Как за пару часов собрать скрипты для службы поддержки или отдела продаж Сегодня — делюсь рецептом оптимизации процесса и ресурсов по построению эффективных коммуникаций с клиентами, конечно на базе AI. Почему считаю его эффективным - потому что живой диалог на реальных кейсах - отличный способ посмотреть как выстроена коммуникация, и что клиенты спрашивают, чтобы не придумывать «Самые частые вопросы» а взять именно те и в том формате которые задают клиенты. В многих публичных телеграмм каналах сейчас вижу «Службы заботы» с реальными людьми которые обрабатывают входящие, «Боты поддержки» с придуманными сценариями, которые не решают проблему клиента, самым эффективным будет тут создать AI ассистента у которого будут все «полномочия» по решению проблем от человека и аналитика мощной LLM (ChatGPT, GigaChat и т.д.) для анализа наших же данных. Наша задача — дать им качественный сырой материал.

Итак, пошли готовить🍜

Берем: 1. Менеджеров продаж или поддержки, и просим их выгрузить всю клиентскую перепискув Telegram/WhatsApp за последние 3 -6 месяцев Как выгрузить? Для Telegram: стандартный экспорт чата в настройках. Выбираем формат HTML. Это ключевой момент.

Почему не PDF? Потому что HTML структурно сохраняет сообщения, что критично для последующего парсинга. Получаем папку с файлами.

2: Очищаем и анонимизируем файлы Это non-negotiable шаг. Без него все дальнейшие действия не только неэтичны, но и противозаконны. Берем папку с нашими HTML-файлами и пропускаем их через скрипт, который:

✅Вычищает весь HTML-код, оставляя только текст переписки. ✅Анонимизирует данные: алгоритмически находит и заменяет (или удаляет) ФИО, номера телефонов, email-ы, реквизиты карт и т.д. Используем простые regex-паттерны и эвристики.

На выходе получаем чистый .txt файл, где осталась только суть диалогов: запросы и ответы ваших специалистов. Если нужен сам скрипт - выгрузила сюда:

3: Анализ и кластеризация сценариев Вот здесь — магия. Берем этот .txt файл и загружаем в любую продвинутую LLM.

Промт (тот самый, который является инженерной основой процесса) должен быть точным и директивным:

"Проанализируй прикрепленный текстовый файл, содержащий историю переписки службы поддержки с клиентами. Собери списком часто повторяющиеся сценарии по строгой формуле: 'Запрос клиента' -> 'Действия специалиста' -> 'Текст ответа'. Объедини (кластеризуй) запросы по группам, где действия специалиста и смысл ответа идентичны. Результат представь в виде структурированного списка с группировкой по сценариям."

Что получаем на выходе?

Не просто текстовый файл, а таксономию ваших бизнес-процессов, извлеченную и структурированную искусственным интеллектом. Вы увидите четкие кластеры:

Сценарий "Сброс пароля": 15 вариаций запроса -> Действие: Запросить email, сверить с базой, выдать инстр. -> Текст: Уважаемый... для сброса пароля перейдите по ссылке...

Сценарий "Уточнение тарифа": 10 вариаций -> Действие: Запросить номер ЛС, проверить тариф, описать опции -> Текст: По вашему договору... доступны тарифы...

Итог и следующий шаг:

Вы только что провели быстрый qualitative analysis и создали первичный датасет для обучения AI ассистента, основа для:

  • Системы быстрых ответов для живых операторов.

  • Функционала авто-предложений в интерфейсе оператора.

  • Ядра для вашего будущего AI-ассистента, который можно будет дообучать на этих сценариях, используя fine-tuning или, что более современное.

Забирайте инструкцию, пусть ваша работа станет еще интереснее и эффективнее 🫶