Как обрабатывать 180 000 отзывов в месяц с помощью LLM
Хеппивеар — российская компания, которая за 12 лет прошла путь от небольшого интернет-магазина в Волгограде до производителя одежды с собственной фабрикой. Сейчас она входит в топ 20 магазинов одежды на маркетплейсах. Занять лидирующие позиции помогла гибкость: умение быстро реагировать на запросы покупателей и масштабировать производство без потери качества. Под брендом ^^Happyfox компания выпускает более 150 000 единиц продукции в месяц — от детских пижам до спортивных костюмов.
Задача
Ежемесячный поток отзывов на маркетплейсах достиг 180+ тысяч, компания стремилась отвечать на каждый. Но при ручной обработке такого объема отзывов теряется персональный подход, а он критически важен для хорошего клиентского опыта. Чтобы сохранить качество коммуникации на растущих потоках данных, решили внедрять генеративный AI.
Рутина как барьер роста: проблемы до внедрения AI
До внедрения AI процесс выглядел так:
Сбор отзывов
Менеджеры отбирали их вручную из 5+ источников
Ответы
Шаблоны адаптировали под контекст каждого отзыва, для рекомендаций товаров в ответе сверялись с базой товаров в 1С
Категоризация и аналитика
На каждый негативный отзыв создавалась задача в Битрикс, операторы направляли ее в профильные отделы — продажи, закупки или производство — для анализа и устранения проблемы.
Проблемы:
- 30% времени уходило на отработку данных.
- 15% критичных проблем пропускали даже опытные операторы.
- До 3 дней уходило на ответы на сложные запросы.
- 5 сотрудников ежедневно занимались исключительно обработкой отзывов.
Чтобы сократить время обработки отзывов, исключить ошибки и превратить клиентский фидбек в рабочие инсайты, компания решила автоматизировать процессы с помощью GenAI
Решение: система интеллектуальной обработки отзывов на базе GigaChat
Цель — создать решение, которое автоматически категоризирует отзывы, генерирует персонализированные ответы и выявляет скрытые тренды, например, массовые жалобы на размерную сетку. Для решения выбрали GigaChat. Причин было несколько:
Контекстное понимание
Модель способна корректно работать с нюансами: от русского сленга в отзывах («пришло всё в каефе») до скрытых запросов («рукав коротковат» → проблема с размером).
Интеграция с 1С
Грамотно спроектированное API GigaChat позволяет без трудностей осуществлять интеграцию с внутренними базами компании.
Безопасность
Обработка данных в российском cloud-окружении.
Команда не дообучала модель, а научила ее правильно интерпретировать запросы под специфику модного ритейла
Как внедряли модель: от промтов до алертов
Июнь 2024. Команда из IT-специалистов и трех экспертов поддержки села за расшифровку идеального ответа на отзыв. Оказалось, что:
- Эмпатия увеличивает шанс на повторную покупку на 18%.
- Клиенты ценят персонализацию (упоминание модели товара + выбранного размера увеличивает лояльность на 22%).
- Рекомендация других товаров к покупке работает только в позитивных отзывах.
Август 2024. Первый запуск. AI начал отвечать клиентам. Однако к логике были вопросы. Например, в ответ на жалобы о браке пижамы модель предлагала купить худи. Пришлось ввести чекер: теперь AI сначала определяет категорию товара, затем анализирует эмоциональную окраску отзыва, и только потом генерирует ответ.
Сентябрь 2024. Система научилась выявлять «тихие» проблемы: если несколько покупателей отмечают один и тот же недостаток (пусть разными словами), например «жесткий шов на джинсах», то формируется дашборд, и алерт поступает в отдел качества для проверки и исправления ситуации.
Как работает система сейчас
Шаг 1: сбор. Отзывы автоматически импортируются из маркетплейсов в 1С с помощью API.
Шаг 2: анализ. GigaChat получает системный и пользовательский промпт, включающий: описание товара из карточки маркетплейса, отзыв покупателя, инструкции для категоризации отзыва и формирования персонализированного ответа.
На основе этих данных модель определяет тональность отзыва, категорию товара, с какой проблемой столкнулся покупатель, ключевые инсайты («тесные рукава» → метка для дизайнеров производства). После анализа модель переходит к генерации tailored-ответа.
Шаг 3: генерация ответа. Ответ учитывает тон бренда, внутренние требования компании к взаимодействию с клиентами, данные из 1С и маркетплейсов, правила конкретного маркетплейса, тональность отзыва и выявленную основную информацию.
Шаг 4: ручная проверка. До сих пор 3% ответов курируют люди. Специалисты отдела по работе с клиентами согласовывают ответы GigaChat через форму в 1С и при необходимости вносят изменения в ответ и составляют перечень корректировок, которые попадают в AI-отдел для доработки промптов.
На выходе — тонко настроенный персонализированный ответ для покупателя, который система мгновенно публикует на маркетплейсе через API
Примеры генерации ответов на отзывы
4 инсайта от команды Хеппивеар: о чем не пишут в мануалах
1. Не экономьте на промптах. Команда потратила 2 месяца на их настройку. В итоге это окупилось. Лайфхак: подключайте к написанию тех, кто ежедневно общается с клиентами.
2. Русский язык — это боль 🙂 Сокращения «спс» → «спасибо» добавили вручную. Ирония («пуговица просто чудесно отвалилась») распознается только с помощью контекстных маркеров.
3. Ложные срабатывания. Первые версии системы отправляли в производство алерты по «проблемам», которых не существовало. Тестируйте на «контрольной группе» — первые 2 недели работу AI полностью контролировали люди, они согласовывали каждый ответ LLM — это помогло отловить и исправить 95% ошибок.
4. AI — не панацея. Некоторые ответы вcе равно требуют человеческого внимания.
Люди не доверяют машинам… поначалу 😉 Потребовалось время, чтобы настроить сотрудников, отрабатывающих ответы на отзывы и отделы, использующие аналитику, на сотрудничество с AI.
Результаты: цифры и не только
Обработка отзывов выросла на 70%
AI автоматически классифицирует, анализирует и отвечает на отзывы, позволяя команде быстрее реагировать на проблемы.
Качество обратной связи выросло на 40%
Алгоритмы AI могут извлекать из отзывов более глубокие инсайты, чем человек. Например, выявляя скрытые тренды или повторяющиеся проблемы, которые на первый взгляд неочевидны.
Объективность оценки выросла на 30%
AI помог создать единый подход к обработке всех отзывов. Это позволило избежать человеческих ошибок и предвзятости.
Операционные затраты сократились на 55%
В этом помогла автоматизация рутинных задач и уменьшение необходимости расширения штата.
В итоге использование AI в обработке отзывов не только повысило эффективность работы компании, но и укрепило внешний имидж и лояльность покупателей за счет лучшего взаимодействия с клиентами.
Планы: куда движется AI в Хеппивеар
В будущем команда планирует внедрить AI-агентов для каждой из ключевых должностей. А еще развивать рекомендательные системы для повышения операционной эффективности, чтобы они учитывали не только исторические данные, но и контекстные — например, сезонность, региональные предпочтения и поведенческие паттерны. Это поможет оптимизировать ассортимент, логистику и маркетинговые кампании, снизить издержки и увеличить продажи.
Хотите решить похожую задачу?
Мы расскажем, с чего начать!
