Автоматизация обработки отзывов на маркетплейсах с помощью ИИ

Автоматизация обработки отзывов на маркетплейсах с помощью ИИ — один из самых частых запросов от компаний, которые продают через Ozon, Wildberries и другие площадки. Отзывы напрямую влияют на рейтинг товара, его видимость в поиске и, в конечном счёте, на продажи.

Скорость и качество ответов на отзывы определяют:

• позицию товара в выдаче маркетплейса;
• конверсию карточки товара;
• лояльность клиентов и готовность покупать повторно.

На практике у маркетинга и клиентского сервиса часто не хватает ресурсов, чтобы поддерживать нужный уровень скорости и качества работы с отзывами и вопросами:

• каждый день приходят от сотен до тысяч новых отзывов;
• у разных маркетплейсов — свои форматы выгрузок и структура личных кабинетов;
• сортировка, поиск приоритетных отзывов и формулировка ответов выполняются вручную.

В этом кейсе мы показываем, как построили систему автоматизации обработки отзывов на маркетплейсах с помощью ИИ и корпоративной базы знаний о товарах: сократили время подготовки ответов в разы, сохранили качество обработки обращений и оставили контроль и управление на стороне команды маркетинга и операторов.

McKinsey отмечает, что реальную ценность компании получают от ИИ тогда, когда встраивают его в рабочие процессы, а не используют как отдельный ИИ-инструмент. Мы придерживаемся того же принципа, поэтому на базе Epsilon Workspace реализовали целостную систему работы с отзывами. Ниже подробно расскажем, как она устроена.

1. Задача

   Сократить время обработки отзывов и вопросов на маркетплейсах, повысить долю своевременных содержательных ответов и не расширять команду, при этом выстроив понятный управляемый процесс работы с критичными и ценными для продукта отзывами.

2. Решение

   ИИ-решение на no-code платформе Epsilon Workspace: единая лента отзывов с разных площадок, конструктор бизнес-правил и шаблонов, управляемая база знаний о продуктах. Все ключевые настройки — правила, стили ИИ, шаблоны, справочники — задают маркетологи и операторы, а не ИТ. ИИ формирует осмысленные ответы с нужным тоном и стилем, опираясь на данные по продуктам и заданные параметры маршрутизации.

3. Результаты

   Время подготовки ответа сократилось до 20–40 секунд вместо нескольких минут. Нагрузка на команду снизилась на 60–70%. Доля своевременных ответов выросла с 30–40% до 90+%. Критичные обращения и идеи по продукту выделяются в приоритетные потоки и стабильно доходят до лаборатории, R&D, продуктовых команд и других профильных подразделений.

О клиенте: крупный производитель косметики с активными продажами на маркетплейсах

Заказчик — крупный российский производитель декоративной косметики. Компания продаёт продукцию на нескольких маркетплейсах и в собственном интернет-магазине, активно инвестирует в продвижение и репутацию бренда в интернете.

У компании:

• сотни артикулов в разных категориях;
• несколько брендов и продуктовых линеек;
• значимая доля выручки зависит от отзывов и рейтингов на маркетплейсах.

Каждый день на товары приходят сотни, а в пиковые периоды — тысячи отзывов и вопросов: от коротких «Спасибо, всё отлично!» до подробных комментариев о текстуре, формуле, оттенках и упаковке.

Как выглядел процесс до проекта автоматизации обработки отзывов с помощью ИИ

На первом этапе развития онлайн-продаж на маркетплейсах компания шла естественным путём: на отзывы отвечали операторы. Они писали ответы «с нуля» или копировали текст из шаблонов и дорабатывали его под каждый конкретный случай.

По мере роста ассортимента и объёма отзывов такой подход перестал масштабироваться. В пиковые периоды (распродажи, праздники, сезонные всплески спроса):

• команда физически не успевала своевременно разбирать все отзывы;
• предложения для лаборатории и R&D терялись в общем потоке и не доходили до профильных подразделений;
• негативные отзывы попадали на обработку с задержкой и разбирались несистемно;
• для любого изменения логики обработки отзывов нужно было обращаться в ИТ-подразделение.

Построить процесс обработки отзывов и масштабировать его без автоматизации было сложно.

Цели проекта по автоматизации обработки отзывов на маркетплейсах с помощью ИИ

В рамках проекта стояла задача развить существующую работу с отзывами на маркетплейсах: сделать процесс более управляемым, удобным для команды и устойчивым к росту объёмов.

Задачи можно разделить на несколько блоков.

1. Работа с очередью отзывов

• Свести к минимуму риск пропуска негативных и критичных обращений, в том числе в периоды распродаж и сезонных пиков.

• Сократить время подготовки ответа и при этом сохранить текущий размер команды при росте числа отзывов.

• Выделять в отдельные потоки чувствительные обращения — токсичные формулировки, намёки на мошенничество, медицинские и юридически значимые темы — чтобы оперативно направлять их в соответствующие подразделения.

2. Качество и польза ответов для покупателей

• Перейти от формальных ответов к более прикладным: добавлять конкретные рекомендации по продуктам, их выбору и использованию с учётом контекста отзыва.

• Настроить работу ИИ так, чтобы он опирался на корпоративную базу знаний, регламенты и политику бренда при формировании ответов.

