Анализатор переписок
Автоматический анализ истории переписок с клиентами и подготовка пар «Вопрос — Ответ» для Базы знаний.
Анализатор переписок — это функционал, который позволяет автоматически проанализировать историю диалогов с клиентами, получить по ним сводную аналитику и подготовить готовые пары Вопрос — Ответ для добавления в Базу знаний.
Савви выгружает переписки за выбранный период, разбивает их на смысловые отрезки и с помощью LLM-модели проставляет каждому диалогу подходящие теги. На выходе Вы получаете метрики, классификацию диалогов и готовый материал для дообучения бота.
Ориентировочная стоимость: анализ одного диалога — примерно 0.50 ₽. Итоговая сумма зависит от количества диалогов за выбранный период.
Где находится Анализатор
Открыть Анализатор можно двумя способами:
через настройки бота — вкладка Анализатор;
через Менеджер чатов.
Запуск анализа
В левой части экрана собраны параметры запуска:
Канал — источник, из которого Савви будет брать переписки;
Источник данных (для Битрикс24 или WhatsApp) — выгрузка через API или из базы данных;
Период — глубина выгрузки, от 1 до 6 месяцев;
ID открытых линий (для Битрикс24) — фильтр по конкретным открытым линиям.
Настройки тегов
Промпт для пар вопрос-ответ.
Настройки тегов
Помимо канала, источника и периода в параметрах запуска доступны два сворачиваемых блока — Настройки тегов и Промпт для пар вопрос-ответ. Они управляют тем, как именно LLM размечает диалоги и собирает пары Вопрос — Ответ.
Блок Настройки тегов задаёт теги и системный промпт для разметки переписок.
Обязательные теги присутствуют всегда — их нельзя удалить, но описание можно изменить под свою задачу. Именно по этим описаниям модель решает, ставить диалогу тег или нет.
Целевое действие — что для вашего бизнеса считается целевым диалогом. У этого тега нет значения по умолчанию — его нужно заполнить самостоятельно. Например: диалог считается целевым, если клиент оставил имя и телефон и записался на услугу.
Позитивный опыт — признаки положительного опыта клиента. Значение по умолчанию: благодарность, похвала товара или сервиса.
Негативный опыт — признаки негативного опыта. Значение по умолчанию: жалобы, недовольство товаром или конфликт.
Кнопка По умолчанию рядом с тегом возвращает его описание к стандартному значению.
Дополнительные теги — по кнопке + Добавить тег можно завести собственные теги с произвольными названиями и описаниями (например, «Вопрос по доставке» или «Запрос на возврат»). Модель будет проставлять их наравне с обязательными.
Системный промпт — общая инструкция для модели: как размечать диалоги. По умолчанию модель анализирует диалог целиком, может присвоить сразу несколько тегов и оценивает общий тон всей переписки, а не отдельных сообщений. При необходимости промпт можно переписать под себя; кнопка По умолчанию вернёт стандартный текст.
Промпт для пар вопрос-ответ
Блок Промпт для пар вопрос-ответ задаёт дополнительные правила сбора пар Вопрос — Ответ. Здесь можно указать, что именно не нужно добавлять в базу знаний.
Например: не собирать информацию о стоимости товара, так как она динамическая и постоянно меняется.
После того как параметры заданы, нажмите кнопку Запустить анализатор. Запущенный анализ появится в Списке анализов справа. По завершении обработки рядом с ним появится кнопка Результаты →.
Поддерживаемые каналы
amoCRM, Kommo, Telegram, чаты для сайта и др.
Из базы данных Савви
Через API или из базы данных
Битрикс24
Через API или из базы данных
Для Битрикс24 при выборе Через API дополнительно доступен фильтр ID открытых линий — это позволяет проанализировать переписки только по нужным линиям, а не по всему порталу.
Из базы данных или через API: в чём разница
Для Битрикс24 и WhatsApp доступны два источника данных. Выбор зависит от того, какие именно переписки Вы хотите проанализировать.
Из базы данных — Савви берёт диалоги, которые уже прошли через платформу и сохранены в нашей БД. Сюда попадают все диалоги канала за выбранный период, в том числе те, на которые отвечали менеджеры вручную, а не бот.
