ИИ анализирует 500 отзывов за 20 минут: что клиенты реально думают о вашем продукте

В одном интернет-магазине одежды попросили разобраться: почему при рейтинге 4,3 на Wildberries продажи падают третий месяц подряд. Открыли отзывы — их было 312 штук за полгода. Читать вручную? Трое суток работы. Запустили скрипт на Python с Claude API — через 20 минут на столе лежал отчёт с 8 тематическими кластерами, тональностью по каждому и одним неожиданным инсайтом который объяснил всё.

Почему 90% компаний не читают свои отзывы

Не потому что не хотят. Просто это нереально дорого по времени при любом объёме больше 100 штук.

Посчитаем. Квалифицированный аналитик читает и категоризирует примерно 15–20 отзывов в час, если делать это вдумчиво — выделяя темы, тональность, конкретные претензии. На 500 отзывов уходит 25–35 часов рабочего времени. При ставке 800–1 500 рублей в час это 20 000–50 000 рублей за один анализ.

Результат: анализ делают раз в год если вообще делают. Или ограничиваются: «посмотрели несколько штук, всё в порядке». А системные проблемы, которые видны только на выборке из 200+ отзывов, остаются невидимыми.

Три вещи которые теряются при таком подходе:

Тренды по времени. Если проблема с доставкой появилась два месяца назад и нарастает — это видно только когда смотришь на временной срез всей выборки, а не на отдельные отзывы.

Аномальная тональность. Тема «качество материала» может иметь высокий средний рейтинг, но при этом 30% упоминаний — негативные. При беглом просмотре этого не заметно.

Противоречия в продукте. Когда одни покупатели хвалят размерную сетку, а другие ругают — это сигнал неоднородности ассортимента. Вручную такие паттерны не улавливаются.

Как работает тематический анализ через API

Схема простая. Собираем отзывы в CSV, нарезаем батчами по 50 штук, отправляем каждый батч в Claude с промптом который просит вернуть структурированный JSON. Потом агрегируем результаты по всем батчам.

Почему именно 50 отзывов на батч? Это оптимум между точностью и ценой. Если отправить все 500 разом — Claude справится, но входной токен обойдётся дороже, а ещё иногда теряется детализация по редким темам. Батч по 50 — в одном контексте помещается 100–150 коротких отзывов с метаданными.

import anthropic
import pandas as pd
import json
from collections import defaultdict

CLAUDE_API_KEY = "YOUR_API_KEY"

# Загружаем отзывы из CSV
# Ожидаем колонки: date, text, rating (1-5)
df = pd.read_csv("reviews.csv", parse_dates=["date"])
reviews = df.to_dict("records")

client = anthropic.Anthropic(api_key=CLAUDE_API_KEY)

ANALYSIS_PROMPT = """Проанализируй следующие отзывы покупателей.

Для каждой темы укажи:
- название темы (доставка / качество_товара / размерная_сетка / упаковка / обслуживание / цена / фото_vs_реальность / прочее)
- тональность (позитивная / негативная / нейтральная)
- количество упоминаний
- репрезентативную цитату

Верни JSON в формате:
{
"clusters": [
  {
    "topic": "название",
    "sentiment": "позитивная|негативная|нейтральная",
    "count": число,
    "quote": "цитата",
    "examples": ["пример1", "пример2"]
  }
],
"anomalies": ["описание аномалии если есть"],
"summary": "2-3 предложения о главном"
}

Отзывы для анализа:
{reviews_text}
"""

def analyze_batch(batch):
  """Анализируем один батч из 50 отзывов."""
  reviews_text = ""
  for i, r in enumerate(batch, 1):
      reviews_text += f"{i}. [{r['date'].strftime('%Y-%m-%d')}] ★{r['rating']} {r['text']}\n"

  message = client.messages.create(
      model="claude-sonnet-4-5",
      max_tokens=2048,
      messages=[{
          "role": "user",
          "content": ANALYSIS_PROMPT.format(reviews_text=reviews_text)
      }]
  )

  # Claude возвращает JSON внутри текста — извлекаем
  response_text = message.content[0].text
  json_start = response_text.find("{")
  json_end = response_text.rfind("}") + 1
  return json.loads(response_text[json_start:json_end])

# Нарезаем батчами по 50
BATCH_SIZE = 50
all_clusters = defaultdict(lambda: {"count": 0, "pos": 0, "neg": 0, "quotes": []})

for i in range(0, len(reviews), BATCH_SIZE):
  batch = reviews[i:i + BATCH_SIZE]
  print(f"Батч {i//BATCH_SIZE + 1}/{len(reviews)//BATCH_SIZE + 1}...")

