Сто с лишним отзывов на маркетплейсе не читают вручную — их прогоняют через ИИ и получают таблицу с частотой причин отказа. Но «клиентам не понравилось» — это не причина, а отсутствие анализа: под ней может стоять пять разных проблем, от долгой доставки до путаницы в размерной сетке, и решать их нужно по-разному.

Какие отзывы и обращения нужны, чтобы не гадать

Для нормального анализа нужна выгрузка минимум за 2–3 месяца: отзывы с маркетплейса, обращения в поддержку, комментарии из соцсетей — чем больше каналов, тем меньше слепых зон. Каждая запись должна нести дату, оценку и текст; если оценки нет, сентимент придётся оценивать самой модели, а это уже интерпретация, а не факт.

  • Отзывы и оценки с площадок продаж (Wildberries, Ozon, свой сайт)
  • Обращения в поддержку и переписка в мессенджерах
  • Комментарии в соцсетях и отзывы на картах (если бизнес локальный)

Разные источники используют разные шкалы и формулировки — прежде чем сводить их в одну таблицу, приведите оценки к общему виду и решите, что считать «отказом от покупки»: явную формулировку клиента или косвенный признак вроде возврата товара.

Как собрать конвейер: от сырых отзывов до матрицы причин

Работающий процесс — это не один запрос в ChatGPT, а три последовательных прохода. Первый — классификация: каждому отзыву присваивается одна или несколько категорий причин (доставка, качество, размер, сервис, цена). Второй — оценка ущерба: сколько отзывов в категории, какая у них средняя оценка, повторяется ли проблема у одного и того же товара. Третий — приоритизация: категории ранжируются по произведению частоты и ущерба, а не просто по количеству упоминаний.

1. Выгрузите отзывы за фиксированный период и уберите дубли и явный спам. 2. Прогоните через модель с фиксированным списком категорий — не давайте ей придумывать новые на ходу. 3. Сведите в таблицу: категория, количество, доля от общего числа, средняя оценка, три-пять цитат-примеров. 4. Отдельно выделите отзывы, которые модель не смогла классифицировать — это не мусор, а сигнал, что в списке категорий чего-то не хватает.

На третьем-четвёртом прогоне список категорий стабилизируется, и дальше анализ занимает не часы, а минуты — новую партию отзывов можно прогонять раз в неделю по готовой схеме.

Где нельзя доверять ИИ без проверки аналитика

Модель хорошо считает частоту слов и тем, но плохо отличает жалобу от сарказма и разовый брак от системной проблемы. Один отзыв «пришла коробка без товара» — это случай для поддержки, а не повод менять упаковку у всей линейки; ИИ этого различия сам не сделает, если не задать явный порог значимости.

Категория «недовольны цветом» из 40 отзывов почти всегда важнее категории «сломалась молния» из 5 — но по количеству упоминаний вторая может выглядеть заметнее, если не считать долю от продаж этого товара.

Отдельно проверяйте категории, которые появились впервые в этом периоде — рост может быть реальной новой проблемой, а может быть следствием того, что вы просто стали получать больше отзывов вообще.

Шаблон запроса для анализа отзывов

Рабочий запрос для классификации выглядит так:

«Вот список категорий причин отказа: [доставка, качество, размер, цена, сервис, другое]. Для каждого отзыва из приложенного файла определи одну основную категорию и коротко (одним предложением) объясни, почему. Если отзыв не подходит ни к одной категории — пометь как "не определено" и процитируй фрагмент, на основании которого сделан вывод. Не придумывай новые категории».

Важная деталь: список категорий задаёте вы, а не модель — если разрешить ей генерировать категории свободно, на 500 отзывах получится 40 почти одинаковых ярлыков вместо рабочей таблицы.

Как принять результат перед тем, как нести руководству

Перед тем как выводы идут в отчёт, проверьте вручную 15–20 отзывов из каждой крупной категории — совпадает ли классификация модели с вашим собственным пониманием текста. Отдельно пересчитайте топ-3 категории вручную по формуле «количество / общее число отзывов» — модели свойственно ошибаться в арифметике на больших таблицах.

Сохраните версию файла с датой и список категорий, который использовали — при следующем прогоне сравнение периодов имеет смысл только на одинаковой шкале категорий.

Читайте по теме:

Частые вопросы

От 100–150 на период — на меньшей выборке частоты категорий слишком нестабильны, и одна случайная волна жалоб искажает всю картину.

Нет, если результат влияет на решения о товаре, поставщике или бюджете. ИИ готовит черновик классификации, приоритизацию и финальные выводы проверяет аналитик.

Не пытаться угадать причину по обрывочному тексту — пометить как «не определено» и, если объём таких отзывов большой, вернуться к клиентам за уточнением через поддержку.

Раз в 2–4 недели для активно продающихся товаров — реже теряется скорость реакции на новую проблему, чаще — выводы статистически ненадёжны.

Готовые сервисы дают общую тональность (позитив/негатив), но не привязывают её к конкретным управленческим категориям вашего бизнеса — с промптом под свои категории результат точнее для принятия решений.

Хотите настроить процесс на своих материалах? Запишитесь на консультацию AI ALMAMATER и укажите: «Интересует курс "Анализ данных с помощью нейросетей"».

Настройте анализ отзывов под свои категории

На курсе «Анализ данных с помощью нейросетей» соберёте проверяемый сценарий с ИИ.

Получить консультацию →