Glassdoor雇主品牌月度对标记分卡

原文要点

这是一个免费的n8n模板，每月或手动运行：读取设置里的自家与竞品Glassdoor评论页URL，对每家公司分别触发一次Bright Data数据集抓取并轮询直到快照就绪；随后过滤抓取错误、标准化现任/离职员工等字段，把所有公司对齐到同一可比时间窗口，只对实际作答了某子评分的评论求均值，找出自家落后最强竞品最多的维度，把该维度自家差评文本交给OpenAI归纳主题；最后在Slack发记分卡、按公司×维度把指标追加到Google Sheets，失败时向告警频道发诊断消息。

这次做成什么

搭一条可每月运行的雇主品牌对标流水线，并用两个虚构雇主、约十条合成评论在本站自建的简化练习中验证"对齐时间窗→分维度求均值→找最大差距维度→AI归纳差评主题→输出记分卡"这条逻辑，再决定是否导入原模板。

准备什么

• n8n自建或云实例，能配置HTTP Request、Code、Schedule Trigger节点
• Bright Data账号及API Key，用于Header Auth凭据Authorization
• OpenAI API凭据，供聊天模型归纳差评主题
• Google Sheets OAuth2凭据和一张含Employer brand工作表的表格
• Slack工作区及Bot凭据，以及目标频道和默认#alerts告警频道
• 至少两条Glassdoor雇主评论页URL，确认URL中-E后雇主ID正确

具体怎么做

1. 配置四个凭据

   在n8n凭据页建Header Auth，名称Authorization、值Bearer 你的Bright Data Key；再分别添加OpenAI凭据、Google Sheets OAuth2、Slack Bot Token凭据，并确认表格里有名为Employer brand的工作表。

2. 填运行设置

   在Settings类节点的常量里填入自家与竞品的Glassdoor Reviews页URL、轮询最大次数和回溯月数；先用两条URL、较短轮询上限跑一次手动触发，验证能拿到快照。

3. 验证抓取与标准化

   对每个URL触发Bright Data数据集抓取并轮询到就绪，下载评论后过滤抓取错误行，把现任/离职员工、各维度子评分统一成固定字段名；用本站下方合成CSV先走通这段标准化代码再换成真实数据。

4. 对齐窗口并算差距

   把所有公司评论对齐到同一可比日期窗口，每个维度只对实际填了该子评分的评论求均值，逐维度比较自家均值与最佳竞品均值，取差距最大的维度作为最弱项。

5. AI归纳与输出

   把自家最弱维度的差评文本连同下方提示词发给OpenAI得到主题摘要；把公司×维度指标表追加到Google Sheets，把记分卡格式化后发到Slack目标频道，任何一步抛错则向#alerts发含失败节点名的诊断消息。

可直接复制的材料

你是雇主品牌分析师。下面是同一家公司员工在"{{最弱维度}}"上的差评原文。请用中文输出三段：1）反复出现的主题，最多3个，每个主题一行，格式为"主题名（出现约N次）：一句话说明"；2）一条最典型差评的20字以内引用；3）一条可在下个季度执行的改进建议。只基于给定文本，不要推测文本之外的事实。

差评文本：
{{reviews_cons_text}}

company,date,employee_type,overall,worklife,culture,cons
Acme,2026-06-12,current,3.0,2.0,3.0,加班多，周末经常被拉会
Acme,2026-06-28,former,2.0,1.0,2.0,排班混乱，休息日常被占用
Acme,2026-07-05,current,3.0,2.0,3.0,加班没有调休也没有加班费
Acme,2026-07-20,current,4.0,3.0,4.0,项目多时仍要连轴转
Rival,2026-06-15,current,4.0,4.0,4.0,福利一般但节奏可控
Rival,2026-06-30,former,4.0,5.0,3.0,基本不加班，文化稍官僚
Rival,2026-07-08,current,5.0,5.0,4.0,远程灵活，晋升偏慢
Rival,2026-07-19,current,4.0,4.0,4.0,会议偏多，但下班准时

{"sheet_columns":["run_date","company","dimension","our_avg","best_competitor","best_competitor_avg","gap","review_count"],"slack_scorecard_fields":["周期","各公司各维度均值","最弱维度与差距","差评主题摘要","数据量"],"redis_keys":[],"notes":"原模板的工作流JSON需从n8n.io/workflows/19534导入后以实际节点为准，本表是本站按其说明整理的输出列设计"}

输入与输出示例

本站虚构演示，未实际调用Bright Data/OpenAI/Slack，数字由合成数据手工算得。

输入

用上方合成CSV、回溯窗口2026-06-01至2026-07-31运行对齐与均值步骤：Acme的worklife有4条作答，Rival的worklife有4条作答。

对应输出

对齐后两公司可比评论各4条。Acme worklife均值2.00，Rival worklife均值4.50，差距-2.50为最大，故最弱维度=worklife。把Acme该维度4条cons发给模型，示意摘要：主题"加班常态化（出现约3次）：周末与休息日被占用"、"排班与补偿缺失（出现约2次）"。Slack记分卡：Acme最弱维度worklife落后Rival 2.5分，建议优先改善排班与调休制度。Sheets追加一行：2026-08-01,Acme,worklife,2.00,Rival,4.50,-2.50,4。

做完检查这些

• 过滤抓取错误后，每家公司都至少剩一条落在共同时间窗内的评论，否则流程应走失败分支并发Slack诊断而不是输出空记分卡
• 每个维度均值只统计实际作答了该子评分的评论，用合成数据手算Acme worklife均值应等于(2+1+2+3)/4=2.00
• 最弱维度判定写死为"自家均值减最佳竞品均值"最小的那个维度，示例中必须是worklife而非culture
• Google Sheets追加的列数与表头一致且日期为运行日；Slack消息包含周期、差距和主题摘要三段
• 断开Bright Data凭据手动触发一次，配置的告警频道（默认#alerts）应收到失败/诊断消息；消息具体字段（如是否含失败节点名）以导入模板后的实际配置为准

容易卡住的地方

• Bright Data抓取与轮询是异步的，轮询上限设太短会在数据未就绪时误判失败，且每次抓取产生Bright Data费用
• Glassdoor雇主页URL里-E后的雇主ID填错会抓到别家评论，且抓取可能受Glassdoor条款与地区限制，需自行评估合规
• 子评分缺失的评论不能按0计入均值，否则自家分数被系统性压低
• OpenAI、Bright Data、Slack超出免费额度部分都可能另收费，模板本身免费不代表运行零成本
• 未下载核对原工作流前，节点名与默认值以导入模板后的实际界面为准