3. Управляемость процесса и аналитика

• Дать маркетингу, клиентскому сервису, юристам, технологам и продуктовым командам возможность самостоятельно настраивать правила обработки, шаблоны, тональность ответов и базу знаний в интерфейсе системы — без доработок со стороны ИТ.

• Настроить аналитику по отзывам и работе команды: видеть долю отзывов с ответами, скорость реакции, загрузку и эффективность операторов в разрезе маркетплейсов, брендов и категорий.

4. Развитие продукта и масштабирование решения

• Системно собирать и структурировать идеи и рекомендации из отзывов для лаборатории и R&D, чтобы использовать обратную связь клиентов при развитии продуктов.

• Обеспечить возможность быстро подключать новые маркетплейсы, бренды и категории товаров без запуска отдельных ИТ-проектов и доработок.

Решение: платформа для автоматизации обработки отзывов на маркетплейсах с помощью ИИ

Решением стала система автоматизации обработки отзывов на маркетплейсах на базе no-code платформы Epsilon Workspace. Задача была не «подключить ИИ», а:

• автоматизировать анализ отзывов и подготовку ответов;
• построить базу знаний по продуктам;
• организовать маршрутизацию ценной информации из отзывов в профильные подразделения (лаборатория, R&D, служба качества, маркетинг и др.).

Система реализована силами команды Эпсилон Метрикс на платформе Epsilon Workspace.

1. На стороне платформы были настроены рабочие процессы и развернута система управления базой знаний по продуктам.
2. Также для команды Заказчика разработаны отдельные пользовательские интерфейсы — для операторов, маркетинга и продуктовых команд. В этих интерфейсах:

• задаётся логика обработки отзывов (правила, очереди, статусы);
• наполняется и поддерживается в актуальном состоянии база знаний;
• управляются шаблоны ответов и AI-стили (тон общения ИИ);
• настраивается маршрутизация отзывов и эскалации.

Все настройки выполняют бизнес-пользователи — без участия ИТ и без доработок системы. Основная конфигурация была создана на этапе запуска проекта, а дальше правила, стили и база знаний дополняются и уточняются по мере появления новых продуктов, регламентов и подключения других маркетплейсов.

Как устроено решение на базе Epsilon Workspace

Автоматизация построена как набор модулей, работающих как единая система:

• Импорт и нормализация отзывов
  Сбор отзывов из разных маркетплейсов и каналов (личные кабинеты, выгрузки excel, интеграции) и приведение их к единой структуре данных с загрузкой в общую Ленту отзывов.

• Интеллектуальный анализ текстов отзывов
  Модели ИИ анализируют текст отзывов и рассчитывают признаки: тональность, наличие вопросов, темы, триггеры для эскалации и др. Эти признаки дальше используются в правилах и приоритизации.

• Бизнес-правила и маршрутизация
  Конструктор правил «Если / То», в котором бизнес-пользователи настраивают, что делать с отзывами разных типов: какой стиль ответа использовать, нужно ли использовать ИИ или достаточно применить подходящий шаблон, отправлять в отдельную очередь или эскалировать.

• Лента отзывов и карточка отзыва
  Рабочее место оператора: умная очередь отзывов с фильтрами, ИИ-признаками, приоритетами и двумя режимами отображения (по отзывам и по товарам). Из Ленты открывается карточка отзыва с полным контекстом и секцией для подготовки ответа.

• Генерация ответов с опорой на базу знаний, шаблоны и AI-стили
  Для основной массы отзывов система автоматически формирует черновик ответа, опираясь на текст отзыва, данные о товаре из базы знаний, выбранный стиль ИИ и сработавшие правила маршрутизации. Отдельные категории отзывов обрабатываются только вручную — например, сообщения со стоп-словами, токсичными формулировками или юридически чувствительными темами.

• Управление знаниями
  Модуль управления базой знаний и справочниками: карточки товаров, инструкции по использования, информация по составу, словари формулировок и стоп-слов, регламенты и другие данные, которые используются ИИ и правилами.

  Аналитика и дашборды
  Дашборды по доле отзывов с ответами, времени реакции, темам и тональности, загрузке операторов и эффективности обработки, которые позволяют контролировать работу системы и команды.

В следующих разделах кейса подробно рассмотрим модули системы: Ленту отзывов, карточку отзыва, конструктор бизнес-правил, шаблоны ответов, редактор базы знаний и настройку AI-стилей.

В результате автоматизация обработки отзывов на маркетплейсах с помощью ИИ стала системой полного цикла: операторы работают в Ленте и карточке отзыва, а бизнес-команды через удобные интерфейсы задают правила, шаблоны, тон общения и наполняют базу знаний — без обращения к ИТ за каждой правкой или доработкой.

Результаты автоматизации обработки отзывов с помощью ИИ

Количественные

• сокращение времени подготовки ответа на один отзыв в 5 раз;
• рост доли своевременных содержательных ответов с 30–40% до 90+%;
• снижение операционной нагрузки на команду на 60–70%.

Качественные (не менее важные):

• Системный сбор идей для R&D.
• Выделение и приоритизация критичных обращений.
• Передача управления бизнес-пользователям.

Как работает автоматизация обработки отзывов на маркетплейсах с помощью ИИ

Теперь рассмотрим подробнее, как работает Система и выглядят пользовательские интерфейсы, которые разработали специально для команды Заказчика.