Через API — Савви обращается напрямую к Битрикс24 или WhatsApp и забирает историю переписок оттуда. Главное отличие — так можно получить диалоги, которых нет в нашей БД: например, те, что велись до подключения Савви.
Какой источник выбрать?
Если Вы только подключили Савви и хотите собрать базу знаний на основе работы менеджеров за прошлые месяцы — выбирайте Через API.
Если бот уже какое-то время работает, и Вам нужно проанализировать его переписки или сравнить с ручными ответами операторов — достаточно выгрузки Из базы данных.
Как работает анализатор
Савви выгружает историю диалогов из выбранного канала за указанный период.
Длинные диалоги дробятся на отрезки по одной неделе — это нужно, чтобы LLM-модель корректно работала с контекстом и не теряла детали.
Каждый отрезок отправляется в LLM с системным промтом анализатора.
Модель проставляет диалогу наиболее подходящие теги и формирует пары Вопрос — Ответ.
Результаты собираются в единый отчёт по трём вкладкам: Результаты, Переписки, Вопрос — ответ.
Теги, которые проставляет LLM:
Targeted — целевое обращение;
Non-targeted — нецелевое обращение;
Positive experience — положительный опыт клиента;
Negative experience — негативный опыт клиента.
Результаты анализа
После завершения обработки нажмите Результаты →. Отчёт состоит из трёх вкладок.
Вкладка «Результаты»
Здесь собраны ключевые метрики по выгруженным перепискам, с разбивкой по месяцам.
Объём переписок
Всего кол-во диалогов — сколько диалогов попало в анализ;
Всего кол-во сообщений — общее количество сообщений в этих диалогах;
Кол-во сообщений клиентов / сотрудников — соотношение сообщений со стороны клиента и со стороны сотрудника;
Среднее кол-во сообщений в чате — средняя длина диалога со стороны клиента и со стороны сотрудника.
Скорость ответа
Среднее время первого ответа бота — сколько в среднем проходит времени от первого сообщения клиента до первого ответа бота;
Среднее время первого ответа сотрудника — сколько в среднем проходит времени от первого сообщения клиента до первого ответа сотрудника;
Среднее время ответа бота — среднее время реакции бота на сообщения клиента на протяжении всего диалога (не только на первое сообщение);
Среднее время ответа сотрудника — среднее время реакции сотрудника на сообщения клиента на протяжении всего диалога.
Оценка диалогов по тегам
Целевое действие — доля диалогов, в которых клиент совершил целевое действие (диалоги с соответствующим тегом);
Позитивный опыт — доля диалогов, отмеченных тегом позитивного опыта;
Негативный опыт — доля диалогов, отмеченных тегом негативного опыта.
Вкладка «Переписки»
Список всех проанализированных диалогов с проставленными тегами. Сверху доступны фильтры:
Все — все переписки;
Целевые — отмеченные тегом Targeted;
Не целевые — отмеченные тегом Non-targeted;
Негативный опыт — отмеченные тегом Negative experience.
У каждого диалога отображается имя клиента, источник, теги и период. Чтобы посмотреть содержимое переписки, нажмите Открыть →.
Вкладка «Вопрос — ответ»
Самая практическая часть отчёта. LLM формирует пары Вопрос — Ответ на основе реальных диалогов и группирует похожие обращения. В колонке Повторений видно, сколько раз похожий вопрос встречался в переписках.
Эти пары удобно использовать как основу для наполнения Базы знаний: вы получаете реальные формулировки клиентов и проверенные ответы менеджеров.
Сценарии использования
Подготовка базы знаний для нового бота. Запустите анализатор на исторических переписках операторов — получите готовый набор частых вопросов и ответов.
Аудит работы менеджеров. Используйте метрики и теги Негативный и Позитивный опыт для разбора диалогов.
Сегментация обращений. Теги Целевые / Не целевые помогают понять, сколько входящих запросов реально относятся к вашему продукту.
Дообучение действующего бота. Регулярные прогоны позволяют находить новые типы вопросов, которые ещё не покрыты базой знаний.
Последнее обновление
Это было полезно?