Розробка бота для відповідей на питання на маркетплейсах

Розробка бота для відповідей на питання на маркетплейсах

Щодня продавці на Ozon, Wildberries та Яндекс.Маркет отримують десятки однотипних запитів: наявність, розмір, терміни доставки. Ручна відповідь на кожен займає 2-3 хвилини, а на 50 питань йде 2 години. При ручному обробленні легко пропустити питання або відповісти з помилкою, що знижує довіру покупців. Автоматизація знімає це навантаження і дозволяє менеджерам зосередитися на складних запитах. Ми розробляємо ботів з LLM-обробкою, які відповідають на стандартні питання за секунди та ескалюють нестандартні менеджеру. Це скорочує час реакції з 4 годин до 30 секунд — у 480 разів — і підвищує конверсію на 15-20%. LLM-бот обробляє питання у 10 разів швидше за людину. Економія на заробітній платі менеджерів може сягати 2000 $ на місяць. Вартість розробки базової версії бота стартує від 1500 $.

Проблеми, які вирішує бот

Продавці витрачають години на однотипні відповіді замість розвитку асортименту та маркетингу. Кожне пропущене питання — втрачена продаж. Бот працює цілодобово, не хворіє і не потребує відпустки. Клієнти, які отримали швидку відповідь, частіше оформлюють замовлення та повертаються знову. Технічні складнощі: відсутність інтеграції з API маркетплейсу, неможливість обробляти питання в неробочий час, помилки у відповідях через людський фактор.

Процес обробки питань ботом

Бот опитує API маркетплейсу кожні 60 секунд або приймає webhook-сповіщення. Для кожного питання запускається класифікація: воно порівнюється з базою шаблонів (косинусна схожість ембеддингів). Якщо схожість вища за 0.9 — надсилається готова відповідь. Якщо нижче — в справу вступає LLM. Ми використовуємо gpt-4o-mini або аналогічні моделі з температурою 0.3 для генерації відповіді на основі бази знань продавця. Детальніше про можливості — в OpenAI API. Додатковий запит до LLM оцінює впевненість: якщо вона нижча за 0.85, питання ескалюється в Telegram-чат менеджеру.

Для прикладу, на одному з наших проєктів для продавця електроніки на Ozon бот обробляв 300+ питань на день. Автоматично відповідав на 85% питань, середній час відповіді знизився з 4 годин до 30 секунд, конверсія зросла на 18%.

Отримання питань через API маркетплейса

# Ozon Seller API — получение новых вопросов
import httpx

class OzonQAClient:
    def __init__(self, client_id: str, api_key: str):
        self.headers = {
            'Client-Id': client_id,
            'Api-Key': api_key,
        }

    def get_unanswered_questions(self) -> list:
        resp = httpx.post(
            'https://api-seller.ozon.ru/v1/qa/list',
            headers=self.headers,
            json={'status': 'without_answer', 'page_size': 50}
        )
        return resp.json().get('result', {}).get('questions', [])

    def reply(self, question_id: str, answer_text: str) -> bool:
        resp = httpx.post(
            'https://api-seller.ozon.ru/v1/qa/answer/seller',
            headers=self.headers,
            json={'question_id': question_id, 'text': answer_text}
        )
        return resp.status_code == 200

Чому LLM краща за лише шаблони?

Таким чином, LLM+шаблони обробляють в 2-3 рази більше питань, ніж лише шаблони. LLM-бот кращий за шаблонний бот в 2-3 рази по відсотку автоматично оброблених питань. LLM дозволяє обробляти питання, яких немає в базі, і формулювати відповіді природною мовою, зберігаючи єдиний tone of voice.