Лента отзывов: умная очередь

Лента отзывов — это центральный рабочий экран системы, через который проходит весь поток отзывов с маркетплейсов. Здесь разрозненные обращения из разных личных кабинетов Ozon, Wildberries и других площадок собираются в одну очередь для операторов.

На верхней панели настраивается отображение очереди так, как удобно конкретному оператору:

• поиск и фильтры по артикулу, кабинету маркетплейса, периоду и другим параметрам;
• тумблер «Группировать» — переключает режим отображения: по отдельным отзывам или по товарам.

Два режима отображения: по отзывам и по товарам

Чтобы автоматизация ответов на отзывы на маркетплейсах была удобна для разных сценариев, Лента поддерживает два режима работы.

Режим «Таблица» (без группировки) — каждый отзыв отображается отдельной строкой.
Он подходит, когда нужно:

• пройтись по всей очереди сразу по нескольким товарам и площадкам;
• отфильтровать, например, все новые негативные отзывы с вопросами;
• запустить массовую генерацию ответов на выбранные отзывы.

«Лента отзывов» в режиме таблицы: список отзывов с маркетплейсов с фильтрами, статусами и цветовой подсветкой

Режим с группировкой по товарам — все отзывы объединяются по карточке товара. Лента отзывов в режиме группировки по структуре напоминает личные кабинеты маркетплейсов. В этом режиме оператор:

• видит, по каким товарам накопилось больше всего обращений;
• может развернуть группу и отработать все отзывы по конкретному продукту.

В обоих режимах доступны чек-боксы для массового выбора: оператор может выделить серию отзывов и одним действием запустить автоматическую подготовку ответов, экспорт или изменение статуса.

Совместная работа с Заказчиком: интерфейс из реальной практики

Пользовательский интерфейс Ленты мы проектировали вместе с командой Заказчика — специалистами, которые каждый день работают с отзывами в личных кабинетах маркетплейсов и разбирают реальные кейсы. В результате Лента выглядит как привычный рабочий инструмент.

В интерфейсе учли все пожелания операторов:

• Одна умная очередь вместо разных вкладок. Все отзывы из разных кабинетов собираются в единой Ленте — не нужно переключаться между личными кабинетами маркетплейсов.
• Настройка под себя. Фильтры, сортировка и поиск по артикулу, кабинету маркетплейса, периоду и другим параметрам, тумблер режима: плоская таблица по отзывам или группировка по товарам.
• Привычный формат. Лента похожа на интерфейсы маркетплейсов.
• Цветовая подсветка сразу показывают негативные, рискованные и ценные для продукта отзывы — оператор видит, что разбирать в первую очередь.
• Массовые действия. Генерация черновиков ответов, изменение статусов, экспорт по всем выделенным отзывам сразу.
• Весь контекст на одном экране. Источник, товар, рейтинг, автор и текст отзыва, ИИ-признаки, текущий статус обработки, черновик ответа и возможности для редактирования черновика и создания новых текстов с использованием ИИ или шаблонов.

В итоге автоматизация обработки отзывов на маркетплейсах с помощью ИИ работает как понятный для операторов инструмент: они видят весь контекст, управляют очередью, используют подсказки ИИ и в любой момент могут взять сложный отзыв в ручную обработку.

Не нужно заходить в личные кабинеты разных площадок и вручную выискивать важные отзывы — система сама собирает всё в одном месте, подсвечивает приоритеты, а также даёт инструменты для быстрой обработки.

ИИ-признаки: смысл и риски видны сразу

Базовый уровень данных отзыва — это обычные атрибуты, которые Система импортирует из источников. В них нет ничего интересного: дата и время публикации; маркетплейс (Ozon, Wildberries и др.); рейтинг; товар (бренд, артикул); автор и сам текст отзыва.

Второй слой данных — это признаки, которые вычисляет искусственный интеллект:

• Эмоциональная окраска текста
  Модель определяет тональность (позитивная, негативная, нейтральная) по содержанию текста, а не только по количеству звёзд. Например, отзыв с оценкой 5★ и саркастическим текстом будет помечен как негативный.
• Наличие вопроса даже без «?»
  ИИ ищет скрытые вопросы и запросы на уточнение, даже если покупатель не поставил вопросительный знак и сформулировал мысль в свободной форме.
• Токсичные, юридически чувствительные и рискованные формулировки
  Система автоматически сканирует отзывы на предмет оскорблений, угроз, намёков на мошенничество, медицинских утверждений и других опасных тем. Модель распознаёт «замаскированные» выражения, слова со «звёздочками» вместо букв, опечатки и синонимы — то, что обычные инструменты для работы с текстом часто пропускают.
• Идеи для улучшения продукта
  Отдельно выделяются отзывы, в которых покупатель предлагает что-то изменить и улучшить в продукте, упаковке или сервисе. Такие сообщения помечаются как идеи для продуктовых команд, технологов и лаборатории.

Как ИИ-признаки используются в системе

На основе признаков, которые вычисляет ИИ, настраиваются правила обработки и маршрутизации, а также логика формирования ответов.

