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.
Сбор и объединение отзывов с сайта, маркетплейсов и социальных сетей в единую базу для дальнейшего анализа.
Каждый отзыв автоматически разбирается по нужным бизнесу критериям — цене, качеству, упаковке, функциональности, удобству, удовлетворённости.
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.
Система помогает находить повторяющиеся проблемы и точки роста по товарам, услугам и категориям без ручной выборки и подготовки отчётов.
Основная рутина по разбору отзывов уходит в автоматизацию, доля ручной аналитики снижается до единиц процентов.
Вместо недельного ожидания сводок данные по качеству продукта и сервису обновляются в течение нескольких часов.
Скорость реагирования на негативные отзывы сокращается с нескольких дней до суток.
Аналитика по причинам недовольства позволяет точечно дорабатывать продукт, сервис, упаковку и коммуникации.
Результаты анализа передаются в CRM и существующие дашборды, архитектура решения позволяет подключать любую систему.
Сбор отзывов с Ozon и Wildberries в единый поток, автоматическое определение тональности, критичности и ключевых фактов (товар, дефект, сроки, контекст).
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.
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.).
#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 |
#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.
| 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
|
| 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% |
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
Оставьте контакты — мы быстро оценим задачу, подготовим план и расскажем, как достичь ваших целей.
Заказать проект
Свяжитесь для консультации