Napoleon IT Отзывы

Главное о кейсе

По данным исследования PowerReviews, наличие хотя бы одного положительного отзыва о товаре на маркетплейсе увеличивает просмотр его карточки на 108% и увеличивает конверсии продаж на 65%, добавление пяти отзывов повышает этот показатель до 270%.

Napoleon IT Отзывы — технология интеллектуального анализа, суммирования и ответа на отзывы пользователей на маркетплейсах, онлайн-картах, а также в сервисах клиентских email-рассылок и в мобильных приложениях магазинов. Процесс анализа отзывов с карточки товара или целой категории занимает не больше 20 минут, а общая пропускная способность сервиса — 1 миллиард отзывов в сутки. Ключевой особенностью является выявления тональности отзывов, отображение Most Often (самых частых) положительных и отрицательных отзывов, а также группировка отзывов в темы по наиболее упоминаемым параметрам. Также сервис обучен анализировать только реальные оценки покупателей, выделяя из набора данных поддельные и одинаковые отзывы. Для анализа использует генеративные сети и дообученные LLM-модели, которые качественно размечают отзывы.

Как проект изменил жизнь пользователей

Lapochka: Благодаря интеллектуальному анализу отзывов представители бренда выяснили, что 77% клиентов довольны вкусовым разнообразием и качеством продукции, 65% положительно оценивают натуральный состав напитков, а 68% негативно отзываются о качестве упаковки продукции. Компания взяла в разработку применение более устойчивой к повреждению упаковки товара, узнала какой вкус пользуется наименьшей популярностью и занялась его доработкой. Кроме того, благодаря проведенному анализу специалисты выявили новые запросы от клиентов, и бренд запустил новую линейку продуктов.

ALOEsmart: благодаря использованию технологии интеллектуального анализа отзывов ALOEsmart удалось собрать и проанализировать более тысячи отзывов с офлайн-точек в приложении 2GIS; выделить негативные отзывы и понять причину их возникновения; проанализировать положительный опыт одних магазинов и использовать его для улучшения стратегии продаж в других торговых точках, а также на основании сделанных выводов масштабировать успешную практику на все магазины; увеличить количество положительных отзывов на 35%; улучшить клиентский сервис.

В частности, представители бренда смогли по анализу отзывов выяснить, что клиентам не хватает наборов для волос в ассортименте некоторых магазинов. Добавив необходимую категорию в оффлайн-точки продаж, ALOEsmart удалось повысить лояльность клиентов.

Бизнес-задача и ее решение

Задача

Автоматически анализировать десятки тысяч отзывов без привлечение ручного труда. Формировать интеллектуальные автоответы на отзывы и вопросы клиентов. Оперативно выявлять самые большие проблемы в сервисах и товарах/услугах и устранять их.

Решение

Автоматическая разметка и анализ отзывов благодаря генеративным сетям и LLM-моделям, а также автоответы на отзывы и на вопросы. Получение анализа и срез результатов за выбранный период.

Крафт (мастерство), реализация, технические детали

Объединили математику и методологию количественных исследований Consumer Market Insights со сбором и валидацией информации из всех источников: обращения в службу поддержки, маркетплейсы, карты, аппсторы и так далее. Процесс выполняется не за пару недель, а за пару часов. Использовали стек Yandex Cloud Services, векторизацию через LLM-модели.

В проекте использовали от 3-х этапов обработки генеративными сетями с кросс валидацией и потоковой валидацией качества через UAT.

Технологии

LLM-модели: GLM, LLaMA2, GLP.
Yandex Cloud Services

Инсайты, гипотезы, процесс создания и взаимодействия с заказчиком

Во время проведения демо-тестов смогли за 2 недели улучшить качество нашей модели на 8-12% и достигнуть показателей в 94% точности и качества разметки. За такой же срок создали множество алгоритмов для предобработки и постобработки данных, что позволило суммарно добиться ускорения проведения аналитики в 7 раз.

Совместно с клиентами выявили новый способ взаимодействия с моделью, когда заранее задаются определенные сегменты и подсегменты, по которым нужно определять отзывы. Это позволило быстро выгружать датасеты для того, чтобы компании могли загружать наши данные в свои BI-системы. Хотя ранее была предложена гипотеза о том, что заранее заданный список сегментов — плохое решение.

Скриншоты

Комментарий заказчика

«Мы рады, что лидер рынка газированных напитков Lapochka стал первым производителем, кто начал применять технологию интеллектуального анализа и суммирования отзывов на маркетплейсах»