JIPRAKS Classroom

Cara Bangun AI Agent untuk Analisis Sentimen Review Produk di eCommerce dengan n8n + GPT (MVP 2 Hari)

· 2 menit baca

Cara Bangun AI Agent untuk Analisis Sentimen Review Produk di eCommerce dengan n8n + GPT (MVP 2 Hari)

🚨 Hook: Review Negatif Membunuh Penjualan Anda

Anda sudah menghabiskan ratusan ribu rupiah untuk iklan, lalu satu komentar "Produk tidak sesuai foto" menurunkan rating toko dan mengurangi konversi. Tanpa sistem otomatis, tim harus membaca ratusan review tiap hari – pura‑pura sibuk, tapi sebenarnya kehilangan peluang perbaikan.

🔍 Konsep Cepat: AI Agent + n8n = Sentimen Otomatis

Kita akan buat AI Agent yang memanggil GPT untuk menilai sentimen setiap review, mengkategorikannya (positif, netral, negatif) dan mengirim notifikasi ke Slack + spreadsheet. Semua dikoordinasi lewat n8n, workflow visual yang mudah dipasang tanpa kode berat.

🛠️ Breakdown Teknis

  • 1. Data Source: API marketplace (misal Tokopedia, Shopee) atau webhook yang mengirim review baru.
  • 2. n8n Trigger: Webhook node menerima payload JSON review.
  • 3. Pre‑Processing: Set & Function node untuk ekstrak text, rating, order_id.
  • 4. AI Agent Call: HTTP Request node ke OpenAI /v1/chat/completions dengan prompt: 
    Berikan sentiment (positif, netral, negatif) untuk review berikut, sertakan skor 0‑100 dan satu kalimat perbaikan jika negatif.
  • 5. Parse Response: Function node mengubah output JSON menjadi fields sentiment, score, suggestion.
  • 6. Decision Routing: If node – kalau sentiment == 'negatif' && score < 40 kirim ke Slack + buat tiket di Jira; else simpan ke Google Sheet.
  • 7. Persistensi: Google Sheets node (atau Postgres) untuk histori review + sentiment.
  • 8. Monitoring: Cron node tiap 6 jam jalankan report summary (jumlah positif/negatif, top‑3 keluhan) dan kirim ke email.

📦 Contoh Use Case Real: Toko Sepatu Online

Anda jual sepatu sneakers. Dalam 24 jam ada 150 review. Workflow n8n meng‑batch review tiap 20, memanggil GPT‑4‑turbo (0.002 $/1 K token). Hasil:

  • 85% positif – otomatis ditandai “👍”.
  • 10% netral – disimpan untuk analisis tren.
  • 5% negatif – notifikasi Slack berisi "Ukuran tidak sesuai, sebaiknya update size guide" dan tiket Jira otomatis dibuat.

Tim support melanjutkan hanya pada 7 tiket kritis, mengurangi beban kerja 90%.

💡 Insight & Strategi: Mengoptimalkan AI Agent Sentimen

  • Prompt Engineering: Tambahkan contoh dalam prompt (few‑shot) untuk meningkatkan akurasi pada bahasa Indonesia.
  • Cache Sentimen: Simpan hash review → sentiment di Redis; jika review sudah diproses, lewati panggilan API (hemat biaya).
  • Model Fallback: Jika token limit tercapai, gunakan model open‑source (Llama‑2‑7B) melalui self‑hosted endpoint.
  • Threshold Dinamis: Update nilai ambang (score < 40) tiap minggu berdasarkan feedback tim support.
  • Human‑in‑the‑Loop: Tambah step “Approve Suggestion” di Slack, beri tombol Approve/Reject yang langsung update sheet.

🛑 Penutup & Call to Action

Dengan hanya 2 hari setup, Anda sudah memiliki AI Agent yang men-transformasi ribuan review menjadi insight actionable. Mulai sekarang:

  1. Deploy n8n di Docker atau Railway.
  2. Daftar API key OpenAI (atau gunakan model lokal).
  3. Import workflow template JSON yang kami sediakan.
  4. Sesuaikan webhook marketplace Anda, dan jalankan!

Rasakan penurunan ticket support, peningkatan rating, dan keputusan produk yang lebih cepat. Selamat mencoba, dan share hasilnya di komunitas JIPRAKS Classroom!

Artikel terkait