Как производитель одежды Хеппивеар обрабатывает 180 000 отзывов в месяц с помощью LLM

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.

До внедрения AI процесс выглядел так:

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.

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:

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.

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.

Примеры генерации ответов на отзывы

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.

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.

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.