• в правилах маршрутизации — например, «негатив + есть вопрос», «5★, но негативная тональность», «есть стоп-слова», «есть идея для развития продукта» и другие;
• в карточке отзыва помогают оператору быстро оценить риск и контекст;
• в аналитике позволяют строить отчёты по темам, тональности, количеству рискованных обращений и идеям для R&D.
• в Ленте отзывов эти признаки отображаются в виде цветовой подсветки текста и тегов. Оператор одним взглядом понимает, что перед ним: простой комплимент, важный вопрос по возврату или потенциально проблемный отзыв, который нужно взять в работу в первую очередь.

На этом этапе становится видно, что автоматизация обработки отзывов на маркетплейсах с ИИ — это не только генерация текстов ответов, но и умная классификация и маршрутизация обращений.

Карточка отзыва и ответа: вся информация на одном экране

Карточка отзыва открывается из Ленты и показывает оператору всю нужную информацию на одном экране. В верхней части собраны основные данные:

• наименование товара и артикул;
• источник (конкретный маркетплейс или сайт), дата публикации и рейтинг;
• полный текст исходного комментария покупателя;
• статус обработки — текущее состояние отзыва в процессе (новый, в работе, на согласовании, закрыт).

Здесь же отображаются признаки, рассчитанные ИИ: тональность, наличие вопроса, признаки токсичности или упоминания медицинских и юридически чувствительных тем, наличие потенциальной идеи для продукта.

«Карточка отзыва»: на одном экране собраны основные данные по отзыву, автоматически рассчитанные ИИ-признаки, а также секция для редактирования и утверждения ответа

Оператору не нужно собирать информацию из разных систем: всё, что важно для понимания контекста отзыва, находится в одной карточке.

Подготовка ответа с помощью ИИ: где работает ИИ, а где — Пользователь

Также в карточке располагается зона подготовки ответа. Для большинства отзывов карточка уже при открытии содержит черновик, сгенерированный ИИ по заранее настроенным правилам, стилям и с опорой на базу знаний (карточки товаров, инструкции, ответы на частые вопросы и т.д.).

Дальше всё решает оператор. Он может:

• использовать предложенный черновик без изменений;
• отредактировать текст под конкретную ситуацию;
• запросить новый вариант ответа, выбрав другие правила, стиль или способ обращения к базе знаний.

Готовый ответ можно:

• сохранить как черновик;
• отправить на модерацию ответственному сотруднику;
• опубликовать на маркетплейсе или сайте.

Для части отзывов черновик ответа принципиально не формируется автоматически. Это отзывы со стоп-словами, клеветой, признаками мошенничества, а также с юридическими или медицинскими рисками и другими признаками повышенного внимания. Такие отзывы система выявляет ещё на этапе импорта. Для них ИИ не предлагает готовый текст ответа, а только помогает оператору выбрать стиль, маршрут (эскалация в юридическую службу, качество, R&D) и нужные уведомления.

Конструктор бизнес-правил маршрутизации отзыва: где настраивается логика работы

В разделе «Правила маршрутизации» сотрудники задают логику обработки отзывов без участия разработчиков. Пользовательский интерфейс выглядит как обычная таблица: для каждого правила отображаются:

• приоритет — число от 1 до 100; чем выше значение, тем раньше правило проверяется;
• название;
• режим (например, ответ на обращение по этому правилу формируется ИИ, или применяется подходящий шаблон, или ответ должен формироваться только Оператором);
• статус (активно / выключено);
• счетчик «Срабатываний» и поле «Последнее срабатывание», по которым видно, насколько правило востребовано в реальном потоке;
• блок «Действия» (редактирование, отключение и т.д.).
• сверху — кнопка «Создать правило», которая открывает карточку нового правила.

«Реестр правил» обработки отзывов в зависимости от комбинации признаков отзыва

Для пользователей это привычный реестр настроек: по названию, приоритету и статистике срабатываний сразу видно, какие правила действительно работают, а какие можно скорректировать или отключить.

Карточка правила: или как выглядит конструктор «Если/То» для ответов ИИ

В Epsilon Workspace логика обработки отзывов настроена так, чтобы ей могли управлять не разработчики, а представители бизнес-подразделений. В карточке правила маркетологи и клиентский сервис собирают поведение системы из понятных блоков. Бизнес-команда может добавлять новые правила, менять условия и действия, комбинировать ИИ-генерацию, шаблоны и ручную обработку — без доработок со стороны ИТ. Именно эта возможность самостоятельно настраивать логику обработки отзывов делает Систему действительно прикладной.

Сверху — блок «Основная информация». Здесь задаём понятное название (например, «Позитивные отзывы 4–5★», «Негатив + Вопрос», «Стоп-слова» и подобные) и короткое описание, выставляют приоритет от 1 до 100 и при необходимости включают «Автоматическую публикацию» для тех сценариев, где ответ можно отправлять без дополнительного согласования оператора. Приоритет нужен для того, чтобы определить очередность применения правил, если отзыв подходит к нескольким правилам.

«Карточка правила», блок «Общая информация»

Дальше начинается логика. В секции «Условия применения (КОГДА)» задаётся, к каким отзывам будет применяться правило. Здесь пользователь комбинирует условия по разным полям: от базовых атрибутов отзыва (рейтинг, наличие текста, количество фото и других) до признаков, которые вычислил ИИ — тональность, наличие вопроса, токсичные или юридически чувствительные формулировки, идеи для улучшения продукта и другие.

