> For the complete documentation index, see [llms.txt](https://docs.suvvy.ai/ru/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.suvvy.ai/ru/osnovnye-nastroiki/prompts/analizator-perepisok.md). # Анализатор переписок **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](https://docs.suvvy.ai/ru/baza-znanii/baza-znanii/pryamye-voprosy). 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. {% hint style="info" %} Анализатор работает как с диалогами, которые уже ведёт Савви *(хранятся в БД)*, так и с внешними источниками — **WhatsApp** и **Битрикс24** *(выгрузка через API)*. {% endhint %} {% hint style="warning" %} Ориентировочная стоимость: **анализ одного диалога — примерно 0.50 ₽**. Итоговая сумма зависит от количества диалогов за выбранный период. {% endhint %} ### 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 →**.
{% hint style="info" %} Чем больше период и количество диалогов в выбранном канале, тем дольше будет идти обработка. Анализатор продолжит работать в фоне — вы можете закрыть вкладку и вернуться позже. {% endhint %} #### Поддерживаемые каналы | Канал | Способ выгрузки | | --------------------------------------------- | ---------------------------- | | amoCRM, Kommo, Telegram, чаты для сайта и др. | Из базы данных Савви | | WhatsApp | 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 1. Савви выгружает историю диалогов из выбранного канала за указанный период. 2. Длинные диалоги дробятся на отрезки по **одной неделе** — это нужно, чтобы LLM-модель корректно работала с контекстом и не теряла детали. 3. Каждый отрезок отправляется в LLM с системным промтом анализатора. 4. Модель проставляет диалогу наиболее подходящие теги и формирует пары *Вопрос — Ответ*. 5. 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](https://docs.suvvy.ai/ru/baza-znanii/baza-znanii/pryamye-voprosy): вы получаете реальные формулировки клиентов и проверенные ответы менеджеров. {% hint style="info" %} Совет: в первую очередь добавляйте в базу знаний пары с наибольшим числом повторений — это самые частые сценарии, на которых бот будет экономить больше всего ресурса операторов. {% endhint %} ### 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. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.suvvy.ai/ru/osnovnye-nastroiki/prompts/analizator-perepisok.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.