12-13 сентября состоится масштабное деловое событие ритейл рынка - New Retail Forum 2024 (https://nrf.upgrade.st/). Деловая программа конференции затронет темы технологий, обеспечивающих конкурентное преимущество и автоматизации бизнес-процессов. Николай Жемеря, коммерческий директор EXTEGO, рассказал на личном примере компании, как решить проблему разгрузки сотрудников при помощи современных технологий.
EXTEGO более 10 лет продает бытовую технику и товары для дома на маркетплейсах. Сперва это была продукция одного бренда, и российским покупателям, в первую очередь, она знакома под брендом Bort, а сегодня их уже 130. Однако стремительный рост продаж и расширение ассортимента повлекли за собой большую сложность: операторы просто не справлялись с таким объемом.
Проблема
Еще в 2013 году было принято решение выходить на маркетплейсы, и компания показывала там лидирующие позиции. Только с 2019 по 2022 гг. оборот вырос с 825 млн. рублей до 1,8 млрд. рублей. Но чем больше онлайн-магазинов открывалось, тем шире становился ассортимент и больше вопросов возникало от потребителей. Только с Wildberries пишут до 3000 человек в месяц.
В какой-то момент возникло столкновение с кризисом роста: операторы перестали справляться с объемом и отвечать покупателям оперативно. К тому же ассортимент так расширился, что обучить персонал всему казалось нерешаемой задачей. Для нашего бизнеса это критично, ведь покупатели маркетплейсов не готовы долго ждать. Любая проволочка влияет на удовлетворенность клиентов, а следовательно, и продажи.
Мы сформулировали свою проблему и задачи, которые предстояло решить: разгрузить персонал, снизить затраты на CRM, ускорить коммуникацию с потребителями, обеспечить корректность ответов.
Поиск решения
Нам хотелось, чтобы проблема была решена не только быстро, но и оптимальным образом. Между вариантами постоянно набирать и обучать персонал или автоматизировать процесс, мы выбрали последний. Было принято решение подключить нейросети: Yandex GPT, GigaChat и Chat GPT.
Для начала мы провели несколько тысяч опытов с различными товарами и вопросами от потребителей. На основе полученных данных мы создали собственную модель построения промтов, которая учитывает характеристики каждой нейросети, маркетплейса, товарной категории, бренда и т.д. И только после этого приступили к реализации.
Проект стартовал меньше года назад, в ноябре 2023. Мы сосредоточились на YandexGPT и в январе подключили бота к Wildberries. Эту площадку мы выбрали для экспериментов первой, поскольку у нее есть удобный функционал – API по работе с вопросами и ответами. К сожалению, у Ozon пока такой функции нет, и операторам приходится вручную переносить вопросы о товарах в интерфейс обработки, которая уже взаимодействует с нейросетями. Так что это не совсем автоматизированный процесс, но одно это уже существенно экономит время.
IT-отдел проделал огромную работу, а первые результаты приятно удивили: почти сразу в 70% случаев нейросети давали идеальные ответы. Около 25% можно было оценить на 3-4 балла из пяти, и лишь незначительная часть не соответствовала действительности. Интересно, что на некоторые вопросы нейросети давали разные ответы. Причем предсказать, которая из них даст наиболее точный, не представлялось возможным.
Чего мы добились
Нам удалось решить главную проблему: пользователи начали получать ответы оперативно, а значит мы минимизировали негатив со стороны потенциальных покупателей. Теперь сроки ожидания ответов составляют от 5 до 15 минут. Уже в январе – самом «мертвом» месяце для интернет-магазинов – органические продажи товаров, на вопросы о которых отвечала GPT, выросли на 15% год к году.
Кроме того, мы смогли оптимизировать расходы компании на персонал: нейросети обходятся меньше, чем в 25 тысяч рублей в месяц, это ниже зарплаты даже одного сотрудника.
Варианты дальнейшего развития
Хотя мы уже считаем наш опыт удачным, работа с нейросетями имеет большие перспективы. В ближайшее время планируем научить искусственный интеллект отвечать на вопросы о наличии товара и состоянии заказа, расширяем информацию о продукции, добавляем новые позиции.
И, конечно, продолжаем работать над качеством ответов. Для этого мы подробно изучаем реальные запросы, разбиваем их на составляющие, чтобы добиться наиболее полных и удовлетворяющих покупателей ответов. Ну и главное – мы пытаемся решить загадку с отличающимися у нейросетей ответами. Поскольку все три дают больше возможностей выбрать правильный ответ, конечная цель – подключить их в автономном режиме выбора наиболее релевантного ответа.