23 konkreettista case-esimerkkiä

Ongelma

Myyntitiimi käytti 40 % ajastaan liidien manuaaliseen arviointiin. Verkkosivujen lomakkeista tuli päivittäin 50–80 liidiä, joista vain 15 % oli oikeasti ostohalukkaita. Myyjät soittivat satunnaisessa järjestyksessä, jolloin kuumat liidit jäivät usein liian pitkäksi aikaa ilman kontaktia.

Ratkaisu

Rakensimme N8N-työnkulun, joka pisteyttää jokaisen liidin automaattisesti. Järjestelmä analysoi verkkosivukäyttäytymistä (katselut, lataukset, aika sivustolla), yritystietoja Finder.fi:stä ja aiempaa vuorovaikutusta CRM:ssä. AI-malli (GPT-4) tekee lopullisen pisteytyksen 1–100 asteikolla.

Tekninen toteutus

N8N webhook vastaanottaa HubSpotin lomake-eventin → rikastaa yritystiedot Finder.fi-API:lla (liikevaihto, henkilöstö, toimiala) → hakee kontaktin aiemman HubSpot-historian → GPT-4 pisteyttää kokonaisuuden → päivittää HubSpot lead score -kentän → lähettää Slack-notifikaation myyjälle jos pistemäärä > 70.

Käytetyt työkalut

Ongelma

Tarjousten laatiminen vei myyjiltä keskimäärin 2–4 tuntia per tarjous. Jokainen tarjous koottiin manuaalisesti Word-pohjaan, kopioitiin CRM:stä asiakastiedot ja räätälöitiin palvelukuvaukset. Viikossa tehtiin 8–12 tarjousta, mikä kuormitti erityisesti kahta seniori-myyjää.

Ratkaisu

Make.com-automaatio generoi tarjouksen automaattisesti Pipedrive-diilin perusteella. AI analysoi asiakkaan toimialan, tarpeet (CRM-muistiinpanoista) ja aiemmat tarjoukset, ja luo räätälöidyn tarjouksen PDF-muodossa asiakkaan brändiin sopivalla pohjalla.

Tekninen toteutus

Pipedrive-diili siirtyy 'Tarjous'-vaiheeseen → Make.com webhook laukeaa → hakee diilin tiedot, yhteyshenkilön, yrityksen ja muistiinpanot → GPT-4 generoi tarjoustekstin → Google Docs API luo dokumentin yrityksen pohjalle → PDF-konversio → DocuSign-allekirjoituspyyntö lähetetään automaattisesti.

Käytetyt työkalut

Ongelma

Salesforcen data rappeutui nopeasti: yhteystiedot vanhenivat, yritystiedot puuttuivat, duplikaatteja syntyi jatkuvasti. Myyntitiimi ei luottanut dataan, joten monet eivät päivittäneet CRM:ää ollenkaan. Tämä johti menetettyihin myyntimahdollisuuksiin ja päällekkäisiin yhteydenottoihin.

Ratkaisu

N8N-automaatio tarkistaa ja rikastaa CRM-datan viikoittain. Järjestelmä etsii puuttuvat tiedot julkisista rekistereistä (PRH, YTJ), tunnistaa ja yhdistää duplikaatit AI:n avulla, ja merkitsee vanhentuneet yhteystiedot tarkistettaviksi.

Tekninen toteutus

Viikoittainen N8N cron-ajo → käy läpi Salesforce-kontaktit ja -yritykset → etsii puuttuvat tiedot YTJ:stä (liikevaihto, osoite, toimiala) → GPT-4 tunnistaa todennäköiset duplikaatit nimien ja osoitteiden perusteella → automaattinen yhdistäminen tai merkintä manuaaliseen tarkistukseen → raportti Slackiin.

Käytetyt työkalut

Ongelma

Kirjanpitäjä käsitteli päivittäin 30–50 ostolaskua manuaalisesti. Jokainen lasku piti avata, tarkistaa toimittaja, tiliöidä oikeille kustannuspaikoille ja lähettää hyväksyttäväksi. Virheitä syntyi erityisesti kustannuspaikkakohdistuksessa, ja laskut myöhästyivät usein hyväksyntäkierroksilla.

Ratkaisu

Zapier + AI -automaatio lukee ostolaskut Procountorista, AI tunnistaa toimittajan ja laskun tyypin, ehdottaa tiliöintiä historiaan perustuen ja reitittää hyväksyttäväksi oikealle henkilölle kustannuspaikan perusteella.

