В интернет-магазине много однотипной работы: заполнение карточек, ответы на повторяющиеся вопросы, разбор обращений и отзывов. Часть этой рутины действительно снимается инструментами на основе языковых моделей, но не вся и не сразу. Разберём по задачам: где применение оправдано уже сейчас, что нужно привести в порядок до автоматизации, какие риски мы обсуждаем с заказчиком заранее и как запускать первую задачу так, чтобы результат можно было измерить.
Разговор начинается с данных, а не с модели
Любая автоматизация в магазине работает поверх каталога. Если у товаров неполные характеристики, остатки обновляются раз в сутки, а сроки доставки указаны приблизительно, то умный подбор будет уверенно предлагать то, чего нет на складе, а чат-бот — называть сроки, которых никто не подтверждал. Поэтому первый разговор мы ведём не про выбор модели, а про то, откуда берутся данные, как часто они обновляются и кто отвечает за их корректность.
Практическое правило: автоматизировать имеет смысл ту задачу, которую человек уже умеет выполнять по понятному правилу. Если правила нет и два сотрудника делают работу по-разному, сначала описываем правило, а потом автоматизируем.
Задачи, где это работает уже сейчас
| Задача | Что даёт | Что обязательно проверять |
|---|---|---|
| Черновики описаний товаров по характеристикам | Каталог заполняется быстрее, тексты перестают дословно повторять поставщика | Соответствие фактическим характеристикам и отсутствие придуманных свойств |
| Ответы на типовые вопросы в чате | Разгрузка поддержки, в том числе в нерабочие часы | Передачу сложного случая человеку, точность по остаткам, оплате и доставке |
| Классификация и маршрутизация обращений | Письма и заявки быстрее попадают к нужному сотруднику | Обращения на границе категорий и редкие темы, которых не было в примерах |
| Подбор товара по запросу обычными словами | Помощь в большом каталоге, где фильтры уже не спасают | Наличие, актуальность цен, отсутствие снятых с продажи позиций в выдаче |
| Разбор отзывов и обращений | Видно, что чаще хвалят и на что жалуются, без ручного чтения всего массива | Выводы по существу, а не пересказ средних оценок |
| Подготовка карточек для другого языка | Быстрее запускается раздел для новой аудитории | Терминологию, единицы измерения и юридические формулировки |
Общее у всех этих задач одно: результат проверяет человек, и цена ошибки при этом невысока. Задачи, где ошибка сразу попадает к покупателю или в бухгалтерию, мы в первый пилот не берём.
Что важнее автоматизации
- Полные и единообразные характеристики товаров. Пока у половины позиций пустые поля, подбор по параметрам не заработает ни с моделью, ни без неё.
- Актуальные остатки и понятные сроки доставки, синхронизированные с учётной системой.
- Работающие фильтры и поиск по каталогу: значительная часть запросов закрывается ими, если они настроены.
- Скорость каталога на мобильном. Долгая загрузка листинга обходится магазину дороже, чем отсутствие любых умных функций.
- Понятные правила возврата и оплаты на сайте: значительная доля обращений в поддержку — это вопросы, ответ на которые должен быть на странице.
Риски, которые обсуждаем заранее
- Сгенерированные описания с выдуманными свойствами. Покупатель принимает решение по карточке, и несоответствие оборачивается возвратом и претензией.
- Одинаковые по структуре тексты на тысячах карточек: для поиска это признак низкой ценности страницы, а для читателя — повод не читать.
- Чат-бот, который не умеет передать разговор человеку. Один такой диалог стоит дороже, чем экономия на десяти автоматических ответах.
- Передача данных покупателей во внешние сервисы без согласия и без учёта требований к обработке персональных данных.
- Зависимость от одного поставщика: смена условий или недоступность сервиса не должны останавливать работу магазина, поэтому запасной сценарий продумывается сразу.
- Стоимость обработки на большом каталоге. Разовый прогон и ежедневное обновление тысяч карточек — разные по цене задачи, и считать нужно вторую.
Как мы запускаем: пилот на одной задаче
- Выбираем задачу с большим объёмом рутины и низкой ценой ошибки. Чаще всего это черновики описаний, которые проверяет контент-менеджер.
- Замеряем, как задача выполняется сейчас: сколько времени уходит на карточку, сколько карточек в неделю, где очередь.
- Описываем правила: что должно быть в тексте, чего в нём быть не должно, какие поля считаются источником фактов.
- Собираем небольшую партию и отдаём редактору на проверку. Считаем, какая доля результата пошла в работу без правок, какая с правками, какая в брак.
- Дорабатываем правила по замечаниям редактора. Обычно два-три круга правок дают больший эффект, чем смена инструмента.
- Только после этого расширяем применение на остальной каталог и обсуждаем следующую задачу.
Что считать результатом
Результат измеряется не фактом внедрения, а изменением в работе людей. Показатели, которые имеет смысл фиксировать до и после:
- Время на подготовку одной карточки и число карточек, выпущенных за неделю.
- Доля результата, которую редактор принимает без правок.
- Доля обращений в поддержку, закрытых без участия человека, и доля переданных оператору.
- Число повторных обращений по одному и тому же вопросу — оно показывает, действительно ли ответ помог.
- Число жалоб и возвратов, связанных с несоответствием описания товару.
Если ни один из этих показателей не сдвинулся, инструмент занял место в процессе, но работу не изменил. Это нормальный итог пилота: он стоит дёшево и избавляет от дорогого внедрения.
Кто отвечает за качество
У автоматизированной задачи должен быть владелец на стороне магазина — человек, который читает выборку результатов, ведёт список повторяющихся ошибок и решает, что править в правилах. Без этого качество незаметно снижается: сначала пропускают одну неточность, потом перестают проверять вовсе, а через несколько месяцев в каталоге накапливаются описания, которым нельзя доверять.
Полезно договориться и о том, что автоматическая обработка помечается в системе: видно, какие тексты и ответы подготовлены инструментом, а какие написаны человеком. Это упрощает разбор спорных случаев и позволяет точечно перегенерировать нужную часть каталога, а не весь массив.
Прогноз спроса и автозаказ работают только на достоверных остатках. Поэтому автоматизацию магазина обычно начинают не с моделей, а с учёта: CRM для склада фиксирует приёмку, перемещения и списания, и уже на этих данных считаются рекомендации.
Если задача есть, а решения нет
Мы начинаем с разбора процессов магазина и выбираем одну задачу, где автоматизация окупится быстрее всего. Если такая задача уже понятна, обсудим разработку решений с искусственным интеллектом под ваш каталог и учётную систему. Первый шаг — короткий аудит данных и текущего процесса.
Собрать такой магазин можно с нами: создание интернет-магазина с каталогом, оплатой, доставкой и обменом данными с 1С.
Когда автоматизация выходит за пределы витрины — в остатки, закупки и работу менеджеров, — магазину нужна не подключённая функция, а разработка информационной системы под его процессы: учёт, заказы и отчётность в одном контуре.