В одном правиле можно, например, задать: «Рейтинг ≥ 4» и «Есть текст» и «Тональность — негативная». Если указано несколько условий, все они будут выполняться одновременно (логика «И»).

«Карточка правила», блок «Условия  применения»

После блока «Условия применения (КОГДА)» в карточке правила следует ключевой для бизнеса раздел — «Действие (ЧТО ДЕЛАТЬ)». В нём определяется способ обработки отзывов, которые попали под данное Условие применения.

Доступны три варианта:

• AI-генерация (RAG + LLM) — формируется черновик ответа с учётом выбранного AI-стиля и, при необходимости, корпоративной базы знаний.
• «Использовать шаблон» — вместо генерации ответа ИИ должен использоваться заранее утверждённый текст.
• «Ручная обработка» — отзыв направляется в отдельную очередь на обработку без участия ИИ.

Если выбран вариант AI-генерации, то в карточке правила задаётся тон ответа — например, профессиональный, заботливый, молодёжный и другие. Тон выбирается из списка AI-стилей, которые заранее были настроены бизнес-пользователями в редакторе «AI-стили» (см. раздел этого кейса «Настройка стилей»).

При создании правила система автоматически предлагает наиболее подходящий стиль и поднимает его в начало списка, но при необходимости можно выбрать и любой другой. Ниже включается флаг «Использовать базу знаний (RAG)» — он определяет, должен ли ИИ использовать корпоративную базу знаний, регламенты и политики бренда при формировании ответов.

«Карточка правила», блок «Действия». Выбираем тип действия «AI генерация»

Если выбран вариант «Использовать шаблон», правило подключает тексты ответов из шаблонов. Шаблоны тоже заранее настраиваются в редакторе шаблонов (см. раздел «Настройка шаблонов ответов»): команда самостоятельно создаёт и обновляет формулировки, а при настройке правила остаётся только выбрать нужный шаблон из списка.

«Карточка правила», блок «Действия». Выбираем тип действия «Использовать шаблон»

Таким образом, структура правила «КОГДА» + «ЧТО ДЕЛАТЬ» предоставляет бизнесу понятный механизм управления. Для каждого типа отзывов задаётся, будет ли применяться AI-генерация, шаблоны или ручная обработка.

Внизу карточки в секции предпросмотра правила система автоматически собирает всё, что настроил пользователь.

«Карточка правила», блок «Предпросмотр»

Примеры правил маршрутизации отзывов

Пример 1. Правило «Стоп-слова»

Цель: выделить потенциально опасные отзывы с юридическими, медицинскими и репутационными рисками.

Если в тексте отзыва есть стоп-слова (например, «аллергия», «опасно», «отравление», «подам жалобу»),
То:

• автоматический ответ ИИ не генерируется;
• отзыв уходит в отдельную очередь на ручную обработку;
• стоп-слова подсвечиваются;
• при необходимости формируется обращение в поддержку маркетплейса или юридический отдел.

Пример 2. Негативный отзыв с вопросом в тексте

Цель: не допустить, чтобы негативный отзыв с вопросом остался без содержательного ответа.

Если тональность отзыва негативная и в тексте есть вопрос,
То:

• выбирается специальный стиль общения (более формальный и профессиональный);
• используется база знаний (описания товаров, правила возврата, инструкции).

Пример 3. «5★, но негативный текст / сарказм»

Цель: выявлять случаи, когда формально отзыв выглядит как позитивный, но по смыслу несёт негатив.

Если рейтинг = 5★, но ИИ определил тональность как негативную или саркастическую,
То:

• отзыв помечается как подозрительный;
• отправляется на ручную проверку;
• при необходимости попадает в очередь юридического отдела или бренд-команды.

Пример 4. «Простой позитив без текста / с коротким текстом»

Цель: ускорить работу с типовыми позитивными отзывами и сохранить тёплый, живой тон общения.

Если отзыв позитивный, короткий и без вопросов,
То:

• используется подходящий шаблон благодарности с чуть более «креативной» генерацией (чтобы ответы не были «под копирку»);
• ответ может публиковаться без ручного утверждения;
• настраивается небольшая задержка перед публикацией, чтобы ответы не выглядели машинными.

Пример 5. «R&D-отзывы»

Цель: не терять ценные идеи по улучшению продукта в общем потоке отзывов.

Если отзыв длинный, содержательный и содержит конкретные предложения по улучшению продукта, упаковки или сервиса,
То:

• отзыв помечается как идея для R&D;
• автоматически формируется уведомление профильному подразделению;
• в интерфейсе доступен отдельный фильтр для работы с такими отзывами.

Настройка шаблонов ответов

Не для каждого отзыва нужна генерация текста ИИ. В системе есть отдельный модуль «Шаблоны ответов», который закрывает типовые сценарии: короткие благодарности, оценки без текста, нейтральные и простые позитивные отзывы.

Реестр шаблонов ответов

В разделе «Шаблоны ответов» шаблоны собраны в виде простой таблицы:

• дата создания;
• название;
• категория (благодарности, обратная связь, доставка и т.п.);
• статус (активен / выключен);
• короткое описание;
• действия (открыть, отредактировать, отключить).

