Анализатор переписок: собираем базу знаний бота из реальных диалогов

Типичная картина при запуске ИИ-ассистента: инструкция готова, каналы подключены, а база знаний пустая. Реальных вопросов клиентов никто не собирал — есть только догадки владельца о том, что «обычно спрашивают». Мы в Савви сделали для этой ситуации Анализатор переписок: он проходит по истории настоящих диалогов и превращает её в аналитику и готовые пары «вопрос — ответ», которые остаётся вычитать и добавить в базу знаний.

Как работает Анализатор

Принцип такой: инструмент выгружает диалоги с клиентами за выбранный период (от одного до шести месяцев), делит длинные переписки на смысловые отрезки и отдаёт каждый в LLM. Модель расставляет теги и формирует пары «вопрос — ответ». На выходе — сводный отчёт по перепискам плюс материал для дообучения бота.

Запустить Анализатор можно из настроек бота (вкладка «Анализатор») или из Менеджера чатов.

1. 1
   Выбрать канал и период

   Диалоги берутся из базы Савви или напрямую через API провайдера (для Битрикс24 и WhatsApp). Глубина — от 1 до 6 месяцев.
2. 2
   Получить аналитику

   Метрики по объёму переписок, скорости ответа и тегам диалогов с помесячной разбивкой.
3. 3
   Собрать базу знаний

   Вычитать пары «вопрос — ответ» и добавить их в базу знаний одним нажатием.

Два технических момента. Первый: длинные диалоги при обработке дробятся на недельные отрезки — так модель не теряет детали в большом контексте. Второй: анализ идёт в фоне, вкладку можно закрыть и вернуться к готовому отчёту позже.

Инструмент платный: ориентир — около 0,50 ₽ за один диалог. Итоговая сумма зависит от того, сколько диалогов попадёт в выборку за период.

Откуда берутся переписки

Источников два типа. Для amoCRM, Kommo, Telegram и чатов на сайте диалоги выгружаются из базы данных Савви — это всё, что уже прошло через платформу, включая ответы живых менеджеров. Для Битрикс24 и WhatsApp дополнительно доступна выгрузка напрямую через API провайдера, минуя базу Савви.

Разница принципиальная. Выгрузка «из базы» покажет только те переписки, которые Савви уже видела. Выгрузка «через API» достаёт и то, чего в базе нет — например, историю переписок менеджеров до подключения бота. Отсюда простое правило: только внедрили Савви и хотите собрать базу знаний на прошлой работе отдела — берите через API; бот уже поработал и нужно оценить его диалоги — хватит выгрузки из базы.

Что настроить перед запуском

Кроме канала, источника и периода есть два блока тонкой настройки.

Теги. Три тега обязательные, убрать их нельзя, но описание каждого можно переписать — именно по описанию модель решает, ставить тег диалогу или нет:

• «Целевое действие» — значения по умолчанию нет, формулируете сами. Например: диалог целевой, если клиент оставил телефон и записался на услугу.
• «Позитивный опыт» — по умолчанию благодарность и похвала товара.
• «Негативный опыт» — жалобы и недовольство.

Кнопка «+ Добавить тег» позволяет завести собственные метки — например «Вопрос по доставке» или «Запрос на возврат». Модель размечает их наравне со стандартными.

Промпт для пар «вопрос — ответ». Тут задаются ограничения на то, что не нужно тащить в базу знаний. Классический пример — ответы про цену товара, если она часто меняется: без фильтра база быстро устареет и начнёт вводить клиентов в заблуждение.

Три вкладки отчёта

«Результаты» — сводные метрики по месяцам: сколько диалогов и сообщений, как соотносятся сообщения клиентов и сотрудников, средняя длина диалога. Отдельно считается скорость: среднее время первого ответа бота и сотрудника и среднее время ответа на протяжении всего диалога. Здесь же — доли диалогов по трём обязательным тегам.

На демонстрационном дашборде из нашего анонса цифры выглядели так (это иллюстрация конкретного бизнеса, а не обещание результата — свои значения смотрите в собственном кабинете):

«Переписки» — список всех проанализированных диалогов с тегами и фильтрами: все, целевые, нецелевые, негативный опыт. По каждому видно имя клиента, источник и период, а по кнопке «Открыть» — сам диалог целиком. Это удобно, когда мало увидеть процент негатива — нужно прочитать, что именно пошло не так.

«Вопрос — ответ» — самая прикладная вкладка. Модель собирает пары из реальных диалогов и группирует похожие обращения, показывая число повторов. В примере из презентации набралось больше тысячи пар, но у вас число будет зависеть от объёма и разнообразия переписок. Начинать наполнение базы знаний имеет смысл с самых повторяющихся пар — это самые частые сценарии, на них бот сэкономит операторам больше всего времени. Пары можно править вручную, а затем нажать «Сформировать базу знаний» или скачать результат файлом.

Где это применяется

О чём стоит помнить

Анализ платный, поэтому не стоит запускать его на полугодовой истории «на всякий случай» — для проверки гипотезы часто хватает месяца-двух. Готовые пары «вопрос — ответ» — это черновик: перед публикацией их стоит хотя бы бегло просмотреть, особенно если в переписках встречались устаревшие цены и акции.

Попробовать Анализатор переписок и остальные функции платформы можно на suvvy.ai. А научиться выстраивать такие внедрения целиком — от базы знаний до тегов и метрик — можно на бесплатном курсе в Академии Савви.

WhatsApp принадлежит компании Meta, признанной экстремистской и запрещённой в РФ.