Самая частая проблема на старте бота — пустая база знаний. Инструкция написана, агент подключен к каналам, а отвечать толком не на что: реальных вопросов клиентов под рукой нет, есть только предположения владельца бизнеса о том, что должны спрашивать. Анализатор переписок в Савви решает именно эту задачу. Он берёт историю реальных диалогов и превращает её в метрики и готовые пары «вопрос — ответ», которые остаётся только проверить.
Что делает Анализатор
Анализатор переписок — функционал, который выгружает историю диалогов с клиентами за выбранный период, разбивает её на смысловые отрезки и с помощью LLM размечает каждый диалог тегами. На выходе — сводная аналитика по перепискам и материал для дообучения бота: готовые пары вопрос-ответ, которые можно сразу добавить в базу знаний.
Открыть Анализатор можно двумя способами: через настройки бота (вкладка «Анализатор») или через Менеджер чатов.
Работает он как с диалогами, которые уже ведёт Савви и хранит в своей базе, так и с внешними источниками. Официально поддержаны Битрикс24 и WhatsApp (последний, напомним, принадлежит компании Meta, признанной экстремистской организацией и запрещённой на территории РФ) — для них можно выбрать выгрузку через API напрямую от провайдера, минуя базу Савви. Для amoCRM, Kommo, Telegram и чатов на сайте переписки берутся из базы данных платформы.
Разница между источниками для Битрикс24 и WhatsApp простая: «из базы данных» — это все диалоги, которые уже прошли через Савви, включая те, на которые вручную отвечали менеджеры. «Через API» — обращение напрямую к сервису, что позволяет достать переписки, которых в базе Савви нет вообще, например, историю до подключения бота. Если вы только внедрили Савви и хотите собрать базу знаний на основе прошлой работы менеджеров, логичнее брать через API. Если бот уже работает какое-то время и нужно оценить именно его переписки — достаточно выгрузки из базы данных.
Долгие диалоги при обработке дробятся на недельные отрезки, чтобы модель не теряла детали из-за большого объёма контекста. Каждый отрезок уходит в LLM с системным промптом анализатора, который и расставляет теги, и формирует пары вопрос-ответ. Процесс идёт в фоне: можно закрыть вкладку и вернуться позже, когда обработка закончится.
Кстати, у анализа есть ориентировочная стоимость — около 0,50 ₽ за один диалог, итоговая сумма зависит от того, сколько диалогов попадёт в выборку за выбранный период.
Что можно настроить перед запуском
Помимо канала, источника и периода, у Анализатора есть два блока тонкой настройки.
Настройки тегов. Обязательных тега три, и убрать их нельзя, но описание можно переписать под свою задачу: именно по нему модель решает, ставить диалогу тег или нет. «Целевое действие» — без значения по умолчанию, его нужно сформулировать самостоятельно (например: диалог целевой, если клиент оставил телефон и записался на услугу). «Позитивный опыт» по умолчанию — благодарность и похвала товара. «Негативный опыт» — жалобы и недовольство. Кнопкой «+ Добавить тег» заводятся и свои теги, скажем, «Вопрос по доставке» или «Запрос на возврат» — модель будет размечать их наравне со стандартными.
Промпт для пар вопрос-ответ. Здесь можно ограничить, что не стоит тащить в базу знаний. Классический пример — не собирать ответы про цену товара, если она часто меняется: иначе база знаний быстро устареет и начнёт врать клиентам.
Что показывает отчёт
После завершения обработки открывается отчёт из трёх вкладок.
Вкладка «Результаты» — сводные метрики с разбивкой по месяцам. Тут смотрят на объём переписок (сколько всего диалогов и сообщений, как соотносятся сообщения клиентов и сотрудников, средняя длина диалога) и на скорость ответа.
Отдельно считается среднее время первого ответа бота и сотрудника, и отдельно среднее время ответа на протяжении всего диалога. На демонстрационном дашборде из анонса разница была заметной: около 29 секунд у бота против 101 минуты 17 секунд у сотрудника. Это пример с конкретного скриншота, а не обещанный результат. У вас цифры будут зависеть от канала, потока обращений и того, насколько бот уже настроен.
Здесь же на демо-примере из презентации фигурировали 62% диалогов с целевым действием, 21% с позитивным опытом и 9% с негативным. Это иллюстрация конкретного бизнеса, свои цифры смотрите в собственном кабинете, а не сверяйте с чужим скриншотом.
Вкладка «Переписки» — список всех проанализированных диалогов с проставленными тегами и фильтрами: все, целевые, нецелевые, негативный опыт. По каждому диалогу видно имя клиента, источник и период, а по кнопке «Открыть» — саму переписку целиком. Удобно, когда нужно не просто посмотреть на процент, а прочитать, что конкретно пошло не так в диалогах с негативным опытом.
Вкладка «Вопрос — ответ» — самая практическая часть. LLM формирует пары вопрос-ответ на основе реальных диалогов и группирует похожие обращения, показывая, сколько раз похожий вопрос повторялся. В примере из презентации таких пар набралось больше тысячи, но конкретное число всегда зависит от объёма и разнообразия ваших переписок. Логика простая: начинать наполнение базы знаний стоит с пар, у которых больше всего повторений — это самые частые сценарии, и именно на них бот сэкономит операторам больше всего времени. Пары можно проверить и поправить вручную, а затем нажать «Сформировать базу знаний» или скачать результат себе.
Зачем это нужно на практике
Самый очевидный сценарий — запуск нового бота. Вместо того чтобы придумывать вопросы клиентов из головы, вы прогоняете через Анализатор историю переписок операторов за прошлые месяцы и получаете готовый набор реальных формулировок с проверенными ответами.
Второй сценарий — аудит работы менеджеров. Теги позитивного и негативного опыта позволяют быстро найти проблемные диалоги, не перечитывая всю переписку вручную.
Третий — сегментация обращений. Теги «целевое» и «нецелевое» показывают, какая доля входящих вообще относится к вашему продукту, а какая — случайный трафик или нерелевантные запросы.
И четвёртый — регулярное дообучение уже работающего бота. Периодические прогоны Анализатора вылавливают новые типы вопросов, которых ещё нет в базе знаний, и позволяют закрывать пробелы по мере того, как меняется поток обращений.
Что стоит держать в голове
Анализатор — платный инструмент: не запускайте его на полугодовой истории «на всякий случай», если хватит месяца-двух для проверки гипотезы. Готовые пары вопрос-ответ — черновик, а не окончательная база знаний: их стоит хотя бы бегло просмотреть перед публикацией, особенно если в переписках попадались устаревшие цены или акции. И самое важное — Анализатор ускоряет сбор материала, но не заменяет решение о том, что должно попасть в базу знаний. Это по-прежнему выбор человека, который знает бизнес.
Пошаговое описание Анализатора переписок — в руководстве Савви: Анализатор переписок.
Попробовать Анализатор переписок и остальные функции Савви можно на suvvy.ai. А если хотите научиться выстраивать такие внедрения под ключ — от базы знаний до тегов и метрик — приходите на бесплатный курс в Академию Савви.