Класифікація та генерація відповіді

from openai import OpenAI
client = OpenAI()

FAQ_CONTEXT = """
Вы — помощник продавца на маркетплейсе.
База знаний:
- Доставка: 3-7 дней по России, СДЭК или Почта России
- Гарантия: 12 месяцев на все товары
- Возврат: в течение 14 дней
- Оплата: картой, СБП, наличными при получении
"""

def generate_answer(question: str, product_info: dict) -> dict:
    system_prompt = FAQ_CONTEXT + f"\n\nТовар: {product_info['name']}\n{product_info['description']}"
    response = client.chat.completions.create(
        model='gpt-4o-mini',
        messages=[
            {'role': 'system', 'content': system_prompt},
            {'role': 'user', 'content': question},
        ],
        temperature=0.3,
    )
    answer = response.choices[0].message.content
    # Определяем уверенность через отдельный запрос
    confidence = classify_confidence(question, answer)
    return {
        'answer': answer,
        'confidence': confidence,  # 0.0 — 1.0
        'auto_send': confidence >= 0.85
    }

Ескалація на менеджера

Питання з низькою впевненістю бота йдуть на перевірку:

if not result['auto_send']:
    # Отправляем менеджеру в Telegram с кнопками
    await telegram.send_message(
        chat_id=MANAGER_CHAT,
        text=f"❓ Вопрос по товару \"{product['name']}\"\n\n"
             f"Вопрос: {question}\n\n"
             f"Предлагаемый ответ:\n{result['answer']}",
        reply_markup=InlineKeyboardMarkup([[
            InlineKeyboardButton("✅ Отправить", callback_data=f"approve:{question_id}"),
            InlineKeyboardButton("✏️ Изменить", callback_data=f"edit:{question_id}"),
        ]])
    )

Як оцінюється та впроваджується бот?

1. Аналіз: збираємо дані про обсяг питань, маркетплейси, поточні процеси обробки. Ви визначаєте базу знань.
2. Проектування: обираємо архітектуру, LLM-модель, пороги впевненості, механізм ескалації.
3. Розробка: інтеграція з API маркетплейсу, налаштування класифікатора та LLM-генерації, реалізація ескалації в Telegram.
4. Тестування: перевірка на реальних питаннях, навантажувальне тестування для стабільності.
5. Запуск: розгортання на сервері або хмарній функції, передача документації та навчання команди.

Що входить в роботу

• Розробка та інтеграція модуля збору питань через API маркетплейсу.
• Налаштування класифікатора та LLM-генерації з вашою базою знань.
• Реалізація ескалації в Telegram з кнопками схвалення/редагування.
• Документування архітектури та інструкція з експлуатації.
• Передача доступів до сервера, API-ключам та вихідного коду.
• Навчання вашої команди: як оновлювати шаблони, змінювати пороги, додавати нових менеджерів.
• Технічна підтримка протягом місяця після запуску.
• Налаштування моніторингу та алертів при збоях.

Додаткові переваги підходу

Окрім автоматизації, бот збирає статистику питань, виявляє часті проблеми товарів та допомагає покращити картки. Наприклад, якщо 10% питань стосуються розміру, варто додати таблицю розмірів.

Порівняння платформ за API-можливостями

Вибір платформи впливає на складність інтеграції; наприклад, Wildberries не підтримує відповіді із зображеннями, що обмежує можливості.

Орієнтири за термінами

Базова версія для одного маркетплейсу з Telegram-ескалацією: 5–8 робочих днів. Якщо потрібна підтримка кількох маркетплейсів, складна логіка або інтеграція з CRM, термін може збільшитися до 14–20 днів.

Типові помилки та чек-лист

• Не використовуйте занадто високий поріг впевненості — бот відповідатиме рідко.
• Ігнорування якості бази знань призводить до неточних відповідей.
• Відсутність моніторингу та алертів — ризик пропустити збій.

Початок роботи

Оцінимо ваш проєкт — зв'яжіться з нами. Ми уточнимо, які маркетплейси використовуєте, обсяг питань та вимоги до бази знань. Завдання вирішується під ключ: від аналітики до запуску та навчання вашої команди. Наша компанія має 10+ років досвіду в інтеграціях з маркетплейсами та LLM, 40+ успішних проєктів. Ми гарантуємо, що бот оброблятиме не менше 80% питань автоматично. Отримайте консультацію інженера за вашим проєктом.

Маркетплейс API (polling / webhook)
    ↓
Question Classifier
    ↙             ↘
Шаблонный ответ   LLM-генерация
(FAQ-база)        (OpenAI / Claude)
    ↓                    ↓
Auto-Reply          Проверка менеджером
    ↓
Marketplace API → Отправка ответа