Где бы вы ни работали и каким идеальным продуктом или сервисом вы бы ни занимались, вас всегда будут сопровождать жалобы и рекламации от клиентов.
Рекламации — это вежливо-агрессивная форма общения между заказчиком и поставщиком, где каждая сторона добивается максимально приемлемого для себя результата. Потребитель, в идеале, хочет замену товара без дополнительных затрат, а производитель — соблюсти баланс между полным отзывом по гарантийному случаю , или вежливым ответом: «ваше обращение очень важно для нас, но помочь ничем не можем — вот вам промокод в размере 2% на последующие покупки».
С одной стороны, жалобы от клиентов являются неотъемлемой частью развития компании, ведь их отсутствие может коррелировать с отрицательным, как у нас любят говорить, ростом продаж. Но с другой стороны, каждая компания стремится минимизировать их количество, стараясь выработать какой-то базовый чеклист для работы с ними.
Об этом я и хочу написать — опыт одной компании и как она внедрила систему отслеживания рекламаций на производстве с использованием искусственного интеллекта.В конце, ссылка на весь проект. Копируйте и применяйте на свой бизнес!
Предыстория
Группа компаний Эпотос — один из крупнейших производителей систем пожаротушения в России. Организация уже более 30 лет защищает различные объекты, которые встречаются нам на ежедневной основе — от метрополитена до БЕЛАЗов.
Можно только представить, какой спрос к компаниям, которые занимаются непосредственно нашей с вами безопасностью.
Как устроена работа с рекламациями в компании сегодня?
Есть разные направления, с которыми работает компания: Спецтехника, ВЭД, Наземный транспорт и так далее. Все они имеют свои чеклисты по работе с клиентами в случае получения рекламаций.
В прошлом году количество обращений выросло кратно и порой составляло несколько десятков в неделю. Связано это с тем, что краткосрочных задач много, а эксперты по рекламациям не успевали анализировать более глубоко первопричины возникшей проблемы.
Все рекламации поступают на почту компанииinfo@company.ru, куда скидываются и коммерческие приглашения от других дилеров, и приглашения на выставки. По старинке, секретариат пересылал вручную письма и регистрировал входящие рекламации. У сотрудников, спустя время, начинает формироваться полотно из бесконечной переписки с клиентом по их жалобе.
Все рекламации фиксировались в Excel-таблице с довольно удобной разметкой, но она заполнялась вручную, в облаке, со всеми статусами и обновлениями по прогрессу.
Схема до автоматизации выглядела так:
Что решили сделать?
Чтобы не ломать существующий процесс (а это один из самых важных составляющих, когда речь заходит о цифровизации и автоматизации), было принято решение составить следующую схему работы:
- Подключаемся по IMAP к почте компании, куда скидываются рекламации. Тем самым, торговые дома и другие потребители имеют тот же привычный канал коммуникации в случае дефекта.
- Разворачиваем локальный ИИдля работы с данными клиентов, чтобы все результаты обработки хранились на сервере. Приходится работать с данными, которые не сильно хочется посылать в облако. Тем более, когда речь идет о чтении всего почтового ящика компании.
- Создаём фильтр, какие письма мы считаем рекламациями и по какому направлению эта рекламация должна вестись. ИИ интерпретирует слово «рекламация» по-разному, и вы это увидите в статье. Нужно чётко обозначить рамки того, что именно является жалобой на продукцию.
- Интегрируем почту с CRM-системой, а именно Bitrix24:Создаём Битрикс-списки и туда фиксируем результат обработки по 25–30 полям. От номера рекламационного акта до текста письма вместе с файлами, которые приложили к жалобе.Создаём бизнес-процесс, который автоматически будет создавать задачу в Битрикс со своим чеклистом, формирующимся в зависимости от категории рекламации. Исполнители и наблюдатели добавляются в задачу в зависимости от направления, кому пришла жалоба.Фиксируем последовательность принятия работы с рекламацией — когда можно закрыть задачу и кем.
Даже предварительно, на бумаге скажем так, начинает звучать не так легко, как кажется :)
Схема работы:
Первые приключения
В ходе работы мы читаем не только сырой текст из имейла, но ещё и вложенные файлы внутри письма. Всё это следует прочитать и обработать, а затем послать в ИИ для определения, является ли входящее обращение рекламацией или нет.
Для оцифровки текста из PDF, фото и других форматов, где простым способом не считываются слова и буквы, была выбрана библиотекаTesseractс адаптацией для русского языка. Это самый адекватный способ OCR — другие библиотеки и подходы выдавали не такой качественный результат.
https://github.com/tesseract-ocr/tesseract
Можете поставить любую OCR-модель по типу Deepseek, но для нашего кейса это ни к чему — не понятно, зачем тратить ресурсы CPU/GPU на это.
