🛒 Маркетплейсы · Ozon · WB · Яндекс Маркет · Автоответы

5 000 отзывов в месяц — и ни одного без ответа. За 1 минуту. По 3 рубля.

Магазин ручных изделий на трёх платформах тратил вечера на отзывы — часть отвечалась шаблонами, часть не отвечалась вовсе. Теперь система обрабатывает каждый отзыв за минуту, персонализированно, с рекомендацией релевантного товара.

5 000+

Отзывов в месяц

На 3 платформах одновременно

1 мин

Время ответа

~~Было — вечером или никогда~~

3–3.5₽

Стоимость одного ответа

~~Было — 15–20 ₽ с учётом сотрудника~~

Сотрудников под задачу

~~Было — до 1 full-time~~

Обычный мир

170 отзывов в день. Отвечали вечером. Когда успевали.

Магазин ручных изделий активно продаёт на трёх платформах. Каждый день — 170–180 новых отзывов. Ответы на отзывы напрямую влияют на позиции в поиске маркетплейсов и на конверсию карточек. Но отвечать на такой объём качественно — физически невозможно без отдельного человека на этой задаче.

🔵

Ozon

~140

отзывов/день · основной объём

🟣

Wildberries

~25

отзывов/день

🟡

Яндекс Маркет

~15

отзывов/день

Три стадии хаоса

Кастомный GPT → шаблоны → сотрудник. Ничего не работало системно.

До автоматизации было три попытки решить проблему. Каждая казалась выходом — и каждая упиралась в потолок.

Кастомный GPT вручную

Открыть ChatGPT, вставить отзыв, включить VPN, скопировать ответ…

Создали GPT-агента с базой знаний о товарах. Схема: открыть ChatGPT → вставить текст отзыва → получить ответ → включить VPN → зайти в кабинет платформы → опубликовать. На каждый отзыв — несколько минут. При 170 отзывах в день делать это полностью физически нереально.

Таблица с шаблонами

Быстро, но все ответы стали одинаковыми

Когда не хватало времени на GPT — открывали таблицу, копировали подходящий шаблон. Итог: все ответы стали похожи друг на друга. Алгоритмы платформ это замечают. Покупатели это замечают. Позиции карточек начали падать.

Наняли сотрудника

Full-time, 12–13 часов в день — только на отзывы

В какой-то момент наняли человека специально под отзывы. Full-time, 12–13 часов в день только на эту задачу. Дорого, человек устаёт, качество всё равно нестабильное. И при всём этом часть отзывов всё равно оставалась без ответа. Системного решения не было.

Сомнение

«Бот напишет что-то неуместное на негативный отзыв»

Бот напишет что-то неуместное на негативный отзыв — и это удар по репутации

Главный риск при автоматизации ответов — ошибка в чувствительной ситуации. Клиент оставил гневный отзыв, а бот ответил формально или неуместно. Нужна была система, которая понимает контекст: различает позитив и негатив, умеет работать с картинками в отзывах, знает когда направить на возврат, а когда — на чат с продавцом.

Встреча с наставником

Не просто ответ — правильный ответ в правильной ситуации

Решение строилось не на скорости, а на логике. Для каждого сценария — своя реакция:

⭐

Положительный отзыв

Благодарность + ненавязчивая рекомендация релевантного товара из каталога. Работает на допродажи без раздражающей навязчивости.

😤

Негативный отзыв

Признание проблемы + конкретное решение. Никакого «спасибо за ваш отзыв, мы учтём» — только реальный шаг.

📸

Отзыв с фотографией

Система распознаёт изображение и учитывает визуальный контекст при генерации ответа. Фото не игнорируется.

↩️

Брак / запрос на возврат

Эскалация: бот направляет покупателя в чат с продавцом или на оформление возврата через платформу — не отвечает формально.

Фундамент — три отдельные таблицы номенклатуры (для каждого маркетплейса) с названием товара, описанием и артикулом. В каждой карточке товара прописано, какой артикул рекомендовать в ответе на отзыв.

Испытания

Что пришлось настроить, чтобы система работала без ошибок

Каждый нестандартный сценарий — отдельная точка риска. Вот как решали:

Сценарий	Сложность	Решение
Отзыв с фотографиями	Бот не видит картинку — теряет контекст	Настроили обработку изображений: система анализирует фото в отзыве
Негативный отзыв	Шаблонный ответ раздражает и вредит репутации	Отдельный сценарий: признание + конкретный шаг (возврат / чат с продавцом)
Запрос на возврат в отзыве	Нужна эскалация, не автоответ	Система эскалации: определяет случаи возврата и направляет покупателя в нужный канал
Рекомендация нерелевантного товара	Бот предлагает что попало — раздражает	Таблица соответствий: каждому товару прописан конкретный артикул для рекомендации
Разные API у трёх платформ	Каждая платформа — своя интеграция	Три отдельных подключения: Ozon API, WB API, Яндекс Маркет Seller API
Объём 170 отзывов/день	Система должна держать нагрузку стабильно	Платформа Suvvy — проверена на высоких объёмах, стабильна

Кульминация

Каждый отзыв — за 1 минуту. Персонализированно. На трёх платформах.

Шесть шагов от появления отзыва до опубликованного ответа:

Получение отзыва

Система мониторит три платформы через API в режиме реального времени: Ozon, Wildberries, Яндекс Маркет Seller API.

