Техническое задание: Система автоматической генерации аналитических отчетов (с использованием n8n и AI)
Цель: Создать автоматизированный конвейер в n8n, который собирает и обрабатывает данные из различных источников, а затем на их основе генерирует полноценные текстовые аналитические отчеты, имитирующие логику и структуру отчетов, написанных человеком-аналитиком.
Основные задачи по этапам
Этап 1: Сбор и интеграция данных
1.1. Статистические данные: Реализовать загрузку табличных данных (Excel/CSV) с статистическими данными и показателями, ценами, объемами производства и т.д. Должны поддерживаться два режима:
Автоматический: из email-вложений, Google Drive / Dropbox папки.
Ручной: через веб-форму или запуск сценария n8n с прикрепленным файлом.
1.3. Внутренние отчеты: Добавить возможность загружать примеры готовых аналитических отчетов (PDF/Doc) для извлечения из них конкретных данных или для использования в качестве шаблона.
Этап 2: Обработка и структурирование данных
2.1. Очистка и фильтрация: Автоматически удалять ненужные строки/столбцы, приводить данные к единому формату (даты, числа, валюты).
2.2. Агрегация и расчет метрик:
Группировать данные по заданным параметрам (регионы, страны, цены, временные периоды).
Рассчитывать ключевые метрики: динамика (рост/падение в %, YoY, MoM), доли, средние значения, выявление аномалий и тд.
2.3. Подготовка данных для AI: Формировать итоговые структурированные данные (в формате JSON или текста) – "справку для аналитика", которая будет содержать все необходимые цифры, факты и выдержки из новостей для написания отчета.
Этап 3: Генерация текстового аналитического отчета
3.1. Формирование запроса (промпта) к AI: Сценарий n8n должен динамически создавать развернутый промпт для языковой модели (LLM), включающий:
Контекст: "Ты — финансовый аналитик. Подготовь отчет за [Период] по рынку [Название рынка]".
Структурированные данные: Все цифры и метрики, рассчитанные на Этапе 2.
Шаблон и инструкции: "Следуй структуре приложенного примера отчета. Начни с общих выводов, затем детализируй по регионам. Объясни рост цен, используя факты из новостей. Заверши отчет прогнозом. итд"
3.2. Взаимодействие с языковой моделью: Настроить интеграцию по API с генеративной языковой моделью (например, OpenAI, Anthropic Claude или аналоги).
3.3. Создание текста: Отправка промпта и получение готового, связного текста аналитического отчета.
Этап 4: Форматирование и экспорт результата
4.1. Компиляция итогового документа: Объединить сгенерированный текст (из Этапа 3) с ключевыми таблицами и графиками (сформированными на Этапе 2).
4.2. Экспорт: Выгрузить финальный отчет в один из выбранных форматов:
Google Docs (предпочтительно, для легкого редактирования)
PDF-файл
Отправка текста и таблиц по email.
Хранилище данных
5.1. База данных: Настроить базу данных (PostgreSQL, но возможно использование SQLite или Airtable) для хранения всех собранных и обработанных данных.
5.2. Архитектура: Структура БД должна позволять легко добавлять новые источники, типы данных и проводить ретроспективный анализ за длительные периоды.
Входные данные (предоставляются заказчиком)
Примеры таблиц Excel/CSV с данными.
Шаблон и примеры целевых аналитических отчетов.
Список ключевых полей, метрик и параметров для анализа.
Доступы к необходимым API, источникам RSS.
Требования к исполнителю
Глубокий опыт работы с n8n и построения сложных, масштабируемых сценариев.
Опыт в ETL (Extract, Transform, Load) процессах и автоматизации работы с данными.
Понимание логики работы с реляционными базами данных (PostgreSQL/SQLite).
Опыт работы с API генеративных языковых моделей (LLM), умение составлять эффективные промпты (prompt engineering).
Понимание основ статистики и анализа данных. если ты прочитал до конца, то откликаясь укажи два последних предложения из моего текста, так я пойму что ты не робот.