Tekninen toteutus

Procountorin API:sta haetaan uudet ostolaskut → Zapier lähettää laskun tiedot (toimittaja, summa, viite) GPT-4:lle → AI ehdottaa tiliöintiä aiempien vastaavien laskujen perusteella → automaattinen kustannuspaikkakohdistus → Slack-viesti hyväksyjälle approve/reject-napeilla → hyväksynnän jälkeen Procountor päivitetään.

Käytetyt työkalut

Ongelma

Kuukausittainen täsmäytys 80 asiakasyritykselle vei tilitoimistossa 3 työpäivää. Pankkitilien, myyntireskontran ja ostoreskontran täsmäytys tehtiin pääosin manuaalisesti Netvisorissa. Virheet huomattiin usein vasta kuukausia myöhemmin.

Ratkaisu

N8N-automaatio tekee päivittäisen täsmäytyksen automaattisesti jokaiselle asiakkaalle. Järjestelmä vertaa pankkitilitapahtumia kirjanpitoon, tunnistaa erot ja generoi raportin poikkeavuuksista.

Tekninen toteutus

N8N päivittäinen cron → Netvisor API: haetaan pankkitapahtumat, myyntireskontra, ostoreskontra → vertailu ja täsmäytys → GPT-4 analysoi poikkeavuudet ja ehdottaa korjauksia → Google Sheets -raportti → email-notifikaatio kirjanpitäjälle kun poikkeavuuksia löytyy.

Käytetyt työkalut

Ongelma

Markkinointitiimi (2 henkilöä) joutui tuottamaan sisältöä 4 kanavaan (Instagram, Facebook, LinkedIn, TikTok) päivittäin. Sisällön suunnittelu, tekstien kirjoittaminen, kuvien muokkaus ja ajastaminen veivät 3–4 tuntia päivässä. Silti julkaisut olivat usein myöhässä tai laadultaan epätasaisia.

Ratkaisu

Make.com-automaatio generoi viikottaisen sisältökalenterin AI:n avulla. Järjestelmä luo kanavaspesifiset tekstit, ehdottaa kuvia tuotevalikoimasta ja ajastaa julkaisut optimaalisiin ajankohtiin engagement-datan perusteella.

Tekninen toteutus

Viikoittain Make.com cron → hakee tulevat kampanjat ja tuotelanseeraukset Google Sheetsistä → GPT-4 generoi kanavaspesifiset tekstit (IG: lyhyt + hashtagit, LI: asiantunteva, FB: keskusteleva) → Canva API generoi kuvat tuotepohjista → Buffer API ajastaa julkaisut → viikkoraportti engagement-luvuista.

Käytetyt työkalut

Ongelma

Jokaiselle asiakkaalle koottiin kuukausittainen kampanjaraportti manuaalisesti. Data haettiin Google Adsista, Meta Ads Managerista, Google Analyticsista ja CRM:stä. Yhden raportin kokoaminen vei 2–3 tuntia. 25 asiakkaan raportointiin meni siis lähes koko viikko.

Ratkaisu

N8N kerää kaikkien asiakkaiden kampanjadatan automaattisesti, AI tekee analyysin ja suositukset, ja generoi visuaalisesti näyttävän PDF-raportin. Raportti lähetetään asiakkaalle automaattisesti kuukauden alussa.

Tekninen toteutus

N8N kuukauden 1. päivä → hakee jokaisen asiakkaan kampanjadatan (Google Ads, Meta Ads, GA4) → GPT-4 analysoi trendit, poikkeavuudet ja generoi suositukset → Google Slides API luo raportin asiakaskohtaiseen pohjaan → PDF-konversio → Gmail lähettää asiakkaalle.

Käytetyt työkalut

Ongelma

HR-tiimi (2 henkilöä) käsitteli kuukausittain 200–300 hakemusta 5–8 avoimeen paikkaan. CV:iden lukeminen, alkukarsinnan tekeminen, haastattelukutsujen lähettäminen ja aikataulujen sovittaminen veivät valtavasti aikaa. Hyvät hakijat menivät kilpailijoille, koska prosessi oli hidas.

Ratkaisu

Make.com-automaatio käsittelee hakemukset automaattisesti. AI arvioi CV:n sopivuuden tehtävänkuvaukseen, pisteyttää hakijat ja lähettää jatkoon pääseville automaattisen haastattelukutsun kalenterilinkin kanssa.

Tekninen toteutus

Teamtailor-webhook uudesta hakemuksesta → Make.com hakee CV:n ja hakemustekstin → GPT-4 arvioi sopivuuden tehtävänkuvaukseen (0–100) → yli 65 pistettä: automaattinen haastattelukutsu Google Calendar -linkin kanssa → HR saa Slack-ilmoituksen → alle 40: automaattinen kohtelias hylkäysviesti.

Käytetyt työkalut