Затем выберем модель для работы с рекламациями. В самом начале мы скачалиT-lite 7B 1.0. Она является дообученной (fine-tune) моделью Qwen-2.5 с русским датасетом и чем-то ещё внутри (мы не знаем чем).
https://huggingface.co/t-tech/T-lite-it-1.0
Но в ходе тестирования мы и сами прокачали свои знания по ИИ, и в целом узнали, что у нас тянет не с самой лучшей скоростью, но прекрасная модельQwen3-30B-A3B. Сложно найти что-то лучше за такой объём обученной модели, так ещё и с reasoning, и с системой Mixture-of-Experts. Что это значит? ИИ сам применяет на себя образы, какая роль лучше всего подойдёт для ответа на тот или иной запрос, и пользователь получает более точный ответ. Более того, вставка «A3» у модели свидетельствует о том, что при 30 миллиардах обученных параметров ИИ тратит только 3 миллиарда в активной фазе для ответа на вопрос. Звучит слишком хорошо, чтобы быть правдой, но модель и вправду очень хороша.
https://huggingface.co/Qwen/Qwen3-30B-A3B
Готовимся к запуску
1. Устанавливаем ИИ локально
Покажу, как установить ИИ. Сейчас это делается довольно просто. ФреймворкOllamaдовёл этот процесс до совершенства и даже добавил возможность запустить модель в локальном ChatGPT-подобном интерфейсе, чтобы мучать её на своих мощностях.
Итак, скачиваем и запускаем:
Делаем первые тестовые запросы:
Запуском ИИ у себя на ноутбуке уже никого не удивишь, поэтому мы должны идти дальше.
2. Подключаемся к почте по IMAP
Чтобы читать, что пишут нам разного рода люди и не только. Базовая инструкция, как подключиться к IMAP:
- Узнаёте IMAP-адрес вашего почтового сервера (обычноimap.domain.ru, порт993, SSL).
- Создаёте отдельную учётку или берёте пароль приложения —непароль от личного кабинета.
- Подключаетесь черезimaplib(встроена в Python, ничего ставить не нужно).
- Выбираете папкуINBOXи фильтруете по дате — чтобы не перечитывать всю историю каждый раз.
3. Женим ИИ и почту
Вычленяем текст и файлы из письма, прогоняем через OCR при необходимости, и отправляем в локальную модель:
4. Система промтов
Составим промты для анализа. Вот система — какой за чем идёт и когда применяется:
Промт 1 — Классификация письма.Определяем, является ли письмо рекламацией вообще:
Промт 2 — Детальный разбор.Если письмо признано рекламацией, вытаскиваем структурированные данные:
4 (бонус). Фильтр внутренних писем
Важный момент: уже в ходе тестирования мы узнали, что рабочие внутри Эпотос отправляют ответы на рекламации на ту же почту info@. Поэтому делаем хардкод-фильтр: любые имейлы, пришедшие от доменного имени@epotos, мы игнорируем. За исключением одного сотрудника, потому что ему периодически пересылают жалобы на личный имейл — он работает в компании более 20 лет, и не всегда легко объяснить клиенту, что мы тут, понимаете ли, ИИ-автоматизацией занимаемся, а не делаем непойми что.
5. Запускаем процессор
6. Соединяем с Битрикс
Соединяем всё с Битрикс-списком по входящему вебхуку. Его надо создать с правами администратора, иначе ничего не выйдет.
Извините, но скрин будет выглядеть как файл из дела об Эпштейне, потому что я не могу с вами делиться этими данными.
Делаем затем бизнес-процесс, чтобы автоматически создавать задачу в CRM с нужными нам ответственными и уникальными чеклистами на закрытие задачи.
Как я писал выше, чеклисты всегда существовали где-то в уме или устно передавались из уст в уста новоприбывшим сотрудникам. Но нигде порядок действий не был зафиксирован в цифровом или другом виде. Было очень сложно вытягивать эту информацию у разных отделов, но у нас получилось!
7. Админка
Я периодически отсутствую на рабочем месте из-за командировок. Или же я просто хочу отдохнуть в выходные не в офисе, а дома (удивительно, правда?). Секретариат всё ещё внимательно отслеживает каждое письмо, пришедшее на почтовый ящик, и так произошло, что на первых порах сервис по анализу с ИИ останавливался сам собой. Для этого я создал свою админку с блекджеком и Клодом, и вот что из этого вышло:(Все данные выдуманные, а то мне прилетит по бошке)
Главный экран — список рекламаций
Тут можно и за конкретную дату запустить анализ по рекламациям (как вы поняли, сервис на какое-то количество суток падал, и секретариат вручную по старинке отправлял письма, но задачи в Битрикс уже надо фиксировать).
Чего мы добились?
Автоматизация жалоб от потребителей дала возможность хранить цепочку информации по жизненному циклу продукции. Это уже не просто «завести дату маркировки серийного номера и забыть, зачем мы это сделали», а целая сеть с причинно-следственной связью — что за чем идёт и почему так произошло.
Конечно, теперь дашборды на совещаниях по рекламациям рисовать удобнее, но самое важное — получилось ещё и стандартизировать чеклист по работе с обращениями от клиентов. Теперь новые сотрудники не будут стесняться спрашивать, что делать в той или иной ситуации, а просто посмотрят на список подзадач, который сформировался за годы работы их коллег.
Ну и банально — теперь есть контроль за работой над жалобой в режиме реального времени, что тоже неплохо.Отдельное спасибоГК Эпотос, что позволили рассказать про интересный кейс, как можно оцифровывать такой важный процесс, как рекламации с помощью ИИ!
Буду рад за лайк и подписку на канал :)https://t.me/notes_from_cto
Наш сайт:https://bvmax.ru/aiСайт ГК Эпотос:https://epotos.ru
Ссылка на открытый проект:https://github.com/Chashchin-Dmitry/reclamation-monitor/tree/main