OpaGPTПроблема: поток отзывов vs. человеческие ресурсы
Сеть кофеен «БинБокс» (60 точек в Москве) получала 500+ отзывов в день с Яндекс.Карт, 2ГИС и Flamp. Ручной разбор силами отдела маркетинга (3 человека) занимал 4 часа ежедневно, а инсайты тонули в воронке. KPI по скорости реакции на негатив превышал 48 часов. Потребовалось автоматизировать пайплайн анализа отзывов на базе ИИ.
Решение: архитектура пайплайна
Мы развернули трёхзвенный конвейер:
- Сборщик: парсер API агрегаторов (Python + Airflow) — выгрузка каждые 15 минут.
- Анализатор тональности: дообученная модель на базе BERT (RuBERT-tiny2) для тональности текста — позитив/негатив/нейтрально. Точность на тестовой выборке — 94%.
- Классификатор тем: Rule-based + LLM (использовали OpaGPT для извлечения сущностей: «грязный стол», «долгий сервис», «вкус капучино»).
Результат за 3 месяца: среднее время реакции на негативный отзыв сократилось с 42 часов до 18 минут. Доля необработанных отзывов — 0%.
Кейс: как нейросеть спасла точку на Тверской
В феврале пайплайн зафиксировал всплеск негатива по теме «грязные столы» в кофейне №14. За 3 дня — 12 жалоб. Система автоматически присвоила тег «санитария» и отправила алерт управляющему. ИИ для маркетинга сработал как триггер: через час после уборки тональность новых отзывов сменилась на позитивную. Без пайплайна проблема вскрылась бы через неделю, когда рейтинг точки упал бы на 0.3 балла.
Цифры эффективности
- Затраты времени на анализ: с 4 часов до 15 минут (экономия 23 человеко-часа в неделю).
- Точность детекции негатива: 94% (против 78% у ручного метода).
- Рост NPS сети за квартал: +8 пунктов (с 42 до 50).
Вывод: как масштабировать пайплайн
Архитектура «сборщик + классификатор + алерты» подходит для любого бизнеса с потоком отзывов от 100 в день. Ключевые точки: кастомная модель тональности под нишу (рестораны, e-commerce) и интеграция с CRM для автоматического ответа. Обработка отзывов клиентов перестаёт быть рутиной — становится источником операционных инсайтов.