AI-система аналитики отзывов

Для одного из крупнейших издательско-дистрибьюторских холдингов мы создали AI-систему, которая собирает отзывы с маркетплейсов и других каналов в единый поток, автоматически определяет тональность и ключевые аспекты, выделяет риски и повторяющиеся проблемы и формирует управленческие отчёты почти в реальном времени. Решение снижает долю ручной аналитики, ускоряет подготовку отчётов и реакцию на негатив, помогает точечно дорабатывать продукт и сервис и повышать качество клиентского опыта.

Аналитика Автоматизация аналитики ИИ ML NLP E-commerce Ритейл Управление репутацией Работа с отзывами Автоматизация отзывов Обработка отзывов Автоответы на отзывы Интеграция с email

О проекте

Клиент — один из крупнейших российских издательско-дистрибьюторских холдингов: более 30 лет на рынке, входит в топ-5 крупнейших издательств и топ-3 дистрибьюторов игрушек в России.

Возможности

  • Единый агрегатор отзывов

    Сбор и объединение отзывов с сайта, маркетплейсов и социальных сетей в единую базу для дальнейшего анализа.

  • Глубокий анализ по ключевым критериям

    Каждый отзыв автоматически разбирается по нужным бизнесу критериям — цене, качеству, упаковке, функциональности, удобству, удовлетворённости.

  • Оценка тональности по аспектам

    Модель определяет позитивную, негативную или нейтральную тональность по каждому аспекту отдельно и отмечает, каких тем отзыв не касается. Такой анализ позволяет бизнесу видеть не просто «общий NPS», а конкретно понимать, что людям нравится, что раздражает и какие зоны остаются неосвещёнными — независимо от продукта или услуги.

  • Выявление проблемных и точек роста

    Система помогает находить повторяющиеся проблемы и точки роста по товарам, услугам и категориям без ручной выборки и подготовки отчётов.

  • Сокращение ручной аналитики и высвобождение ресурсов

    Основная рутина по разбору отзывов уходит в автоматизацию, доля ручной аналитики снижается до единиц процентов.

  • Быстрые управленческие отчёты

    Вместо недельного ожидания сводок данные по качеству продукта и сервису обновляются в течение нескольких часов.

  • Управление репутацией в режиме «почти онлайн»

    Скорость реагирования на негативные отзывы сокращается с нескольких дней до суток.

  • Снижение возвратов и операционных потерь

    Аналитика по причинам недовольства позволяет точечно дорабатывать продукт, сервис, упаковку и коммуникации.

  • Интеграция с CRM и отчётной инфраструктурой

    Результаты анализа передаются в CRM и существующие дашборды, архитектура решения позволяет подключать любую систему.

  • Единый AI-контур обработки отзывов с маркетплейсов

    Сбор отзывов с Ozon и Wildberries в единый поток, автоматическое определение тональности, критичности и ключевых фактов (товар, дефект, сроки, контекст).

  • Умная маршрутизация: автоответ / эскалация

    По каждому отзыву система формирует отчёт и решает, отправить автоответ или эскалировать менеджеру, а чувствительные кейсы (угрозы, безопасность, массовый брак, высокий негатив, низкая уверенность модели) автоматически передаются ответственным.

  • Автоответы по методологии и best practices бренда

    AI-агент подбирает похожие примеры и генерирует финальный ответ: приветствие, эмпатия, пересказ сути, пояснение, благодарность, корректное закрытие, с учётом типа негатива (брак, качество и т.п.).

Цель

Цель проекта — создать AI-агента, который автоматически анализирует отзывы о товарах с маркетплейсов, без ручной работы с отчётами выявляет проблемы и точки роста по ключевым критериям (логистика, упаковка, характеристики товара, сервис), формирует ответы в фирменном тоне бренда и эскалирует только критически важные и влияющие на репутацию случаи, напрямую повышая качество сервиса.

Задачи

  1. Реализовать в AI-системе автоматическое выявление проблематики отзыва и оповещение о рисках.
  2. Собирать отзывы из Ozon и Wildberries в один поток через API.
  3. Автоматически определять тональность и критичность отзыва, извлекать ключевые факты (товар, причина/дефект, сроки, контекст), выявлять противоречия в тексте.
  4. Генерировать отчёт по отзыву, на основе него автоматически выбирать эскалацию или автоответ.
  5. Проанализировать бенчмарки отзывов, на основе анализа составить методологию ответов на комментарии.
  6. Формировать персонализированные ответы в бренд-стиле.
  7. Реализовать уведомление по e-mail ответственному менеджеру за категорию при срабатывании триггеров: в письме передавать данные об отзыве (карточка/заказ, текст, тональность, флаги рисков) и предложенный черновик ответа; добавить возможность финальной самостоятельной публикации менеджером в кабинете маркетплейса.
  8. Ввести контроль отзывов по чувствительным кейсам и логирование для повышения качества продукта.
  9. Вести контроль качества.
  10. Обеспечить SLA по скорости обработки из дней в минуты.
  11. Снизить долю ручной аналитики по отзывам до уровня не более 10%.
  12. Ускорить подготовку регулярных отчётов по NPS/CSI, качеству товаров и сервису с недели до одного рабочего дня.
  13. Увеличить количество выявляемых проблемных трендов и инсайтов по товарам и категориям.
  14. Снизить возвраты, связанные с негативным клиентским опытом.

