Внедрение системы интеллектуальной обработки обратной связи (NLP) для региональной розничной сети

Региональная сеть (120 магазинов, Сибирь) столкнулась с необходимостью удержания доли рынка в конкуренции с федеральными гигантами. Сложность проекта заключалась в интеграции разрозненных систем (1C, Bitrix24, мобильное приложение) в единый аналитический контур.

Решение: автоматизация сбора и семантического анализа отзывов для Департамента маркетинга. Работала команда БизнесМатики.

Бизнес-эффект:

• Время обработки негатива (SLA) снижено в 190 раз — до 15 минут.
• Рост индекса лояльности (NPS) на 7 п.п. за полгода благодаря системной работе с причинами недовольства клиентов.

Точка А: Когда «Книга жалоб» трещит по швам

До старта проекта ситуация в компании-клиенте напоминала попытку вычерпать воду из лодки решетом. В день на сеть сваливалось около 800 упоминаний: отзывы в 2ГИС и Яндекс.Картах, комментарии в локальных пабликах ВК, сообщения в чат-бот Telegram и звонки на горячую линию.

Раньше два маркетолога каждое утро тратили 3 часа на «разбор полетов». Они вручную копировали тексты в Excel, тегировали их цветами (красный — плохо, зеленый — хорошо).

• Проблема 1: Отчеты формировались раз в неделю. Если в понедельник в магазине №4 сломался холодильник с молоком, офис узнавал об этом в пятницу, когда партия уже была списана, а клиенты ушли к конкурентам.
• Проблема 2: Человеческий фактор. Усталый менеджер мог пропустить сарказм или просто не заметить важный сигнал в потоке спама.

Цель проекта: Автоматизировать сбор и анализ обратной связи, превратив хаос из букв в стройные графики и автоматические задачи для директоров магазинов.

Топливо для системы: Данные и интеграции

Мы решили использовать то, что уже есть.

• Источники: API Яндекс.Карт и 2ГИС, парсинг открытых групп города в ВК, выгрузка из AppStore/Google Play, логи чат-бота и транскрибация звонков (Speech-to-Text).
• Безопасность: Данные обезличивались на входе. Мы не хранили телефоны клиентов в аналитическом контуре, только ID транзакций, если они были указаны в чеке.

Решение: Цифровой «сплетник»

Мы создали систему, которая работает как гиперактивный консьерж, который никогда не спит. В центре архитектуры — NLP-движок (Natural Language Processing). Он не просто ищет ключевые слова «плохо» или «грязно». Он понимает контекст.

Система забирает текст, прогоняет его через модель и раскладывает по полочкам:

1. Тональность: Позитив, Негатив, Нейтрал, Смешанная (самое сложное).
2. Категория (Аспект): Цены, Персонал, Чистота, Свежесть, Ассортимент.
3. Объект: Конкретный магазин (по геометке или упоминанию).

Если система видит маркер «опасность» (слова-триггеры: просрочка, хамит, грязь, крыса), она не ждет отчета, а сразу создает задачу в Bitrix24 на директора конкретного магазина и ставит в копию супервайзера.

Как мы это строили (этапы и хронология)

Весь проект занял 4,5 месяца. Это был спринт, а не марафон.

1. Разведка (3 недели): Изучили, как клиенты ругаются. Составили «словарь боли» (сленг, локальные названия продуктов).
2. Прототип (1 месяц): Собрали данные в кучу, обучили базовую модель. Первые тесты показали точность 60% — модель путала «лук» (овощ) и «лук» (образ). Пришлось доучивать.
3. Интеграция (1,5 месяца): Подружили нейросеть с 1С (для проверки наличия товаров) и Bitrix24.
4. Боевой запуск и тюнинг (1 месяц): Ловили ложные срабатывания и учили систему понимать сибирский сарказм.

Команда: Люди, которые учили машину читать

С нашей стороны работала компактная боевая единица:

• Project Manager — переводчик с клиентского на технический.
• Data Scientist — главный дрессировщик нейросети.
• Backend/Data Engineer — человек-труба, соединивший источники данных.

Со стороны клиента ключевую роль сыграл директор по маркетингу. Он стал «владельцем продукта», который бил по рукам, когда мы пытались усложнить, и требовал простоты. IT-директор сначала выступал в роли «Бабы-Яги», опасаясь нагрузки на сервера, но увидев архитектуру, стал главным союзником.

Результаты: Цифры не врут

Мы сравнивали показатели за 3 месяца «до» и 3 месяца «после» полноценного запуска.

• Скорость реакции: Время от публикации негативного отзыва до звонка директора магазина сократилось с 2-3 дней до 20-40 минут.
• Охват: Раньше обрабатывали 20% всех упоминаний (только явные жалобы). Теперь — 100%, включая неявные сигналы в соцсетях.
• Продуктовая аналитика: Выявили, что падение продаж в категории «Готовая еда» в двух районах было связано не с ценой, а с изменением рецептуры сэндвичей (люди писали «стали сухие», но маркетинг этого не видел в общих цифрах). Рецептуру вернули — продажи восстановились за 2 недели.
• Экономия ФОТ: Маркетологи перестали заниматься «копипастом» и занялись стратегией. Эквивалент экономии — 0,5 ставки аналитика.

Вызовы: «Машина не понимает душу!»

Главный риск был не техническим, а лингвистическим.
Проблема: Сарказм. Фраза «Ну спасибо, удружили, молоко просто огонь (нет)» для базового алгоритма выглядит как позитив (слова «спасибо», «огонь»).
Решение: Мы вручную разметили 2000 «сложных» отзывов и дообучили модель на конкретных примерах иронии. Точность определения тональности выросла до 92%, что выше, чем у уставшего человека в пятницу вечером.

Второй вызов — сопротивление директоров магазинов («Нас теперь робот контролирует?»). Мы перевернули ситуацию: показали, что система не карает, а помогает быстро погасить конфликт, прежде чем он дойдет до гендиректора.

Голос клиента

«Сначала я думал, что это очередная модная игрушка. Но когда система в 8 утра прислала алерт, что в магазине на Ленина не открылась касса (люди написали в городском чате быстрее, чем позвонил администратор), я понял — это работает. Теперь мы не тушим пожары, а ставим датчики дыма».
— Антон В., Операционный директор по маркетингу

Что изменилось в работе людей:
Раньше категорийный менеджер узнавал о том, что партия мандаринов «кислая», через неделю из отчета по списаниям. Теперь он видит тренд «кисло» на дашборде в первый же день продаж и стопает поставку.

Что дальше?

В планах на следующий год:

1. Предиктивная аналитика: Пытаться предсказывать всплески негатива на основе погоды и календаря поставок.
2. Генеративные ответы: Подключить LLM (большую языковую модель), которая будет генерировать черновики эмпатичных ответов на отзывы, чтобы оператору оставалось только нажать «Отправить».
3. HR-аналитика: Анализировать отзывы сотрудников о работе в компании (анонимно), чтобы снижать текучку линейного персонала.