  result = analyze_batch(batch)

  for cluster in result.get("clusters", []):
      topic = cluster["topic"]
      all_clusters[topic]["count"] += cluster["count"]
      if cluster["sentiment"] == "позитивная":
          all_clusters[topic]["pos"] += cluster["count"]
      elif cluster["sentiment"] == "негативная":
          all_clusters[topic]["neg"] += cluster["count"]
      if cluster.get("quote"):
          all_clusters[topic]["quotes"].append(cluster["quote"])

# Итоговый отчёт
print("\n=== РЕЗУЛЬТАТЫ ===")
sorted_clusters = sorted(all_clusters.items(), key=lambda x: x[1]["count"], reverse=True)

for topic, data in sorted_clusters:
  total = data["count"]
  neg_pct = round(data["neg"] / total * 100) if total else 0
  pos_pct = round(data["pos"] / total * 100) if total else 0
  print(f"\n{topic.upper()} ({total} упоминаний)")
  print(f"  Позитив: {pos_pct}%  |  Негатив: {neg_pct}%")
  if data["quotes"]:
      print(f"  Цитата: {data['quotes'][0][:100]}")

Скрипт обрабатывает 500 отзывов примерно за 15–18 минут на обычном ноутбуке — большую часть времени занимает ожидание ответов API. Параллельные батчи сократят это до 5–7 минут, но для разового анализа последовательный вариант проще в отладке.

Что получилось: анализ 312 отзывов магазина одежды

Возвращаемся к тому магазину. 312 отзывов, 6 месяцев, Wildberries. Скрипт вернул 8 тематических кластеров.

Тональность по каждому кластеру — это отдельная таблица из отчёта:

Топ-5 похвал и топ-5 претензий — автоматически из отчёта:

Скрытый инсайт который объяснил падение продаж

Вот то самое, что нельзя найти при беглом просмотре. Агент поймал временной паттерн.

Кластер «Соответствие фото» — 89% негатива. Само по себе плохо, но не смертельно. Магазин знал об этой проблеме. Но агент дополнительно разбил отзывы по месяцам и показал: в первые три месяца негатив по этой теме был на уровне 60%, потом за один месяц резко вырос до 89% и остался там.

Это означало одно: три месяца назад произошло изменение — новая партия товара, новый поставщик или новые фотографии карточки. Дата аномалии точно совпала с выводом новой коллекции с другим освещением в фотостудии.

Исправили фотографии — продажи начали восстанавливаться через две недели.

Найти это вручную за разумное время — нереально. Ни один аналитик не стал бы специально смотреть на распределение тональности одной темы по месяцам в массиве из 300+ отзывов.

Квиз: что ваши отзывы говорят о репутации

Как использовать результаты: приоритизация улучшений

Отчёт — это не конец работы, а начало. Конкретный алгоритм что делать с данными:

Сначала смотришь на кластеры с высокой долей негатива и большим числом упоминаний. Это квадрант «критично и часто» — туда идут силы в первую очередь. В примере выше это «Соответствие фото» (59 упоминаний, 89% негатива) и «Размерная сетка» (53 упоминания, 72% негатива).

Потом — аномалии по времени. Что появилось недавно и нарастает? Это сигнал что проблема новая и её можно остановить до того как она накопила критическую массу.

Кластеры с высоким позитивом — это то что работает. Их нужно усиливать в маркетинге: вытаскивать в карточку товара, в рекламные объявления, в ответы на вопросы покупателей. Если доставка получает 74% позитива — это конкурентное преимущество, а не просто служебная информация.

Отдельная работа с противоречиями. Если одна тема получает одновременно много похвал и много претензий — скорее всего это неоднородность. Разные партии, разные размеры, разные цвета ведут себя по-разному. Это сигнал к сегментированию: какие именно SKU получают негатив?

Сравнение с платными инструментами

Brand Analytics и аналогичные инструменты делают больше — мониторят новые отзывы в реальном времени, интегрируются с площадками напрямую, строят дашборды. Если нужен постоянный мониторинг репутации по сотням SKU — это их история.

Скрипт с Claude API лучше для разового или периодического глубокого анализа. Когда нужно понять «что конкретно происходит» — а не просто «сколько звёзд стало».

Магазин одежды из начала статьи обновил фотографии трёх самых продаваемых позиций. Через месяц рейтинг по кластеру «Соответствие фото» вырос с 11% до 44% позитива. Продажи по этим позициям восстановились примерно до прежнего уровня.

20 минут работы скрипта и 60 рублей на API. Против трёх месяцев падения продаж из-за проблемы которая была в данных с самого начала.

Источники

• Anthropic Claude API — документация и модели
• Wildberries API для продавцов — работа с отзывами
• Brand Analytics — сервис мониторинга репутации
• Яндекс.Маркет API для партнёров
• pandas — документация библиотеки для анализа данных