Как мы за неделю собрали MVP ИИ-продукта без лишних затрат
Привет. Я Александр Марчук, СЕО & Founder компании Get Free 24, внедряющей цифровых ассистентов и автоматизацию с ИИ, и сегодня хочу рассказать о том, как мы проверили гипотезу для сервиса аналитики для маркетплейсов Moneyplace за неделю — без долгих итераций, больших бюджетов и сложных интеграций.
Если вы работаете с продуктами, то точно знаете: гипотез много, а ресурсов всегда не хватает. Мы тоже сталкиваемся с этим постоянно — хочется внедрять полезные фичи, но при этом двигаться быстро. Поэтому, когда пришел запрос от заказчика сделать автоматические ответы на отзывы с помощью AI, мы решили проверить, насколько быстро мы запустим MVP и соберем метрики.
Спойлер: заказчик доволен. Рассказываю, как это было.
Контекст: зачем это нужно заказчику?
Сервис Moneyplace помогает продавцам на маркетплейсах анализировать данные, автоматизировать рутинные процессы и принимать решения.
Одна из ключевых задач владельцев сервиса — рост удержания пользователей.
Эта задача может быть решена через функциональность — автоматические ответы на отзывы. Селлерам важно отвечать на отзывы на Wildberries и Ozon, но делать это вручную долго и утомительно. У заказчика уже была эта функциональность, реализованная с помощью шаблонных сообщений. Гипотеза состояла в том, чтобы если мы внедрим персонализированные ответы и рекомендации с AI, то улучшим метрики лайф-тайма аудитории и конверсию в активацию.
Такие решения на рынке уже существуют, но заказчика волновало два вопроса:
- Сколько времени и ресурсов уйдёт на создание рабочего MVP, чтобы получить метрики?
- Будет ли результат достаточно качественным, чтобы был шанс значимо повлиять на метрики продукта?
Решили проверить на практике.
С чего начали: тестируем гипотезу
Для начала мы разбили MVP на минимальные элементы, чтобы не тратить время на избыточные детали. Главным было продемонстрировать заказчику, что AI в принципе может решить эту задачу быстро.
Вот что решили тестировать:
- Определяет ли AI тональность отзыва?
- Может ли он генерировать релевантные и человекоподобные, а не просто шаблонные ответы?
- Сможет ли AI рекомендовать другие товары селлера в ответах?
На первой встрече за 30 минут мы поняли, что можем запускаться прямо сейчас:
✅ Исторические данные есть
✅ AI-модель и платформа для автоматизации есть
✅ Остаётся соединить их и проверить, как оно работает.
Важно: успех мы мерили не просто по принципу "ответил или нет", а по качеству ответа — насколько он соответствует реальным ответам селлеров и влияет на вовлечённость пользователей.
Также каждый отзыв мы оценивали по следующим параметрам - Доставка, Размер, Упаковка, Качество товара, Цена - от 0 до 5.
Запуск MVP: первые проблемы и решения
На структуризацию данных заказчика ушло пара часов — мы обработали исторические отзывы и ответы по ряду магазинов, чтобы AI мог на них обучаться. Собрали в n8n несколько последовательных классификаторов, подключили модельки и запустили тест.
🚨 Первая проблема: AI писал вежливые ответы, но они не всегда отражали стиль конкретного селлера. Сложность в том, что у продавцов нет единого стандарта ответов, и модель не могла учитывать их индивидуальные особенности.
Решение: нужно собирать больше данных о продавце: либо проводя его через процесс анкетирования, либо парсить самостоятельно открытые источники.
🚨 Вторая проблема: негативные отзывы. AI отлично справлялся с нейтральными и позитивными отзывами, но на негативные реагировал слишком формально. Например:
— Мне привезли не тот товар.
— Спасибо за ваш отзыв! Будем стараться, чтобы в следующий раз было лучше.
Решение: доработать промпты, чтобы ИИшка генерировала более эмпатичные ответы.
Первые результаты: что получилось?
✅ Решение работает: оно классифицирует отзывы, подбирает ответы, но пока не всегда понимает тонкость контекста. Миф о сложности внедрений автоматизаций с ИИ - развенчан.
✅ Первые метрики: качество ответов (по субъективной оценке) — около 60%.
✅ Дальнейшие шаги: доработать решение и интегрировать его в боевые интерфейсы.
Главные выводы
Этот кейс показал, что даже без больших затрат можно протестить гипотезу с ИИ - меньше, чем за неделю.
Важно: когда работаешь над новым решением, главное — не стремиться к идеалу с первого шага. Куда важнее — сделать первую рабочую версию и как можно раньше получить обратную связь. Мы всегда исходим из того, что скорость запуска MVP даёт больше ценности, чем попытка вычистить всё до пикселя.
Сейчас у нас есть понимание, как внедрять такое решение, что дорабатывать и какие этапы развития будут у этой функциональности. Если всё сложится, наша команда быстро интегрирует его в продукт.
Что дальше?
Если у вас есть гипотеза, которую хочется протестировать быстро и без лишних затрат, приходите — расскажем, как это сделать.
Ну, а если вам просто интересны такие эксперименты, подписывайтесь и следите за нашими следующими тестами! 🚀