Анастасия Ярош

Поддержка вручную отвечает на однотипные вопросы о программе мотивации и устройствах: чеки, начисления, вывод баллов, неисправности. Условия программы регулярно меняются, а старые шаблоны противоречат друг другу, поэтому ошибиться легко.

По обращениям о программе мотивации сотрудникам приходилось перед ответом вручную выгружать чеки, механики и начисления участника, сопоставлять их, пересчитывать и разбираться, что произошло.

Поддержка работает 5/2 с 10:00 до 19:00, поэтому по утрам, в понедельник после выходных, после праздников и во время отпусков сотрудников копились очереди обращений — и в эти периоды проседали метрики поддержки.

Обработала историю обращений: 33,8 тыс. тикетов и 266 тыс. сообщений после очистки от служебных. Разметила их по брендам и темам, связала с оценками CSI как сигналом качества и отобрала эталонные ответы из свежих обращений по разным каналам. Собрала из этого методичку по процессам, библиотеку проверенных примеров тона и реестр «фактов, которые нужно перепроверять» — условий, которые меняются со временем. Правила программы мотивации регулярно обновлялись, поэтому база знаний обновлялась вместе с ними: агент опирается на актуальные условия, а не на устаревшие шаблоны и старые ответы.

Читает переписку целиком и находит последний нерешённый вопрос. Определяет бренд и процесс, через векторный поиск (RAG, embeddings) находит по смыслу нужный раздел методички, актуальные правила и самые похожие прошлые диалоги с хорошими оценками — даже если клиент написал сумбурно или другими словами — и ссылается на источник. По вопросам программы мотивации агент сам собирает данные участника в промо-системе (строго на чтение): чеки, механики, начисления и заявки на вывод. Затем сопоставляет их и прикладывает к заметке выгрузку со сводкой, так что сотруднику больше не нужно разбираться вручную. Оставляет сотруднику внутренний черновик: текст для клиента, источники, уверенность и что ещё проверить. Для интеграции собран workflow на n8n: получение обращений и запись внутреннего комментария через API Usedesk.

Отдельно добилась, чтобы черновики звучали как ответы живых сотрудников: агент опирается на реальные ответы с хорошими оценками клиентов и соблюдает тон и редполитику каждого бренда — Plonq, ROQY, STELS и QWERTY.

На этой итерации агент работает только как подсказка для сотрудника: черновик появляется во внутреннем комментарии, а клиенту всегда отвечает человек. Агент не обещает начисления или одобрения без подтверждённого факта, а персональные данные клиентов не попадают в базу знаний.

Протоколы встреч почти не писались, а если писались — то вручную. Это занимало много времени, а на самой встрече приходилось конспектировать вместо того, чтобы полноценно участвовать в обсуждении. В итоге договорённости, решения и задачи забывались и терялись.

Собрала полный процесс на навыках Claude. Три раза в будний день агент проверяет календарь Outlook, находит прошедшие встречи без протокола и запись в Teams. Запись расшифровывается в TurboScribe, а непонятные фрагменты — повторно локальной моделью Whisper; говорящих помогают определить подсветка спикеров в видео и голосовые образцы коллег. Затем агент сначала сам ищет ответы в базе знаний Obsidian — кто есть кто, термины, проекты, прошлые встречи — и только то, что осталось непонятным, уточняет у меня: спикеров, цифры, ответственных. После этого пишет протокол по единому шаблону, а всё новое — людей, термины, решения и сроки — сам заносит обратно в Obsidian. PDF после подтверждения отправляется в чат встречи, задачи по запросу заводятся в Jira, статусы всех встреч ведутся в журнале.

Чтобы протоколами могли пользоваться коллеги, начала переносить процесс в Telegram-бота на n8n. Боту отправляют запись, он расшифровывает её с разделением по спикерам и подтягивает из базы знаний имена и термины компании. Через Claude API бот задаёт уточняющие вопросы с таймкодом и отрывком записи, затем бот собирает PDF и предлагает разослать его участникам по таблице доступа.

Человек в контуре: протокол не пишется, пока не получены ответы на уточняющие вопросы, и ничего не отправляется без подтверждения. Встречи без записи агент не берёт и ничего не додумывает: если срок или ответственный не названы, так и пишет. Об ошибках бот сообщает сам.

Топ-менеджмент — директора по маркетингу и продажам — хотел понять, работает ли программа мотивации продавцов: закупают ли точки-участники больше остальных. От ответа зависели судьба программы и её бюджет. Две предыдущие попытки оценки — через финансы и через отгрузки — вывода не дали: без единой базы точек сравнивать было не с чем.

