Как Al-анализ отзывов в е-commerce сократил ручную аналитику и ускорил реакцию на негатив

Для одного из крупнейших издательско-дистрибьюторских холдингов мы создали Al-систему, которая собирает отзывы с маркетплейсов и других каналов в единый поток, автоматически определяет тональность, выделяет риски, повторяющиеся проблемы и формирует управленческие отчёты 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.

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.

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.  

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.

Стек

Результаты и аналитика