Разработка AI-системы выявления трендов в обращениях клиентов
Тренды в обращениях — ранние сигналы проблем и возможностей. Рост обращений о конкретной функции за 3 дня — возможно баг. Спонтанный рост похвал за новую фичу — сигнал для маркетинга. Без AI эти сигналы тонут в потоке.
Методы детекции трендов
Временные ряды + аномалии: для каждой темы строится временной ряд частоты упоминаний. Алгоритмы детекции аномалий: Prophet (Facebook), STL decomposition, CUSUM.
from prophet import Prophet
import pandas as pd
def detect_topic_trend(topic: str, daily_counts: pd.DataFrame) -> TrendAlert | None:
model = Prophet(changepoint_prior_scale=0.1, seasonality_mode="multiplicative")
model.fit(daily_counts.rename(columns={"date": "ds", "count": "y"}))
forecast = model.predict(daily_counts)
# Если факт значительно выше прогноза — аномалия
residuals = daily_counts["count"] - forecast["yhat"]
if residuals.iloc[-1] > 3 * residuals.std():
return TrendAlert(topic=topic, type="spike", magnitude=residuals.iloc[-1])
return None
Velocity tracking: скорость роста темы. Тема выросла на 50% за 2 дня → срочно.
Emerging topics: BERTopic на скользящем окне последних 7 дней — выявление новых тем, которых не было раньше.
Контекстуализация трендов
Тренд без контекста бесполезен. Система автоматически добавляет:
- Примеры 5–10 диалогов, представляющих тренд
- Сравнение с аналогичным периодом прошлого года
- Гипотеза о причине (из диалогов и внешних событий)
Еженедельный тренд-отчёт
Автоматически генерируемый отчёт для продуктовой команды:
- ТОП-5 растущих тем (проблемы)
- ТОП-5 падающих тем (что улучшилось)
- Новые темы (emerging)
- Исчезающие темы (resolved или переставшие быть актуальными)
Отчёт отправляется в Slack/email без участия аналитика.