Портфолио и кейсы фрилансеров по автоматизации на n8n

Northline Coffee — демонстрационный пример бизнес-презентации, собранной с нуля. Задача проекта — превратить исходную идею в понятную и визуально цельную презентацию для обсуждения с партнёрами, командой или заказчиком. Что сделано: — разработана структура презентации; — оформлено позиционирование проекта; — показана целевая аудитория; — собрана продуктовая линейка; — визуализирован путь клиента; — оформлены маркетинговые каналы; — составлен план запуска на 30 дней; — добавлены KPI и контрольные показатели; — выдержан единый стиль всех слайдов. Итог — готовая презентация на 8 слайдов в форматах PowerPoint и PDF. Могу работать как по готовому тексту заказчика, так и самостоятельно структурировать исходные материалы, сокращать лишнее и превращать информацию в понятную презентацию. Проект демонстрационный: бренд и показатели вымышлены.

Демонстрационный проект системы учёта для малого товарного бизнеса в Excel. Таблица помогает в одном файле контролировать товары, продажи, расходы, остатки и финансовый результат. Что реализовано: — учёт товаров и количества на складе; — цена закупки и цена продажи; — автоматический расчёт выручки и прибыли; — учёт расходов; — расчёт маржи; — количество продаж и запросов; — автоматические статусы товара; — рекомендации по закупке; — отдельный аналитический отчёт; — выявление товаров с риском потери продаж и залеживания. В демонстрационных данных система рассчитала общую выручку 27 500 ₽, прибыль 9 800 ₽, определила позиции для срочной закупки и товары, которые пока не стоит дозаказывать. Стек: Microsoft Excel / Google Sheets, формулы, обработка и анализ данных. Результат: вместо ручного просмотра строк владелец получает понятную картину по продажам, прибыли, остаткам и действиям по закупке. Проект выполнен как демонстрационный кейс.

Gift Studio — демонстрационный Telegram-бот для автоматизации приёма заявок и AI-подбора подарочного набора. Бот пошагово собирает данные клиента: кому нужен подарок, повод, бюджет, срок, способ получения, контакт и пожелания. После этого AI сопоставляет запрос с каталогом и предлагает подходящий вариант. Пользователь может проверить заявку перед отправкой и изменить отдельные поля без повторного заполнения всей анкеты. Что реализовано: — пошаговый диалог в Telegram; — хранение состояния пользователя; — проверка и валидация данных; — AI-подбор подарка по каталогу; — подтверждение заявки перед сохранением; — редактирование отдельных полей; — запись результата в Google Sheets; — уведомления после обработки; — защита от повторной обработки событий и дублей; — обработка ошибок сохранения. Проведено 7 тестовых сценариев с разными параметрами заявок. Стек: n8n, Telegram, Google Sheets, Data Table, DeepSeek. Результат: заявка проходит путь от первого сообщения клиента до готовой структурированной записи в таблице без ручного переноса данных. Проект выполнен как демонстрационный кейс.

Разработал учебный проект на n8n: центр автоматизации с ответами по базе знаний и отправкой email. Что реализовано: • Приём вопроса из чата и подготовка данных. • Поиск подходящих материалов в Qdrant — RAG-поиск. • Формирование ответа по найденному контексту через OpenRouter. • Разделение каналов: ответ пользователю в чат или отправка письма. • Подчинённые сценарии для повторяемых операций. • Email-уведомления об ошибках. Проверены получение ответа в чате, доставка письма и уведомление об ошибке внешнего сервиса. Ежедневный автозапуск отключён. Технологии: n8n, Qdrant, OpenRouter, Qwen, HTTP API, JSON, Git. Самостоятельный учебный проект. Исходные схемы и документация размещены на GitHub.

