats selon les besoins. Grâce à cette automatisation n8n, les entreprises peuvent gagner un temps précieux dans leurs analyses de données, réduire les erreurs manuelles et améliorer la précision des rapports. En intégrant ce type de workflow dans leurs processus, les équipes peuvent se concentrer sur des tâches à plus forte valeur ajoutée, tout en ayant une vue d'ensemble claire de leurs données.

Ce workflow n8n a pour objectif d'automatiser l'analyse d'images stockées sur Google Drive, permettant ainsi aux utilisateurs de gagner du temps et d'améliorer leur efficacité dans la gestion de contenu visuel. En intégrant des outils d'édition d'images et d'analyse de données, ce processus est idéal pour les équipes marketing, les créateurs de contenu et les professionnels de la communication qui souhaitent extraire des informations pertinentes de leurs visuels. Le workflow commence par un déclencheur manuel, permettant à l'utilisateur de lancer le processus à tout moment. Ensuite, il utilise le nœud Google Drive pour récupérer l'image ciblée via son ID. Une fois l'image obtenue, le workflow procède à une analyse de couleur et à un redimensionnement de l'image, garantissant que les visuels soient optimisés pour leur utilisation. Les nœuds d'édition d'image, tels que 'Get Color Information' et 'Resize Image', sont essentiels pour préparer les données avant leur traitement. Par la suite, des nœuds comme 'Get Image Keywords' et 'Embeddings OpenAI' permettent d'extraire des mots-clés et d'effectuer des analyses sémantiques, enrichissant ainsi le contenu généré. En combinant toutes ces étapes, ce workflow offre une valeur ajoutée significative en automatisant des tâches qui, autrement, prendraient beaucoup de temps, tout en réduisant les risques d'erreurs humaines.

Ce workflow n8n est conçu pour automatiser l'analyse des commentaires sur les vidéos YouTube, offrant ainsi une solution efficace pour les créateurs de contenu et les équipes marketing. En intégrant des appels API et des traitements de données, ce workflow permet de récupérer les commentaires d'une vidéo, de les analyser et de générer des rapports détaillés. Les cas d'usage incluent la surveillance de l'engagement des utilisateurs et l'identification des tendances dans les retours des spectateurs. Le processus débute avec un déclencheur manuel ou par un autre workflow, permettant ainsi une flexibilité d'exécution. Ensuite, le workflow crée une URL API pour accéder aux détails de la vidéo et aux commentaires via des requêtes HTTP. Les commentaires sont ensuite extraits et combinés avec les détails de la vidéo pour une analyse approfondie. Grâce à des noeuds comme 'Combine Comments' et 'Markdown to HTML', les résultats sont formatés et préparés pour être envoyés par email ou sauvegardés sur Google Drive. Ce workflow utilise également des fonctionnalités avancées d'intelligence artificielle pour enrichir l'analyse des commentaires. En mettant en place cette automatisation n8n, les utilisateurs peuvent gagner un temps précieux tout en améliorant la qualité de leurs interactions avec leur audience. Cela permet non seulement de réduire les efforts manuels, mais aussi d'obtenir des insights précieux sur les préférences et les attentes des spectateurs, renforçant ainsi la stratégie de contenu.

Ce workflow n8n, intitulé 'Adaptive RAG', a pour objectif d'intégrer différentes stratégies d'analyse pour traiter des données textuelles de manière efficace. Dans un contexte où les entreprises doivent gérer une grande quantité d'informations, ce workflow permet de classifier et d'analyser des requêtes en temps réel, facilitant ainsi la prise de décision basée sur des données précises. Les cas d'usage incluent l'analyse de sentiments, la synthèse d'informations et l'extraction de données pertinentes à partir de documents variés. Le workflow commence par un déclencheur de type 'Chat', qui active le processus lorsque des requêtes sont reçues. Ensuite, le noeud 'Query Classification' permet de déterminer le type de requête à traiter. En fonction de cette classification, le flux se divise grâce au noeud 'Switch', qui dirige les requêtes vers différentes stratégies d'analyse : 'Factual Strategy', 'Analytical Strategy', 'Opinion Strategy' et 'Contextual Strategy'. Chaque stratégie utilise des agents Langchain pour générer des réponses adaptées. Les résultats sont ensuite stockés et organisés à l'aide de noeuds de type 'Set' et 'Sticky Note', permettant une visualisation claire des informations traitées. Les bénéfices de cette automatisation n8n sont multiples : elle réduit le temps de traitement des données, améliore la précision des analyses et offre une flexibilité dans la gestion des requêtes. En intégrant des stratégies variées, les utilisateurs obtiennent des réponses plus complètes et nuancées, ce qui renforce leur capacité à prendre des décisions éclairées.

Ce workflow n8n a pour objectif d'analyser les publications sur Reddit afin d'identifier des opportunités commerciales. Dans un contexte où les entreprises cherchent à comprendre les besoins et les sentiments des consommateurs, cette automatisation permet de recueillir des données pertinentes à partir de Reddit. Les cas d'usage incluent la détection des tendances émergentes et l'analyse des sentiments des utilisateurs, ce qui peut aider les équipes marketing à ajuster leurs stratégies. Étape 1 : Le workflow commence par un déclencheur manuel qui permet de tester le flux. Étape 2 : Ensuite, il utilise plusieurs modèles de langage OpenAI pour analyser le contenu des publications. Étape 3 : Les publications sont ensuite soumises à une analyse de sentiment, qui classe les posts en positifs, neutres ou négatifs. Étape 4 : Les résultats sont ensuite fusionnés et résumés avant d'être envoyés par email ou enregistrés dans Google Sheets. Ce processus permet aux entreprises de gagner du temps et d'obtenir des insights précieux sans avoir à analyser manuellement chaque publication. En intégrant cette automatisation n8n, les entreprises peuvent améliorer leur réactivité face aux besoins du marché et optimiser leur prise de décision.

Ce workflow n8n a pour objectif d'automatiser l'analyse des résultats d'enquête en utilisant Google Sheets. Il est particulièrement utile pour les équipes marketing et les analystes de données qui souhaitent extraire des informations pertinentes à partir de réponses d'enquête. Grâce à ce workflow, vous pouvez facilement récupérer des données, les traiter et générer des insights exploitables. Le processus commence par un chargement des données d'enquête via le nœud 'Default Data Loader', qui récupère les résultats à partir d'une feuille Google. Ensuite, les questions sont extraites et converties en paires de questions-réponses grâce aux nœuds 'Extract Questions' et 'Convert to Question Answer Pairs'. Le workflow utilise également des modèles d'OpenAI pour analyser les réponses et générer des insights. Les résultats sont ensuite préparés pour exportation vers Google Sheets, facilitant ainsi la visualisation et le partage des données. En intégrant des nœuds tels que 'Get Survey Results' et 'Export To Sheets', ce workflow permet une gestion fluide des données d'enquête. En fin de compte, cette automatisation n8n réduit le temps consacré à l'analyse manuelle et améliore la prise de décision en fournissant des insights rapides et précis.