Этапы проекта

#1 Сбор данных

  • На этапе сбора данных была настроена система автоматического агрегирования отзывов из трёх основных источников — сайта, маркетплейсов и социальных сетей. Все новые и исторические отзывы регулярно подтягивались в единую базу, приводились к общему формату, очищались от дубликатов и ошибок, что обеспечивало целостность и сопоставимость данных для последующего анализа.

#2 Единый AI-контур работы с отзывами

  • Мы выстроили единый контур работы с фидбэком. Сначала объединили отзывы из Ozon и Wildberries в общий поток и развернули поверх него LLM-ядро для разметки тональности и извлечения ключевых фактов из отзывов, которые напрямую влияли на удовлетворенность сервисом.

    Система способна обрабатывать до 1000 отзывов в час и состоит из 2 связанных потоков:

    1.Основной workflow (анализ и ответ)
    Обрабатывает входящие отзывы. Определяет их эмоциональную окраску, выделяет ключевую тему и противоречия, несоответствия, минусы/плюсы, уровень уверенности отзыва и тональность.

    2.Workflow оценщика качества
    Каждый отзыв автоматически сопоставляется с методологией, разработанной нашими аналитиками по best practice. По контексту система отбирает четыре наиболее близких примера (по косинусному сходству эмбеддингов), а AI-агент формирует итоговый ответ в фирменном тоне бренда. Логика генерации ответа учитывает: приветствие и эмпатию, упоминание сути отзыва пользователя, пояснение, благодарность клиенту, вежливое закрытие, неудовлетворенность качеством, брак, etc.

    Чувствительные отзывы передаются ответственному менеджеру по электронной почте для ручной обработки. Флаг устанавливается, если по контексту ИИ-агент понимает, что в отзыве есть один / несколько смысловых критериев.

     Критерий  Пример
     Упоминание угроз, жалоб, судебных намерений   «Подам жалобу», «обращусь в Роспотребнадзор»
     Угроза безопасности / здоровья   «Товар сломался и поранил», «опасен для ребёнка»
     Массовые претензии  «Купили 10 штук — все брак»
     Противоречие между рейтингом и текстом  «5 звёзд, но очень недоволен»
     Повышенный эмоциональный негатив  Агрессивные выражения, требования компенсации      
     Низкая уверенность модели
     (confidence_level < 0.6)     		 Неоднозначная интерпретация текста

    Для команды мы предусмотрели логирование всех операции для мониторинга качества, чтобы поддерживать предсказуемую скорость обработки и обеспечивать устойчивый рост метрик карточек в частности и клиентского сервиса в целом.

#3 Интеграция в CRM и отчётность

  • На этапе интеграции результаты анализа в режиме, близком к реальному времени, поступали в Bitrix24, где на основе размеченных данных формировались отчёты и дашборды для маркетинговых, продуктовых и операционных команд. Дополнительно были настроены сценарии оперативной работы с негативом: автоматические уведомления и постановка задач ответственным сотрудникам, контроль сроков реакции и закрытия инцидентов, что позволило сократить время обработки критичных обращений и сделать процесс более управляемым и прозрачным.

Stack

Слой / Компонент Инструменты и сервисы
Язык и ML/NLP
Python библиотеки HuggingFace Transformers RuBERT scikit-learn LLM GPT-4.1 mini
Backend и сервисы
Django FastAPI (интеграционный сервис) REST API (интеграции с API WB и OZON)
Хранение данных
PostgreSQL ClickHouse (БД отзывов)
CRM и бизнес-системы
Bitrix24 (ERP, CRM, BI, дашборды, задачи)
Инфраструктура
Docker / Docker Compose (контейнеризация)
Интеграции
Airflow email

Результаты и аналитика

МЕТРИКИ БЫЛО СТАЛО
Доля ручной аналитики 80–90% ≤10%
Время на подготовку отчёта Неделя 8–12 часов
Количество выявленных проблемных трендов в месяц 2-4 +40%
Скорость реагирования на негатив До 7 дней До 24 часов
Снижение возвратов по негативу - 9%
Время на обработку отзывов 1-2 дня <1 минуты
Доля отзывов с ответами 30% 95%

Со стороны OSMI IT проект вели

МШ

Михаил Шрайбман

CEO OSMI IT

ДН

Денис Нагаев

CTO OSMI IT

АФ

Алексей Фролов

Менеджер проекта

МН

Максим Немов

DevOps, back-end разработка и LLM-инжиниринг

ВК

Владимир Комаровский

Data-аналитика

ПЧ

Павел Чебоксаров

Backend

ЭМ

Элмурат Маматисаков

Backend

Предыдущий кейс

E-commerce B2B портал для дилерской сети

Следующий кейс

Динамическое ценообразование: +6% к конверсии и −8% к простою объектов

Все сайты (и мы не исключение) используют cookies, поэтому просто нажмите на кнопку.