[0:16] Ксюша Золотова (Speaker A): Всем привет, я Ксюша Золотова, и я занимаюсь аналитикой соцмедиа в АКМ уже примерно давно, больше 15 лет. И немножко скажу, почему мы выбрали именно отзывы в ЕКОМе, ну и в принципе отзывы в соцмедиа. Почему отзывы? Потому что их читают все. Отзывы, они формируют доверие. Если мы не знаем, как выбрать велосипед или телевизор, что мы делаем? Мы идём и читаем отзывы. Это сравни рекомендации коллеги или знакомого. у отзывов на карточках в продуктах есть звёзды, есть рейтинги, и думаешь, что если там стоит 4,9, то вроде всё хорошо, вроде наш продукт всем нравится. Но если почитать, например, отзывы о фолсочетном средстве, то можно увидеть, что люди пишут, что всё хорошо, он работает, но оставляя следы надежды. И в следующий раз я посмотрю на другой бренд. А чтобы получить этот инсайт, надо зарыться отзывами и почитать их. А текста бывает очень и очень много. Что обычно делаем? Просто берём их и читаем. Это долго, это дорого, надо много людей. И очень высокий риск, что будут ошибки. Особенно в моём опыте, если большая база, много данных, то и ошибок возрастает. И в итоге мы упускаем инсайты, время принятия решений у нас замедляется.
[1:26] Ксюша Золотова (Speaker A): Когда в 2022 году, в конце, в 2023 году появился и сгремел OpenAI, чат GPT, мы подумали, а почему бы не передать ему информацию, вот эту вот скучную работу по чтению отзывов. Мы сделали наш инструмент, который может выделять аспекты, эмоции, находить скрытые паттерны в текстах, и ему не надо так много времени и много денег, как это надо людям. А также, когда получаешь не просто хаос, полотен из текста, а проранжированную, проработанную базу, разложенную по полочкам, ты легко можешь сравнить с продуктами, с другими SKU, с конкурентами в динамике. Наш инструмент называется F-Score — Как Лена здесь упоминала, мы его сделали в 2023 году на Хакатоне, буквально на коленке за полдня. Мы написали MVP, и вот сегодня он уже полноценный работающий сервис анализа отзывов. У нас уже есть постоянные клиенты, и для них мы работаем каждый день, что-то анализируем. Он присваивает каждому отзыву какие-то аспекты, каждому аспекту тональности. Например, мне понравилась конфета, она вкусная, но цена, конечно, кусается. И что у нас получается? Что вкус – позитив? Цена – негатив. В чем отличие F-Score от обычных инструментов?
[2:35] Ксюша Золотова (Speaker A): Во-первых, мы создали его не просто в стол, чтобы показать, что мы внедряем и в наши процессы. Нам реально был нужен ответ на задачи из брифов наших клиентов, которые присылают нам каждый день. Мы легко можем теперь его использовать, адаптировать на любую другую сферу. Это легко масштабируемый продукт. Главное наше преимущество, если мы начинали с… чатом GPT, данные отправлялись на американские сервера, то теперь у нас развернута нейросеть внутри контра нашей компании, и все остается у нас. Я отмечу, что мы работаем с открытыми данными. Это отзывы, их может причитать любой человек, но результат нашего анализа, исследования, он остается у нас конвенциальным. Расскажу про кейс с клиентом. Это реальный кейс, мы его делали в мае, кажется. Клиентам добро показать, но мы все равно не расскажем, кто это был. Какая была задача? Бриф был посмотреть на 25 или 26 SKU, собрать данные из разных источников, группировать по этим SKU и выделить проблемные SKU, в чем их причины, что можно улучшить. Что мы сделали? Мы собрали отзывы, и немножко там, по-моему, еще отзывики были, с Ecom, с Marketplace, с помощью системы медиалогии.
[3:36] Ксюша Золотова (Speaker A): Потом мы объединили и перегруппировали их по SKU, потому что в разных источниках они могут по-разному называться. Классифицировали негативные упоминания. Это все сделал искусственный интеллект. Мы лишь подсчитали потом доли и красиво оформили слайды. В чем отличие, в чем преимущество использования LLM в том, что он понимает контекст. Если раньше мы использовали обычные какие-то алгоритмы, простые правила, словари, и, например, находим слово «долго», и кажется, что это негатив про доставку, но там, может быть, пишут, что долго расходуются средства, и тогда это уже позитив. И LLM это все считает. Также LLM может работать с любыми данными, их может быть сколько угодно много, и мы можем даже доверить ему находить аспекты. То есть мы думали, что он будет говорить про вкус, про доставку и цену, а он находит, что там говорили люди про запах, что у средства изменился запах, и теперь нам больше не нравится. Также сейчас продвинутая сеть, они умеют слабливать и сарказм, и иронию, и даже понимают мемы. В итоге вместо хаоса какого-то там, текста огромного количества, мы получаем реальные примеры, все разложено по полочкам, и можно продемонстрировать по бренду, по СКЮ, по аспекту.
[4:44] Ксюша Золотова (Speaker A): Повторюсь, что классические методы не такие эффективные. Надо опираться на словари, надо их обновлять. Если мы переходим в новую категорию, то получается, нам нужно заново весь словарь практически прописывать. Если же мы используем Escort, то мы просто меняем пару слов в промпте. У нас большой хороший промпт, уже проверенный. Иногда это просто заменить название продукта и бренда, и он уже работает. Что у нас получилось в итоге с клиентом? Мы нашли самое-самое негативное, что писали люди, и объединили в три категории. Это упаковка, продукт и опыт покупки на Marketplace. Вот результаты подробнее. Можно увидеть, что мы думали, что, как обычно, будет жаловаться на доставку, но упаковка тоже, у некоторых SKU, они, конечно, не написаны, но мы видели проблемные, у которых люди жаловались на дозатор, и надо изменить упаковку, соответственно. Примеры отзывов, которые мы анализировали, тут можно, наверное, их не читать. Что это дает компания? Во-первых, мы видим, что жаловаться на упаковку мы улучшаем, получаем меньший возврат. Если мы контролируем качество продуктов, мы повышаем доверие к бренду, к продукту.
[5:41] Ксюша Золотова (Speaker A): Если в идеальном мире мы можем повлиять на доставку маркетплейсов, то мы снижаем негативы. В итоге мы экономим ресурсы не только свои, но и для клиента. Это мы можем сделать намного быстрее, чем если бы мы работали как в старинке, когда у меня был штат асессоров, работающих на удаленке, которые вручную бы читали каждый-каждый отзыв. Разница, по-моему, очевидна. Преимущество подхода — это быстро, мы легко это масштабируем, мы можем прочитать каждый текст, мы не берем какую-нибудь выборку и, полагаясь, только на нее рассчитываем. как одноотношение пользователей к продукту. И плюс это безопасно, все данные остаются в нашем контуре. В принципе, мы можем использовать эскору для любой категории, например, это сосиска или мобильное приложение, нам не важно, главное, чтобы были отзывы. Что мы делаем сегодня? Мы их собираем, мы их автоматизируем и анализ, внедряем инсайты в бизнес-решения, а также можем мониторить на случай, если какие-то негативные отзывы начинают собираться, мы можем предупредить революционный риск. Что будет в булочке, когда у нас всех заменят ИИ? Скорее всего, он будет сам давать рекомендации,
[6:39] Ксюша Золотова (Speaker A): Уже будет анализировать еще раньше, чем кто-то написал плохой отзыв, а уже менеджер получит отчет. У меня все. Подписывайтесь на наши телеграм-каналы.