Общего идентификатора точки между системами нет — только ИНН и адрес свободной строкой. Одна и та же точка записана десятками способов: 1,04 млн записей сводятся всего к 7,8 тыс. реальных адресов. Ошибки и разные форматы («д. 49а/2» и «дом 49а», «ул.» и «пр-кт», корпуса, район вместо города), а в программе участвуют продавцы, которые переходят между точками. Масштаб — ~1,16 млн записей из чеков и 7,2 млн строк отгрузок по ~18,5 тыс. точкам.

Собрала пайплайн на Python: адреса нормализуются и ищутся в государственном адресном реестре ГАР (1,6 млн объектов), ключ точки — «ИНН + адресная группа». Цепочка правил доведена до 9-й версии, каждая только повышает точность. Спорные случаи уходят в очередь ручного разбора, а 164 адреса, размеченные вручную, служат эталоном для проверки качества. Кэш уже распознанных адресов позволяет каждую ночь обрабатывать только новые, результат пишется в витрины PostgreSQL для BI, о сбоях приходят алерты в Telegram.

Точно распознано ~90% точек программы мотивации и ~85% точек отгрузок, найдено 722 тыс. связок. Разобрала, почему покрытие не 100%: у большинства несовпавших точек просто нет участников программы, а не ошибка сопоставления. На этих данных аналитики защитили оценку программы перед топ-менеджментом, по итогам решили запускать индивидуальные планы продаж и тесты новых механик. Пайплайн работает ежедневно.

Для стенда нового бренда QWERTY на выставке VCS 2026 нужна была механика, которая привлечёт посетителей и оставит у них что-то на память о бренде, — и при этом выдержит поток людей на стенде.

Посетитель сканирует QR-код и попадает в Telegram-бота. Загружает своё фото, бот передаёт его в сервис генерации на собственном бэкенде через защищённый API-запрос, а в ответ получает готовое изображение — человека в стилистике персонажей бренда. Бот отправляет картинку, отмечает участие и пишет событие в таблицу и CRM.

Запросы на генерацию идут через очередь, поэтому пиковый поток на стенде не роняет сервис. Если генерация не удалась, бот не теряет пользователя, а предлагает попробовать ещё раз. На выставке генерация была доступна один раз на человека, а все обращения логировались, чтобы видеть нагрузку и ошибки в реальном времени.

Генерация настроена так, чтобы результат совпадал с визуальным стилем персонажей QWERTY, а не выглядел как случайный AI-фильтр. Каждая картинка — это узнаваемый контент бренда, которым посетители делятся сами.

Наращивать базу покупателей в Telegram-боте бренда, через который работают поддержка, рассылки и повторные продажи, — дешевле, чем через рекламу. Самая короткая дорога к покупателю — продавец в точке, который и так общается с ним каждый день.

Запустила программу внутри программы мотивации продавцов. Продавец показывает покупателю QR-код, тот переходит в бот и вводит ID продавца. За каждые 30 приглашённых продавец автоматически получает 1000 баллов. Засчитывается только первый переход, а подозрительные регистрации и искусственные переходы отсекаются.

Лендинг и личный кабинет продавца с прогресс-баром — в промо-системе, раздел с QR-кодом и ID — в боте программы мотивации. B2C-бот проверяет введённый ID через CRM и засчитывает приглашение продавцу, а промо-система начисляет баллы без ручной работы.

Стоимость лида — 33 ₽ при средней рыночной цене от 50 до 300+ ₽. Больше половины пришедших покупателей остались в боте и получают поддержку и рассылки бренда.

Показатели поддержки, SMM, CRM, сайтов и работы с блогерами собирались вручную из разных источников и в разном виде. Увидеть, как идёт работа отдела в целом, было невозможно без долгой ручной сводки.

• Поддержка — SLA, CSI по B2C и программе мотивации, нагрузка и результаты по каждому сотруднику: неделя, месяц, полугодие.
• Инфлюенс-маркетинг — работа с блогерами и результаты интеграций.
• CRM — массовые и триггерные рассылки по всем брендам и каналам (email, Telegram, push, SMS), активная база, предотток и отток.
• Веб — автовыгрузка Яндекс.Метрики по API: посещаемость, цели и UTM-метки по сайтам брендов и программы мотивации.
• SMM — показатели соцсетей и Telegram-каналов брендов.
• Аналитика Telegram-чатов брендов — ежедневные и недельные отчёты по обсуждениям.
• Антифрод программы мотивации — проверка действий участников и алерты о подозрительной активности.

Ключевые метрики всех направлений собраны в одном месте, чтобы руководитель и команда видели, как идёт работа отдела в целом: где рост, где просадка и куда смотреть в первую очередь. Детали при этом остаются в дашбордах направлений.

Аналитика Telegram-чатов брендов и антифрод-система программы мотивации выросли из системы метрик в отдельные автоматизированные проекты — подробнее в карточках ниже.