На этом экране пользователь видит, какие формулировки и для каких отзывов уже подготовлены командой, какие используются в работе, а какие можно доработать или временно выключить.

«Реестр шаблонов» ответов на отзывы

Карточка шаблона: конструктор типовых ответов

В карточке шаблона задаются:

• Название и описание — чтобы операторам и маркетологам было понятно, в каких ситуациях применять шаблон.
• Категория — связана с классификатором отзывов. Если модель видит «вопрос о составе», система предложит именно шаблон из категории «Состав / безопасность».
• Текст ответа с переменными. В отдельном блоке перечислены доступные переменные:
  {customer_name}, {product_name}, {sku}, {brand}, {composition_info} и другие. В тексте ответа пользователь устанавливает переменные, а при применении шаблона система автоматически будет подставлять конкретные значения в эти переменные из отзыва и базы знаний.

«Карточка шаблона», блоки «Основная информация» и «Доступные переменные»

После того, как выбраны переменные и подготовлен текст, задаются:

• Условия применения. Настраиваются тональность и рейтинг, для которых шаблон рекомендуется: например, «позитивные отзывы 4–5★ без текста или с коротким текстом». Например, этот шаблон рекомендуется для нейтральных отзывов с конкретным количеством звёзд.
• Примечание для оператора. Сюда выносятся дополнительные правила: «использовать только если заполнена информация о составе», «не применять для отзывов с упоминанием аллергии» и т.д.
• Статус и флаг активности. Переключатель «Активно» позволяет быстро включать/выключать шаблон.

«Карточка шаблона», блоки «Рекомендации для применения» и «Проверка»

При нажатии на ссылку «Предпросмотр» открывается окно, где Система:

• подставляет тестовые значения в переменные (с учётом склонения);
• показывает готовый текст так, как его увидит покупатель на маркетплейсе;
• выполняет проверку качества ответа: длину текста и корректность подстановки переменных.

Предпросмотр ответа по шаблону

Таким образом на одном экране пользователь полностью выполняет всю работу по настройке шаблона: задаёт параметры шаблона и условия, при которых Система будет использовать этот шаблон.

Где используются настроенные шаблоны

Настроенные шаблоны будут использоваться при настройке правил маршрутизации и в карточке отзыва в случае, если Оператор захочет вручную применить шаблон для подготовки ответа:

в «Карточке правила» можно задать действие «Использовать шаблон» — тогда система предложит выбрать подходящие шаблоны в списке выбора:

«Карточка правила», блок «Действие»

в «Карточке отзыва» Оператор может вручную выбрать подходящий шаблон, если для конкретного отзыва этого достаточно:

«Карточка отзыва», блок «Генерация ответа». Выбор шаблона, если сгенерированный черновик ответа не подходит и пользователь хочет вручную подготовить ответ по шаблону

В результате ИИ берёт на себя случаи, где важен контекст и нюансы формулировок, а модуль шаблонов закрывает типовые ситуации путём подготовки точных ответов.

Компания сохраняет высокую скорость и качество коммуникаций — и при этом не нужно каждый раз вызывать модель для подготовки ответа.

Редактор базы знаний и справочников

Gartner отмечает: генеративный ИИ в клиентском сервисе работает эффективно только тогда, когда он интегрирован с системой управления базой знаний.

В нашей системе ИИ отвечает за понимание текста и генерирует тексты ответов, но основу для него задают Справочники и База знаний, которыми управляет сам бизнес. Заказчик контролирует, что именно попадает в ответы, как обрабатываются сложные темы и как быстро изменения данных попадают в ИИ.

База знаний и справочники — это фундамент для автоматизации обработки отзывов на маркетплейсах с помощью ИИ. От качества данных зависит качество качество ответов. Поэтому важной частью решения стали Редактор базы знаний и Справочников.

Редактор базы знаний и справочников — это отдельный модуль для менеджеров и экспертов со стороны Заказчика. В нём они управляют содержимым:

• таблицами стоп-слов и фраз;
• справочниками брендов, линеек, категорий и артикулов;
• карточками товаров с описаниями, характеристиками и тегами;
• словарями формулировок, которые должны/не должны использоваться в ответах;
• наборами дисклеймеров и специальных предупреждений;
• внутренними регламентами и политиками, связанными с коммуникацией.

Интерфейс выглядит как привычная корпоративная система: таблицы с возможностью создания, редактирования, удаления записей и загрузки данных.

База знаний

Маркетологи и специалисты по продукту могут загружать данные, создавать новые документы, назначать теги и статусы, запускать переиндексацию для ИИ. Все изменения появляются в системе сразу, без релизов и участия разработчиков. Если вышел новый продукт или обновилась формула — достаточно обновить запись в базе знаний, и ИИ начнёт учитывать эти данные при генерации ответов.

База знаний: документы, с которыми работает ИИ

В таблице базы знаний собраны данные из документов, к которым обращается ИИ:

• карточки товаров;
• инструкции по применению;
• описания формул и составов;
• ответы на частые вопросы;
• технологическая документация;
• внутренние регламенты.

Для каждого документа отображаются:

• дата обновления;
• заголовок;
• артикул;
• тип (инструкция, FAQ, описание состава и т.д.);
• бренд и продуктовая линейка;
• статус (в работе / утверждено / требует актуализации).