Смоделировал workflow на n8n, который принимает заявку из веб-формы, автоматически создаёт лид в Bitrix24 и отправляет уведомление менеджеру в Telegram только по целевым обращениям. Собран автоматизированный workflow на n8n, который связывает веб-форму, Bitrix24 и Telegram. Сценарий работает следующим образом: 1. Клиент заполняет веб-форму. 2. n8n получает данные заявки. 3. В Bitrix24 автоматически создаётся лид. 4. Workflow проверяет тип бизнеса по заданным условиям. 5. Если заявка относится к целевой категории, менеджер получает сообщение в Telegram. 6. Если обращение нецелевое, оно не отправляется в Telegram, но сохраняется в CRM. Расчётный эффект Если ручной перенос и первичная обработка одной заявки занимают 2–3 минуты, то при 20 заявках в день автоматизация позволяет сэкономить около 40–60 минут рабочего времени ежедневно. Это расчётная оценка для описанного сценария, а фактический эффект зависит от количества заявок и текущей скорости обработки. Использованные инструменты n8n • Bitrix24 • Telegram • REST API • JSON • веб-форма

Автоматизация процессов через n8n с Telegram как точкой входа и внешними сервисами через API. Что реализовано: — приём заявок, команд и файлов в Telegram; — сценарии маршрутизации, уведомлений и контроля статусов; — обмен данными с CRM, таблицами и внутренними сервисами по REST API; — webhook-сценарии, очереди и обработка ошибок; — backend-логика на FastAPI и хранение данных в PostgreSQL. Результат: связанная цепочка процессов без ручного копирования данных между сервисами, с понятными статусами для команды и клиента. Стек: n8n, Python, FastAPI, PostgreSQL, Docker, REST API, Webhooks, Telegram Bot API.

Разработана интеграция для автоматического сбора заявок из разных каналов и передачи их в CRM. Система принимает обращения с сайта, из Telegram, телефонии и email, определяет источник, проверяет клиента на дубли, создаёт контакт и сделку, после чего автоматически назначает ответственного менеджера. Дополнительно реализованы уведомления о новых обращениях и журналирование результатов интеграции. Реализовано: сбор заявок из разных каналов, работа с CRM по API, поиск дублей, создание контактов и сделок, назначение менеджеров, уведомления и логирование. Стек: Python, FastAPI, CRM REST API, n8n, PostgreSQL, Docker.

Разработана интеграция для автоматической передачи заказов из внешней системы в 1С. Сервис принимает данные через API или XML, проверяет обязательные поля, сопоставляет контрагента по ИНН и товары по артикулу, после чего автоматически создаёт документ в 1С. Также реализовано журналирование операций и ошибок обмена, чтобы можно было быстро отслеживать статус каждого заказа. Реализовано: REST/XML-обмен, проверка данных, поиск контрагентов, сопоставление товаров, создание документов в 1С, логирование ошибок. Стек: 1С 8.3, Python, FastAPI, REST API, XML, Docker.

ИИ-бот для автоматизации первого контакта с клиентом. Бот консультирует по базе знаний компании, отвечает на вопросы, уточняет параметры заказа и собирает необходимые данные. После оформления обращения бот автоматически создаёт заявку в таблице и передаёт её живому менеджеру для дальнейшей работы. Реализовано: RAG по базе знаний, интеграция с LLM (YandexGPT + Qdrant), Telegram-бот, сбор данных клиента, автоматическое создание заявки и передача менеджеру. Стек: Python, FastAPI, Telegram Bot API, LLM, PostgreSQL, Docker.

Боль. Заявки с сайта обрабатывались вручную: заявка падала в общую почту без SLA на реакцию, менеджер вручную проверял, нет ли уже такого клиента в amoCRM, звонил для уточнения недостающих данных и вручную заводил или обновлял карточку клиента и сделку. Итог — задержка ответа лиду, риск дублей в базе и человеческий фактор при ручном вводе. Решение. Спроектирована и построена production-система на n8n: приём заявки с сайта через webhook → проверка на дубли в amoCRM → обогащение данных о лиде через AI-агента (DaData — проверка юрлиц по госреестру, Tavily — веб-поиск) → автоматическое создание или обновление клиента и сделки в amoCRM → уведомление ответственного в Telegram при сбое. Дополнительно система самостоятельно восстанавливает зависшие заявки и раз в месяц очищает устаревшие данные — без участия менеджера. Процесс задокументирован по BA-методологии: AS-IS/TO-BE, User Story с Acceptance Criteria, Use Case, BPMN 2.0 и UML Use Case Diagram. Результат. ~ 450 заявок в месяц, 1 месяц в проде без критичных сбоев, ≈120 часов в месяц высвобожденного времени отдела продаж.