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?
| Характеристика | Только шаблоны | LLM + шаблоны |
|---|---|---|
| Процент автоответа | 30–50% | 80–95% |
| Точность на нестандартных вопросах | Низкая | Высокая (с эскалацией) |
| Время настройки | Низкое | Среднее (однократно) |
| Гибкость ответов | Фиксированные | Адаптивные под контекст |
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?
- Аналіз: збираємо дані про обсяг питань, маркетплейси, поточні процеси обробки. Ви визначаєте базу знань.
- Проектування: обираємо архітектуру, LLM-модель, пороги впевненості, механізм ескалації.
- Розробка: інтеграція з API маркетплейсу, налаштування класифікатора та LLM-генерації, реалізація ескалації в Telegram.
- Тестування: перевірка на реальних питаннях, навантажувальне тестування для стабільності.
- 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
| Платформа | Webhook | Фільтр за товаром | Відповідь із зображенням |
|---|---|---|---|
| Ozon | Так | Так | Так |
| Wildberries | Так | Ні | Ні |
| Яндекс.Маркет | Так | Так | Так |
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 безкоштовно — 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.
Архітектурна схема бота
Маркетплейс API (polling / webhook)
↓
Question Classifier
↙ ↘
Шаблонный ответ LLM-генерация
(FAQ-база) (OpenAI / Claude)
↓ ↓
Auto-Reply Проверка менеджером
↓
Marketplace API → Отправка ответа