Маркетологи и специалисты по продукту могут:

• массово загружать данные через импорт из Excel;
• создавать и обновлять данные вручную;
• назначать теги и статусы;
• запускать переиндексацию для ИИ.

Если вышел новый продукт или изменилась формула — достаточно обновить записи в базе знаний. Модель автоматически начнёт учитывать новые данные при генерации ответов, без дообучения и релизов.

Реестры стоп-слов и чувствительных тем

Отдельные справочники посвящены стоп-словам и чувствительным темам. В них:

• токсичные формулировки и оскорбления;
• юридически значимые упоминания;
• сигналы о рисках для здоровья;
• триггеры для эскалации (угрозы жалоб регуляторам, упоминания «отравление», «опасно» и т.д.).

Для каждой записи можно:

• задать категорию и уровень критичности;
• включить или отключить использование в определённых правилах.

Данные из этих справочников напрямую используются в:

• классификации отзывов (подсветка чувствительных тем);
• правилах маршрутизации (например, правило «Критические: стоп-слова»).

Карточки товаров и словари формулировок

В карточках товаров фиксируются:

• название и артикул;
• краткое и расширенное описания;
• характеристики (тип продукта, оттенки, тип кожи, ограничения по применению и т.д.);
• связанный бренд и линейка;
• теги («для чувствительной кожи», «матирующий эффект» и др.);
• дополнительные рекомендации и дисклеймеры.

При необходимости добавляются:

• словари рекомендуемых формулировок для ответов;
• наборы предупреждений и юридических оговорок;
• внутренние инструкции по тону коммуникации.

Зачем всё это бизнесу

Такой подход даёт компании несколько ключевых преимуществ:

• бизнес точно знает, какие данные использует ИИ;
• при изменении состава, инструкций или политики бренда не нужно дообучать модель — достаточно обновить записи в базе знаний;
• таблицы стоп-слов позволяют вовремя помечать опасные отзывы;
• терминология, особенности продуктов и «голос бренда» фиксируются в структуре, понятной бизнесу, а ИИ использует их в генерации текстов по заданным правилам.

В сочетании с конструктором бизнес-правил модуль базы знаний превращает ИИ не в «чёрный ящик», а в инструмент, работающий строго в рамках данных и регламентов, которые задаёт Заказчик.

Настройка стилей текстов, сгенерированных ИИ: настроить подходящий тон в ответах на отзывы

Чтобы автоматизация обработки отзывов на маркетплейсах с помощью ИИ не превращалась в поток однообразных роботизированных текстов, в системе есть отдельный модуль «AI Стили». Это конструктор тонов общения, в котором сотрудники Компании определяют, как именно ИИ будет отвечать покупателям в разных ситуациях и на разных маркетплейсах. Например, заботливый, лаконичный, профессиональный, весёлый, консервативный, молодёжный, вдохновляющий и т.д.

Реестр стилей ИИ

В разделе «AI Стили» все стили собраны в виде таблицы. Для каждого стиля видно:

• Название;
• Системная инструкция или Промпт (описание роли и тона общения для ИИ);
• Модель LLM (например, DeepSeek Chat и другие);
• Температура генерации ответа;
• Статус и признак «по умолчанию».

На этой экранной форме видно какие стили сейчас используются, с какими моделями они работают и какой стиль применяется по умолчанию.

Реестр стилей

Карточка стиля

Настройка стиля выполняется в его карточке. Здесь пользователь задаёт:

• Название стиля — как он будет отображаться в интерфейсе (например, «профессиональный, заботливый, дружелюбный»).
• Промпт — развёрнутое описание роли: тон общения, допустимые и недопустимые формулировки, правила реакции на негатив, требования к юридической аккуратности, особенности коммуникации при упоминании медицинских тем и т.д.
• Модель LLM — из выпадающего списка выбирается, какая именно модель используется при применении этого стиля.
• Температуру — значение, определяющее степень креативности ответов.
• Флаги «Активен» и «Использовать по умолчанию» — включение стиля и назначение его базовым для системы.

«Карточка стиля»

Все эти параметры можно менять без участия разработчиков: бренд-менеджер или специалист по работе с отзывами задаёт тон, правила и добавляет новые стили под конкретные маркетплейсы и категории товаров.

Как стили связаны с отзывами, правилами и шаблонами

Стили используются в разных частях Системы:

в Карточке отзыва оператор при необходимости может выбрать настроенный стиль перед генерацией ответа — можно быстро переключиться, например, с «заботливого» на «лаконичный» или с «консервативного» на «современный», если Система автоматически определила другой стиль для черновика ответа;

 «Карточка отзыва», блок «Генерация ответа». Выбор стиля ответа

• в правилах маршрутизации для разных типов отзывов задаются разные стили: например, для токсичных отзывов — более строгий и формальный тон, для благодарностей — более эмоциональный и тёплый;

 «Карточка правила», блок «Действия». Тип действия -— «AI генерация». Выбор стиля ответа

В результате автоматизация обработки отзывов на маркетплейсах с помощью ИИ остаётся полностью управляемой со стороны Компании:
модель подбирает факты и формулирует ответ, но делает это в строго заданном тоне, который согласован с маркетингом и поддерживает единый «голос бренда».

