Когда начинаешь автоматизировать ответы на отзывы на маркетплейсах, первая идея кажется очевидной:
отзыв приходит → отправляем его в нейросеть → получаем ответ → публикуем.
Работает.
Но довольно быстро выясняется, что мы используем умную технологию там, где никакого особого интеллекта не требуется.
Покупатель пишет:
Отличный товар, всё понравилось, рекомендую.
Что именно здесь должна понять нейросеть?
Можно отправить этот текст в LLM, дождаться ответа и получить что-то вроде:
Спасибо за ваш отзыв! Очень рады, что товар вам понравился.
А можно заранее написать 10–20 нормальных вариантов ответа и выбирать один из них.
Для покупателя разница почти незаметна.
Зато система проще, дешевле и в ней меньше мест, где что-нибудь может сломаться.
Сначала надо разделить отзывы
Не все отзывы одинаковы.
На практике полезно сразу делить их хотя бы на несколько групп.
Простые положительные отзывы
Например:
Всё отлично.
Размер подошёл.
Быстрая доставка, спасибо.
Хорошее качество.
Здесь генеративный ИИ обычно ничего принципиально не добавляет.
Нормальный шаблон, имя покупателя, если оно доступно, и подпись магазина вполне решают задачу.
Именно поэтому для простых сценариев мы сделали отдельную автоматизацию ответов на положительные отзывы вообще без ИИ.
Посмотреть пример автоматизации ответов на 5-звёздочные отзывы Wildberries
Отзывы, где надо понять смысл
Совсем другая история:
Сам товар хороший, но упаковка пришла повреждённой.
Размер оказался меньше ожидаемого.
Всё нормально, кроме застёжки.
Заказывал один цвет, приехал другой.
Здесь уже недостаточно посмотреть только на количество звёзд.
Нужно понять, что именно произошло, к чему относится претензия и какой ответ будет уместен.
Вот здесь ИИ действительно полезен.
Сложные и рискованные случаи
Есть отзывы, которые мы стараемся не закрывать автоматически до конца:
Требую компенсацию.
Товар опасен.
Ребёнок получил травму.
Буду обращаться в суд.
Можно написать очень подробную инструкцию для модели.
Можно запретить ей признавать вину, обещать компенсацию или делать юридические выводы.
Но всё равно спокойнее передать такой случай человеку.
Поэтому в более сложных системах обработки отзывов у нас есть отдельный результат:
need_human
Обычные ситуации система обрабатывает сама.
Спорные получает менеджер.
Три уровня автоматизации
Если сильно упростить, получается такая схема:
| Тип отзыва | Что делать |
|---|---|
| Простой положительный отзыв | Шаблон |
| Отзыв с вопросом, нюансом или претензией | ИИ |
| Отзыв, где важны правила конкретного товара | ИИ + база знаний |
| Рискованный или неоднозначный случай | Человек |
| Ситуация, где площадка не даёт отвечать | Ничего не делаем |
То есть задача автоматизации не в том, чтобы любой ценой убрать человека.
Гораздо полезнее убрать его оттуда, где он действительно не нужен.
ИИ нужен не для красивых фраз
Написать вежливый ответ нейросеть умеет прекрасно.
Но бизнесу мало фразы:
Спасибо за обратную связь. Нам очень жаль, что вы столкнулись с такой ситуацией.
Чтобы ответ был действительно полезным, модели нужен контекст.
Например:
- название товара;
- оценка;
- текст отзыва;
- плюсы и минусы;
- выбранные покупателем теги;
- категория товара;
- статус заказа, если он доступен;
- правила магазина;
- ограничения на то, что можно и нельзя обещать покупателю.
Тогда два отзыва с одинаковой оценкой не обязательно получат одинаковый ответ.
И это уже заметно полезнее обычной генерации «вежливого текста».
Потом появляется база знаний
Допустим, покупатель спрашивает:
Можно ли вернуть товар?
Нейросеть знает огромное количество информации о возвратах.
И именно это может стать проблемой.
Она способна очень уверенно рассказать правила, которые не относятся к конкретному магазину, товару или ситуации.
Поэтому в более сложных проектах мы используем собственную базу знаний.
Для разных категорий можно хранить свои правила:
- какие претензии встречаются чаще всего;
- что можно предложить покупателю;
- чего обещать нельзя;
- какие особенности есть у конкретной категории;
- когда ответ лучше передать человеку.
Модель получает не весь массив информации магазина, а только нужный контекст для конкретного отзыва.
Так ответы становятся заметно точнее.
