Голос покупателя: 12 источников отзывов, один поток с ИИ-классификацией

Три задачи одновременно: собрать всё (у каждого источника свой API, лимиты и формат данных); понять каждый отзыв на нескольких языках — тема, тональность, какой магазин, насколько срочно; и действовать — доставить критичный сигнал нужному человеку на телефон, а не в еженедельный отчёт. Классификатор должен был соответствовать собственной таксономии проблем компании, а не общей оценке тональности. И обработка должна оставаться в рамках закона: со времён Omnibus-директивы ЕС (2019) продавцы не вправе выдавать отзывы за проверенные без проверки и заказывать поддельные, поэтому система читает и маршрутизирует отзывы, но никогда их не генерирует.

Тональность по неделям по всей сети, ранжированные негативные темы, антирейтинг магазинов и журнал эскалаций — всё из одного классифицированного потока.

Решение построено как один поток: двенадцать коннекторов питают дообученный мультиязычный трансформер, который присваивает тему, тональность, магазин и критичность, а критичность запускает эскалацию на телефон ответственного менеджера за минуты. Ответы остаются за человеком: система готовит черновик, сотрудник правит и публикует через инструменты самой площадки — в соответствии с рекомендацией Google отвечать на отзывы из Business Profile (2024).

• Коннекторы. Двенадцать коннекторов с инкрементальной синхронизацией, дедупликацией и повторами; ручная загрузка для книги замечаний и расшифровок горячей линии.
• Классификация. Трансформер присваивает тему (ассортимент, цены, персонал, чистота, очереди…), тональность, магазин (по карточке площадки или из текста) и уровень критичности. Правила критичности сочетают выход модели с ключевыми словами, важными для юристов.
• Эскалация. Критичные отзывы уходят в Telegram директору магазина и региональному менеджеру с кнопкой подтверждения; неподтверждённые алерты через заданное время поднимаются выше по цепочке.
• Дашборд и ответы. Тренды по сети, регионам и магазинам; всплывающие темы недели; антирейтинг магазинов; черновики ответов на типовые отзывы.

Таблица сопоставляет, как сеть работала с отзывами до и после. Ручной выборочный мониторинг дёшев на старте, но не масштабируется на тысячу магазинов и двенадцать источников, а время реакции измеряется днями. Классифицированный поток требует модели и коннекторов на входе, зато потом читает все отзывы, каждый час, на любом языке и по каждому магазину сети.

Число, которое волновало бизнес больше всего: сколько критичный отзыв лежит, пока о нём не узнает ответственный. С более чем двух суток до менее трёх часов — медиана по сети.

Пайплайн намеренно простой: коннекторы, один классификатор, слой правил для критичности, мессенджер для эскалации, дашборд для всего остального.

Стек — коллекторы на Python и дообученный мультиязычный трансформер для классификации; PostgreSQL для отзывов и решений, ClickHouse для аналитики; дашборд на Laravel + Vue; Telegram Bot API для эскалации; API Google Business Profile, Apple, магазинов приложений и соцсетей как источники. Всё развёрнуто в облачном аккаунте клиента, так что тексты отзывов и аналитика по магазинам остаются под его контролем.

Подход подходит любому бизнесу с множеством точек или большой клиентской базой — HoReCa, аптечным сетям, банкам с филиалами, маркетплейсам с отзывами о продавцах, — где отзывы живут во многих местах и понимаются поздно. Gartner (2023) ожидал, что генеративный ИИ в течение нескольких лет будет использовать большинство служб клиентского сервиса, а McKinsey (2023) относит клиентские операции к областям с наибольшим эффектом генеративного ИИ; практический первый шаг обычно тот же, что здесь: один классифицированный поток и быстрый путь эскалации.