Как в 12Storeez анализируют отзывы покупателей с помощью нейросетей

С начала 2024 года в 12Storeez наблюдали, как другие бренды используют нейросети для создания контента. Желание воспользоваться технологиями AI было, но не было релевантных кейсов применения. 12Storeez работает на территории премиум-сегмента и не может себе позволить сгенерированные изображения, видео, аудио и тексты низкого качества. А ещё у компании есть внутреннее правило — если что-то делать, то не ради хайпа, а чтобы был ощутимый выхлоп.

Летом 2024 года к команде обратились эксперты Napoleon IT и показали, как можно автоматизировать работу с большим потоком отзывов.

Отзывы собирались со всех доступных площадок в единую базу, а далее сотрудники колл-центра вычитывали каждый из них и вручную направляли в релевантные команды. Например, если речь идёт о проблеме с джинсами, то обратную связь получает отдел денима. Ни один отзыв не оставался без внимания — можно представить, насколько много времени это занимало.

Также в 12Storeez обогащали базу дополнительными данными из других учетных систем. К примеру, если клиенту понравились кроссовки, но не цвет их платформы — добавляли артикул товара, автоматически подтягивалась информация о поставщиках и фабриках производства.

Отзывы по-прежнему собираются в единую базу. Далее они обезличиваются и направляются в API, откуда команда Napoleon IT с периодичностью в час забирают их для дальнейшей работы. После отзывы анализируются без участия человека, результаты появляются на дашборде. В случае появления тренда — алёрты автоматически отправляются нашей команде в корпоративный мессенджер.

При необходимости в системе можно провалиться глубже и оценить, что привело к появлению тренда, с каким конкретно товаром возникла проблема или большой успех. Потенциально это может помочь бренду обогнать волну негатива, снять товар с продажи до того, как его раскупят.

Сделать то же самое вручную — сложно. У AI есть установка — если количество негатива превышает пороговое значение, значит команду стоит об этом уведомить. Пока что команда с таким не сталкивались, но полезно иметь такую возможность — это практически страховка от ошибок.

AI, конечно, позволяет экономить — за пару часов обрабатывается порядка тысячи отзывов. Один человек такое количество обратной связи будет обрабатывать несколько недель.

Из неочевидного — с AI расширяются возможности анализа. У компании есть два сценария работы модели: от бизнеса и красивый. Первый подразумевает деление на стандартные категории, второй — дает свободу создавать новые темы для категоризации отзывов. Например, так появился стрим «‎Плохо пришитая пуговица».

Все модели изначально обучаются на английском языке. Русский — значительно сложнее, поэтому сотрудники периодически сталкиваются с галлюцинациями и регулярно дообучают модель. Из недавних успехов — научились справляться с сокращениями, грамматическими и пунктуационными ошибками.

Над пониманием контекста AI еще предстоит работать, особенно, когда речь идет о специфических приемах русского языка или устоявшихся выражениях. Например, если клиент саркастично написал о том, что «пуговицы на рубашке были просто великолепно пришиты и почти не отваливались», AI может ошибочно воспринять это как позитивный отзыв, хотя автор не вкладывал такого смысла. Разработчики отмечают такие случаи и активно ищут решения для улучшения интерпретации контекста.