Система анализа отзывов для ритейла

Сеть из 150 офлайн-магазинов ежедневно получала более 5000 отзывов с разных каналов: сайт, мобильное приложение, маркетплейсы, соцсети.

Ручной разбор был невозможен:

• менеджеры видели только «самые громкие» жалобы;

• критичные проблемы (хамство персонала, ошибки на кассе, брак партии товара) всплывали с задержкой на 2–3 недели;

• руководство не понимало, какие именно магазины и категории создают максимум негатива.

Нужно было автоматизировать анализ и превратить разрозненные отзывы в понятную карту проблем по магазинам и темам.

Мы собрали no-code/low-code систему анализа отзывов:

• Через n8n настроили сбор отзывов из всех источников и маршрутизацию в единое хранилище.

• В Supabase (PostgreSQL + SQL) храним текст отзывов, метаданные (магазин, канал, дата) и историю обработки.

• Для анализа тональности и тем используем NLP-модели через API (обёртка на Node.js + вспомогательные скрипты на Python).

• Сформировали набор тегов: качество сервиса, очередь, цена, касса, ассортимент, чистота, навигация и др.

• Интерфейс для руководителей и службы качества сделали на Bubble: дашборд по магазинам, фильтры по темам, алерты.

• Виджеты с HTML/CSS/JavaScript встроили в существующие внутренние панели, чтобы менеджеры видели новые критичные отзывы в реальном времени.

• Настроили автоматические триггеры: если по магазину за час появляется серия негативных отзывов по одной теме, система отправляет уведомление ответственному менеджеру в чат.

• Время от появления отзыва до фиксации проблемы в системе сократилось с 2–3 недель до нескольких часов.
• Благодаря алертам и приоритизации по степени риска менеджеры разбирают почти все серьёзные инциденты в течение одного дня.
• Когда сеть начала системно закрывать повторяющиеся проблемы (очереди, кассовые ошибки, отношение персонала), доля негатива в общей массе отзывов снизилась почти на треть.