Подробнее о нашей автоматизации ответов на отзывы Wildberries с базой знаний
ИИ приходится отдельно учить не проявлять лишнюю инициативу
Современные модели очень хотят помочь.
Иногда даже больше, чем нужно продавцу.
Например, модель может сама предложить компенсацию, признать дефект или придумать вариант решения, которого магазин вообще не предусматривает.
Поэтому хорошая автоматизация состоит не только из инструкций:
Будь вежливым и дружелюбным.
Не менее важны ограничения:
- не признавать дефект без достаточных оснований;
- не обещать возврат денег или компенсацию;
- не придумывать условия магазина;
- не спорить с покупателем;
- передавать человеку рискованные случаи.
То есть иногда самый правильный результат работы ИИ — вообще не публиковать ответ самостоятельно.
Как это выглядит технически
Если убрать детали конкретной площадки, схема выглядит примерно так:
Получаем новые отзывы
↓
Нормализуем данные
↓
Анализируем рейтинг и текст
↓
┌─────────────────────────────┐
│ простой отзыв → шаблон │
│ нужен контекст → ИИ │
│ сложный случай → человек │
└─────────────────────────────┘
↓
Публикуем ответ
↓
Фиксируем результатСамая важная часть здесь не генерация текста.
Самое важное — правильно решить, какой отзыв вообще стоит отправлять в нейросеть.
Почему не сделать шаблоны вообще для всего
Потому что другая крайность выглядит не лучше.
Наверняка многие видели ответы вроде:
Благодарим за высокую оценку! Ждём вас снова!
под отзывом:
Товар хороший, но ручка отломалась на второй день.
Формально магазин ответил.
По факту ответ только показывает, что текст покупателя никто не прочитал.
Поэтому шаблоны хороши там, где ситуация действительно простая.
Во всех остальных случаях лучше хотя бы понять содержание отзыва.
А сколько здесь на самом деле стоит ИИ
Когда говорят об автоматизации через LLM, разговор часто быстро приходит к стоимости токенов.
На практике это далеко не самая интересная цифра.
Если не отправлять в модель всё подряд, стоимость генерации может быть совсем небольшой.
Гораздо важнее:
- сколько времени сотрудники тратят на отзывы;
- сколько обращений можно закрыть без участия человека;
- сколько случаев действительно требуют осмысленного ответа;
- сколько потенциально опасных ответов система не должна публиковать вообще.
То есть вопрос «какая модель дешевле» появляется сильно позже вопроса:
А зачем мы вообще отправляем этот отзыв в модель?
Когда автоматизация действительно имеет смысл
Если у магазина десять отзывов в неделю, строить сложную систему чаще всего просто незачем.
Ответить руками быстрее.
Но когда отзывов становится 30, 50 или 100 в день, арифметика меняется.
Особенно если ассортимент большой, товары относятся к разным категориям, а сотрудники каждый день повторяют одни и те же действия.
Тогда даже простое разделение потока уже экономит время:
- стандартные положительные отзывы закрываются автоматически;
- содержательные получает ИИ;
- человеку остаются исключения.
Что мы используем на практике
В разных проектах нам понадобились разные решения.
Для простых положительных отзывов Wildberries мы сделали автоматизацию без генеративного ИИ.
Для Ozon сделали расширение, которое помогает работать с отзывами непосредственно в кабинете продавца.
Для проектов с большим количеством товаров и сложных обращений используем ИИ, правила для разных категорий и собственную базу знаний.
Поэтому универсального рецепта «подключите нейросеть и автоматизируйте всё» у нас нет.
Сначала лучше открыть реальные отзывы и посмотреть, что в них происходит.
Мы сами начинали с вопроса:
Как научить ИИ отвечать на все отзывы?
А в итоге гораздо полезнее оказался другой:
На какие отзывы ИИ вообще должен отвечать?
И ответ оказался довольно простым.
Далеко не на все.
Частые вопросы
Нужно ли использовать ИИ для всех отзывов?
Нет. Для простых положительных отзывов часто достаточно нескольких качественных шаблонов. ИИ полезнее там, где надо понять смысл вопроса или претензии.
Можно ли полностью убрать менеджера?
Технически автоматизировать можно очень многое, но рискованные и неоднозначные случаи лучше оставлять человеку.
Зачем нужна база знаний?
Она даёт модели информацию именно о товарах, правилах и ограничениях конкретного бизнеса и снижает риск выдуманных ответов.
С чего начать автоматизацию отзывов?
Не с выбора модели. Сначала стоит посмотреть на реальные отзывы, разделить их на типы и понять, какие действия повторяются чаще всего.