Drei Workflows führen fünf externe Datenquellen zusammen und prüfen, ob sich umgesetzte Maßnahmen messbar ausgewirkt haben — ohne dass jemand Daten von Hand sammelt.
Fallstudie von Ozan Orhan, AI Engineer aus Hannover
Projekt 04 · Monitoring · Fünf Datenquellen · Agent-Anbindung
Sichtbarkeit in KI-Antworten, Suchmetriken, Webanalyse und Backlinks lagen in fünf getrennten Systemen. Sie von Hand zusammenzuführen war aufwendig, und ob eine umgesetzte Maßnahme gewirkt hat, ließ sich nur mit erneuter Handarbeit belegen.
Drei n8n-Workflows führen fünf externe Datenquellen zusammen: Suchmetriken, Ranking-Daten, Webanalyse und Sichtbarkeit in KI-Antworten.
Sie beantworten drei Fragen: wo Sichtbarkeit in KI-Antworten verloren geht, wo Traffic einbricht, und ob sich umgesetzte Maßnahmen messbar ausgewirkt haben.
Ich habe die Pipelines für die fünf Datenquellen und den Analyse-Agenten mit strukturiertem Output gebaut.
Zwei Komponenten laufen täglich. Die erste ruft die Sichtbarkeits-APIs parallel ab, extrahiert defensiv, baut daraus einen Kontext und übergibt ihn an einen Analyse-Agenten; dessen Ausgabe wird in Code normalisiert und über stabile Schlüssel in eine Insights-Tabelle geschrieben. Die zweite holt Webanalyse, Suchkonsole und Backlinks über zwei Zeiträume, aggregiert nach URL und erkennt Anomalien, woraus Aufgaben und eine Chat-Meldung entstehen.
Die dritte läuft vierzehntägig und wird extern angestoßen: ein Agent-System ruft einen n8n-Webhook mit synchroner Antwort. n8n berechnet Zeiträume, lädt die betreuten URLs, führt je URL vier Abfragen aus und gibt eine bewertete Zusammenfassung zurück.
Bei der Zielüberprüfung besitzt das Agent-System Auslösung und Kommunikation, n8n die Datenbeschaffung und Auswertung. Diese Trennung macht n8n zu einer austauschbaren Komponente hinter einer klaren Schnittstelle und hält beide Seiten einfach.
Die Trend-Bewertung sammelt Richtungssignale aus Klick- und Rankingentwicklung und entscheidet per Mehrheit. Bei gegenläufigen Signalen lautet der Status „gemischt“, bei fehlenden Signalen „stabil“.
Bevorzugt wird die Position des Drittanbieters, ersatzweise die der Suchkonsole. Ist keine verfügbar, fließt Ranking gar nicht in die Bewertung ein. Vier Quellen liefern unterschiedlich oft nichts; jedes Fehlen als Null zu zählen hätte falsche Trends erzeugt. Deltas werden nur berechnet, wenn beide Seiten vorliegen.
Die Antwortstrukturen sind tief verschachtelt und nicht garantiert stabil. Eine Komponente extrahiert rekursiv über den Antwortbaum und erkennt Datensätze an ihrer Feldsignatur statt an einem festen Pfad. HTTP-Fehler brechen den Lauf nicht ab; bei unbrauchbarer Antwort entsteht eine leere Menge statt eines Fehlers.
Der Analyse-Agent hat keine Tools und keinen Schreibzugriff. Er verarbeitet einen vorbereiteten Kontext und gibt schema-gebundenes JSON zurück; Priorität, Schlüsselbildung und Feldlängen werden danach in Code normalisiert. Alle Schreibvorgänge passieren in deterministischen Nodes, Zugriffe laufen über den Credential Store mit OAuth.
Nur Einträge mit klarem Trend erscheinen. Die Kopfzeile weist aus, wie viele Einträge geprüft und wie viele ausgeblendet wurden.
Fünf externe Datenquellen und ein zweites Agent-System sind angebunden. Der Wirkungsnachweis für umgesetzte Maßnahmen ist so gebaut, dass er ohne manuelle Datensammlung auskommt; Sichtbarkeitsverluste werden als nachverfolgbare Einträge gespeichert. Die Datenbank-Anbindung wird derzeit überarbeitet.
Fragen zur Umsetzung oder ein Gespräch über eine Rolle im AI Engineering? Zum Kontakt