Анализ контента

Определяет тональность (позитив / негатив / нейтрал), наличие фото, тип ситуации: использование, брак, возврат, вопрос.

Выбор сценария

Позитив → благодарность + рекомендация. Негатив → признание + решение. Возврат → эскалация в нужный канал.

Генерация ответа

Персонализированный текст на основе содержания отзыва + данных о конкретном товаре из таблицы номенклатуры. Никаких шаблонов.

Рекомендация артикула

В положительных ответах система вставляет артикул релевантного товара из заранее настроенной таблицы соответствий.

Публикация

Ответ уходит на платформу через API. Время от появления отзыва до опубликованного ответа — 1 минута.

Стек

⚙️

Suvvy (suvvy.ai)

Платформа для автоматизации ответов на отзывы. Держит нагрузку 5 000+ отзывов/мес стабильно.

🔵

Ozon API

Интеграция с маркетплейсом. Основной канал — ~140 отзывов в день.

🟣

Wildberries API

Интеграция с маркетплейсом. ~25 отзывов в день.

🟡

Яндекс Маркет Seller API

Интеграция через официальный Seller API. ~15 отзывов в день.

📊

Google Sheets

Три таблицы номенклатуры (по одной на платформу): название, описание, артикул, рекомендованный артикул для допродажи.

Посчитаем экономику для вашего объёма отзывов

Расскажите о платформах и количестве отзывов в месяц — разберём архитектуру и стоимость.

Написать в Telegram → Подписаться на канал

Точка Б

До и после — в цифрах

— До

Отзывы без ответа Значительная часть

Время ответа Вечером / когда успеют

Качество Шаблоны (нестабильно)

Отзывы с фото Игнорировались

Работа с негативом Шаблонный ответ

Допродажи в ответах Не было

Стоимость ответа ~15–20 ₽

Сотрудников 0–1 (нестабильно)

+ После

Отзывы без ответа 0

Время ответа 1 минута

Качество Персонализировано

Отзывы с фото Сист��ма анализирует фото

Работа с негативом Признание + решение

Допродажи в ответах Рекомендация артикула

Стоимость ответа 3–3.5 ₽

Сотрудников 0

Экономика

Считаем честно

Было — сотрудник

50–60 тыс. ₽/мес

Full-time, 12–13 часов в день только на отзывы

Стоимость одного ответа при 5 000/мес: ~10–12 ₽

И всё равно часть отзывов оставалась без ответа

Выходные, больничные, нестабильное качество

Стало — автоматизация

~16 250 ₽/мес

5 000 отзывов × 3.25 ₽ = 16 250 ₽

Стоимость одного ответа: 3–3.5 ₽

Пропущенных отзывов: 0

Работает без выходных и больничных

Экономия ~70% от стоимости ручной обработки

Объём отзывов	Стоимость/мес (бот)	Альтернатива (сотрудник)	Экономия
1 000 отзывов	~3 250 ₽	~15 000 ₽	~78%
3 000 отзывов	~9 750 ₽	~35 000 ₽	~72%
5 000 отзывов	~16 250 ₽	~55 000 ₽	~70%
10 000 отзывов	~32 500 ₽	~100 000 ₽ (2 сотр.)	~67%

Техническая деталь

Почему рекомендация не случайная

Банальный подход — рекомендовать «популярные товары» всем подряд. Это не работает и раздражает. В этом кейсе логика другая: для каждого товара в таблице номенклатуры прописан конкретный артикул для рекомендации — тот, который реально дополняет покупку.

Клиент купил набор для вышивки — в ответе на его отзыв система рекомендует подходящие нитки или канву, а не рандомный бестселлер. Три таблицы (по одной на каждый маркетплейс) с четырьмя полями:

Поле	Что хранится	Для чего используется
название	Название товара	Идентификация в ответе
описание	Описание товара и его применение	Контекст для персонализации ответа
артикул	Артикул товара на платформе	Привязка отзыва к конкретному SKU
рекомендация	Артикул для допродажи в ответе	Релевантная рекомендация в положительном ответе

Умная эскалация

Бот знает, когда нужен человек

Не все ситуации решаются ответом. Система различает три уровня и защищает репутацию: ни один проблемный отзыв не получит формальный ответ там, где нужен живой разговор.

Уровень 1

Автоответ

Позитивный отзыв, нейтральный вопрос, типовое использование товара → бот отвечает сам, вставляет рекомендацию.

Уровень 2

Направление

Клиент недоволен качеством или хочет разобраться → бот даёт конкретный шаг: «напишите в чат с продавцом, мы решим вопрос».

Уровень 3

Возврат

Явный запрос на возврат или подтверждённый брак → бот направляет на оформление возврата через платформу. Не пытается «замять».

👤

Алексей Пикулёв

ИИ-интегратор для бизнеса

Suvvy n8n НейроАгентс ecommerce Маркетплейсы

Если у вас больше 500 отзывов в месяц — скорее всего, автоматизация уже окупается. Напишите, посчитаем.

Работаете с маркетплейсами?

Расскажите об объёме отзывов и платформах — посчитаем стоимость и разберём архитектуру под вашу задачу.

Написать Алексею в Telegram → Посмотреть другие кейсы