Стили взяли из реальной практики

Интерфейс и набор стилей были разработаны совместно с командой Заказчика — специалистами, которые годами отвечают на отзывы в личных кабинетах маркетплейсов. Их реальные практики были перенесены в системные промпты:

• как правильно благодарить за позитивный отзыв;
• как мягко, но чётко отвечать на претензии;
• какие формулировки недопустимы с точки зрения бренда и юридических рисков;
• как говорить с разными аудиториями: консервативной, молодёжной, профессиональными косметологами и другими.

В системе этот опыт используется в виде настроек для ИИ. Компания задаёт правила и стили, а платформа следит за тем, чтобы каждый сгенерированный ответ звучал так, как если бы его писал сотрудник, хорошо знающий продукты и целевые сегменты покупателей.

Как автоматизация обработки отзывов на маркетплейсах с помощью ИИ изменила работу операторов

Раньше операторам приходилось либо каждый раз формулировать ответ на отзыв с нуля, либо копировать текст из шаблонов. Это часто приводило к однообразным, «роботизированным» ответам, которые клиенты легко распознавали и воспринимали как формальные.

Теперь работа оператора выглядит так:

• В большинстве случаев оператор сразу получает черновик ответа, сгенерированный ИИ на основе текста отзыва, данных о товаре и настроенных правил.
• Для нестандартных и сложных отзывов на маркетплейсах ИИ помогает сформировать черновик с учётом настроек и правил, разных стилей, корпоративной базы знаний и внутренних справочников. Оператор получает осмысленные варианты и дорабатывает их.
• В одной системе доступны данные о товаре, истории взаимодействий, внутренние знания и настройки. Оператору не нужно переключаться между несколькими окнами: всё, что нужно для ответа на отзыв, собрано в единой карточке.
• Система определяет, куда отправить отзыв (в R&D, службу качества, сервис), какой приоритет ему дать, какой статус присвоить. Очередь отзывов управляется системными статусами и правилами.
• Ответы на отзывы и вопросы на маркетплейсах с помощью ИИ обрабатываются быстрее, стали более содержательными и точнее соответствуют исходным правилам и обращениям.

Как автоматизация обработки отзывов на маркетплейсах с помощью ИИ изменила работу маркетологов

Для маркетинга решение стало инструментом управления коммуникацией, а не просто ещё одним каналом. Вместо того чтобы вручную согласовывать формулировки или «тушить пожары» в отдельных негативных ветках, команда задаёт правила и маршруты в настройках системы: тон общения, стили для разных сценариев, шаблоны, условия маршрутизации отзывов.

Все эти настройки реализуются в Конструкторе бизнес-правил внутри Epsilon Workspace и напрямую влияют на то, какие ответы предлагает ИИ в карточке отзыва. Маркетинг может менять логику без участия ИТ, быстро корректировать подход к отдельным категориям товаров или типам отзывов и обеспечивать единый «голос бренда» на всех площадках.

Как автоматизация обработки отзывов на маркетплейсах с помощью ИИ изменила работу Компании

Автоматизация обработки отзывов на маркетплейсах с помощью ИИ на базе Epsilon Workspace позволила сократить время ответа, сделать его более содержательным и управляемым и при этом развивать систему без постоянного участия программистов и ИТ.

Операционная эффективность

• Время подготовки ответа сократилось с нескольких минут до 20–40 секунд за счёт маршрутизации отзывов и генерации черновиков ответов.
• Критичные обращения автоматически попадают в приоритетную очередь и обрабатываются в рамках заданного SLA.
• Однотипные операции «прочитать — отсортировать — найти информацию — сформулировать» переданы ИИ, а сотрудники больше внимания уделяют сложным кейсам, конфликтным ситуациям и работе с идеями по улучшению продуктов и сервисов.

Качество коммуникации и управление рисками

• Ответы стали опираться на корпоративную базу знаний: карточки товаров, инструкции, FAQ, словари формулировок, политики, информацию о составе и ограничениях.
• Любые изменения в продуктах и правилах не требуют дообучения модели: достаточно обновить записи в базе знаний и справочниках.
• Таблицы стоп-слов и чувствительных тем помогают вовремя помечать рискованные отзывы и исключать нежелательные формулировки из ответов.
• Маркетинг централизованно задаёт тон, стили и правила маршрутизации.

Прозрачность для руководства и развитие продуктов

• Руководство видит, где и по каким товарам возникает негатив, как быстро реагирует команда и где «узкие места» процесса.
• Идеи и сигналы из отзывов системно доходят до технологов и продуктовых команд, не теряются в общем потоке и превращаются в планируемые улучшения продуктов и сервиса.

При этом ИИ остаётся помощником, а не «автопилотом»: финальные решения по ответам и дальнейшим действиям всегда принимает ответственный сотрудник или профильное подразделение.

Для нас как для разработчиков интересны два наблюдения:

• доля настроек на основе ИИ в системе сопоставима с объёмом «классических» корпоративных настроек — правил, статусов, процессов, параметров базы знаний и интеграций;
• по структуре решение похоже на привычный Service Desk, только вместо обращений в службу поддержки здесь — отзывы и вопросы клиентов на маркетплейсах, дополненные возможностями ИИ.

Есть идея для автоматизации? Запишитесь к нам на демонстрацию, и мы покажем, как за несколько дней настроить полезный ИИ-инструмент по  требованиям вашей компании.