Manuális lead-kezelést és emailes ügyfél-flow-t váltottunk Next.js webshopra WooCommerce katalógussal, n8n + OpenAI lead-osztályozóval. A sales 30-40 percnyi napi adminisztrációt nyert vissza.
Háttér
Az ügyfél egy 25-30 fős, közép-európai autóipari KKV, B2B alkatrész-katalógussal és tanácsadási szolgáltatással. A piacon erős, de a digitális ügyfél-flow elmarad a versenytársaktól: a katalógus PDF-ekben él, a leadek emaileken jönnek be, és a sales-csapat manuálisan kategorizál.
A kapcsolódás után az ügyvezető három problémát említett: 1) az új leadek 40-60%-ára nincs follow-up 24 órán belül, 2) a sales-asszisztens hetente 8-10 órát tölt email-kategorizálással, 3) a meglévő katalógus karbantartása fejlesztő-időt visz.
Kihívás
Az alap-probléma nem volt egyértelmű a megrendelő oldalán. Tudták, hogy a lead-handling lassú, de nem volt mérve. Az első hetekben időt szántunk a folyamat-feltárásra: a sales beszélgetésekből, a CRM-szempontból ki nem nyert adatból, és az árajánlat-flow elemzéséből rekonstruáltunk egy tipikus lead-utat.
Kiderült, hogy a lead típusok jól szegmentálhatók (technikai kérdés, kereskedelmi érdeklődés, panasz, együttműködési ajánlat), és a sales csapat a négy típusra eltérő SLA-t várna. A meglévő flow ezt nem támogatta. A katalógus oldal, ami egy WordPress-alapú információs oldal volt, nem tartalmazott aktuális készletadatot, ami további email-forgalmat generált.
Megközelítés
A discovery fázis után két szálat indítottunk párhuzamosan: 1) Next.js webshop WooCommerce-API-val, hogy a katalógus aktuálisan jelenjen meg és a leadek strukturált űrlapon érkezzenek, 2) n8n workflow OpenAI integrációval, ami a beérkező űrlapokat (és a meglévő email-archívumot) osztályozza négy típusba.
A scope szándékosan szűk maradt: nem építettünk teljes CRM-t, nem migráltunk át mindent, nem akartuk a sales-flow-t felforgatni. A meglévő Outlook + Excel-alapú munkafolyamatot kibővítettük a két új réteggel, amelyek időt szabadítottak fel.
Megoldás
A megoldás három komponensből áll. (1) A Next.js webshop frontend (App Router, TypeScript, Tailwind) prerenderelt katalógus-oldalakkal és élő készlet-adattal a WooCommerce REST API-ból. Statikus generálás óránként, így a Lighthouse 96/100 mobilon. (2) Egy strukturált lead-űrlap, ami a webshop minden termékoldaláról elérhető, és a beküldés egy n8n webhook-on landol. (3) Az n8n workflow OpenAI GPT-4o hívással osztályozza a leadet, kiír egy follow-up email vázlatot a sales-asszisztensnek, és bejegyzi a HubSpot CRM-be a megfelelő pipeline-ba.
Az OpenAI prompt verziókövetett a git repóban, eval-szettel (60 valós, manuálisan címkézett lead). A regression teszt minden prompt-változáskor lefut, és ha 90% alá esik a pontosság, blokkolja a deploy-t.
Technológiai döntések
A Next.js-t választottuk WordPress fölött, mert a katalógus tartalom struktúrált adat (termék, ár, készlet) — ehhez statikus generálás + ISR ideális, nem dinamikus CMS-publikálás. A WooCommerce-t megtartottuk, mert az ügyfél back-office csapata évek óta használja és nem akarták cserélni — mi csak az API-t fogyasztjuk.
Az n8n-t választottuk Make vagy Zapier helyett, mert a workflow self-hosted (a megrendelő saját DigitalOcean VPS-én fut), és a teljes kódot exportálhatjuk git-be. Az OpenAI GPT-4o került használatra, mert a few-shot példák nélkül is jó pontosságot adott a négy lead-kategória elkülönítésében. Anthropic Claude alternatíva volt, de az OpenAI ár-pontosság aránya jobb volt ezen a use case-en.
Buktatók
Két fő nehézség. Először: a sales-csapat először nem bízott az AI-osztályozásban. Az első hetekben a workflow csak vázolta a kategóriát, de a sales-asszisztens manuálisan ellenőrizte. Két hét és 80 lead után a pontosság stabilan 94% volt, és a csapat elkezdte automatikusan kezelni.
Másodszor: a WooCommerce API rate limit-jébe futottunk peak órákban. Bevezettünk egy edge cache réteget Vercel KV-val, és csak 10 percenként frissítjük a készletet. A megrendelő ehhez hozzájárult, mert a B2B vásárlóknak nem kritikus a real-time készlet — a sales follow-up a finomhangolás.
Eredmények
A go-live után három hónappal mértük az eredményeket. A lead-response idő mediánja 18 óráról 4 órára esett (a 90 perc alatti kategória nőtt az össz lead 12%-áról 41%-ra). Az osztályozási pontosság 94%-on stabilizálódott (eval-szett alapján). A sales-asszisztens napi munkájából 35-40 perc szabadult fel email-triázsoláson.
A webshop forgalom 22%-os mobil-share-rel indult; 90 nap után 38% mobil. A Lighthouse pontszám 96/100 mobil, 99/100 desktop. A katalógus-oldalak organikus keresési pozíciója a fő termékkategóriákra 8-12 helyet lépett feljebb (Search Console adat).
Stack
A legjobb döntés az volt, hogy nem akartuk forradalmasítani a teljes folyamatot. A kis lépéseket mérni tudtuk, és az AI-bevezetést a csapat akkor fogadta el, amikor saját szemmel látták hogy működik.
Ügyvezető — Autóipari KKV
Az idézet a tipikus ügyfél-feedbacket reprezentálja, nem szó szerinti idézet.
Kapcsolódó
RAG chatbot pgvector vektor-DB-vel és OpenAI GPT-4o-val, integrálva a meglévő Shopify storefront-ba. A support-tickek 38%-a automatikusan zárul, az ügyfél-elégedettségi score nem romlott.
RészletekEgy 12 fős, magyar-bázisú B2B SaaS startupnak újraépítettük a landing oldalt Next.js-en statikus generálással, hreflang HU/EN, PostHog A/B tesztelő infrastruktúrával. A free-trial konverzió 6 hét alatt 2,1%-ról 3,4%-ra emelkedett.
RészletekAz esettanulmányok valós projektek alapján készültek, anonimizálva az ügyfelek kérésére. A számok közelítések; a konkrét üzleti adatok titoktartás alatt állnak.