В 2024 году компания начала выстраивать систему работы с обратной связью. На тот момент Магнит получал около 2 000 отзывов в день — примерно 70 тысяч в месяц или 200 тысяч за квартал. Фидбеки касались разных точек взаимодействия: оценки магазинов, доставки и самовывоза, качества товаров, работы приложения и даже отдельных внутренних сервисов, например, журналов и категорий.

К началу 2025 года объем собранной обратной связи увеличился более чем в 75 раз. Цифры стали такими:

Однако резко выросший масштаб фидбеков выявил проблему: собранные данные практически не использовались. Только около 50% отзывов содержали развернутые комментарии, но их объем был таким, что прочитать все вручную было невозможно — на это ушло бы миллионы часов анализа.

На практике бизнесу приходилось ограничиваться формальной благодарностью за отзыв, а реальные проблемы оставались нераспознанными. Магазины теряли выручку, сотрудники — мотивацию, клиенты — доверие. Отзывы переставали восприниматься как инструмент улучшений и превращались в формальность.

Развивая подход к клиентскому опыту, команда Магнита выстроила системную работу с обратной связью в несколько этапов. Каждый следующий шаг базировался на предыдущих результатах и закрывал конкретные бизнес-задачи — от выявления взаимосвязей между фидбеками и выручкой до построения гибкой инфраструктуры сбора отзывов с высокой конверсией.

Перед внедрением AI-решений команда провела серию A/B-экспериментов. Цель — доказать, что клиентский опыт (CX) напрямую влияет на финансовые показатели. Гипотеза подтвердилась:

• Перевод 1% клиентов из критиков в промоутеры давал компании десятки миллионов рублей дополнительной выручки в месяц.
• Промоутеры тратят в среднем на 41% больше в месяц и совершают на 40% больше покупок по сравнению с критиками.

Это стало ключевым аргументом в пользу инвестиций в технологии анализа фидбеков.

Чтобы справиться с увеличенным объемом фидбеков, решили разработать в Магните ИИ-решение: AI-диагноста на базе LLM. Получилась система, способная классифицировать сотни тысяч отзывов в день по 80 параметрам. Эти параметры охватывают все аспекты клиентского опыта — от наличия ценников и чистоты магазина до поведения кассиров и удобства парковки.

Кроме тематики комментариев, модель определяет сантимент: позитивный, негативный или нейтральный тон сообщения. Все данные агрегируются в дашборд — «приборную панель» клиентского сервиса, которая позволяет в режиме реального времени видеть, где возникают проблемы.

Такой подход позволил централизованно управлять качеством сервиса: теперь, например, руководитель может за чашкой кофе открыть аналитику по магазину в Сочи и увидеть, почему возникли жалобы на работу касс.

Когда поток отзывов стал управляемым, возник новый вызов: клиентам казалось, что их мнения игнорируют. Тогда решили замкнуть фидбек-луп и создать решение, в котором клиент получал бы обратную связь на свой отзыв. Подобрав подходящие ИИ-технологии, Магнит запустил вторую модель — AI-терапевта. Ее задача — не просто анализировать отзыв, а инициировать конкретные действия и вернуть клиенту обратную связь.

Как работает процесс:

Замкнутый цикл фидбека усилил доверие пользователей к системе и повлиял на ключевые метрики — средний чек и повторные покупки.

Позже команда провела серию A/B-тестов и поняла, что это дает существенный рост среднего чека, а также влияет на количество повторных транзакций, которые делает какой-то клиент в конкретном магазине.

Анализ показал, что 30% магазинов недополучали фидбеки. Предполагалось, что это связано с ограниченным доступом к опросам — в основном они запускались через мобильное приложение. Команда решила протестировать новую гипотезу и разместить QR-коды с призывом оставить фидбек в магазинах.

Рост обратной связи произошел, но вскоре стало ясно, что значительная часть отзывов приходит от самих сотрудников. По стилю комментариев легко было понять: это не клиенты, а коллеги, оценивающие свою работу. От этого подхода решили отказаться.

Вместо широких форматов и баннеров разработали два новых канала сбора отзывов:

• Голосовой ассистент — легкий в использовании инструмент, который позволяет собрать отзыв в ненавязчивой форме, не перегружая клиента.
• ML-дирижер фидбеков — модель, которая анализирует историю взаимодействия клиента с брендом, прошлые фидбеки, предпочтения по формату (пуш, шторка в приложении и пр.), и инициирует запрос на фидбек в наиболее подходящий момент.

Теперь целевое действие (например, покупка или просмотр каталога) автоматически инициирует фидбек-запрос. Этот подход обеспечивает баланс между охватом, качеством данных и пользовательским комфортом.

Далее в дело включаются большие языковые модели, работающие в двух направлениях:

Сложные и проблемные кейсы
С помощью LLM Магнита они регистрируются в системе клиент-менеджмента, проходят через этапы обработки и устранения, после чего клиент получает ответ.

Бизнес-аналитика
Отпрепарированные фидбеки, разложенные по классам, поступают на дашборды внутри компании. В итоге искусственный интеллект в Магните позволяет менеджменту видеть реальную картину по каждому магазину и принимать точечные управленческие решения.

Опыт Магнита показывает, что с обратной связью важно работать постоянно. Люди готовы делиться мнением, особенно когда видят, что это не просто формальность. Чтобы извлечь из отзывов пользу, их нужно не только собирать, но и понимать, что именно за этим стоит, обрабатывать и возвращать клиенту понятную реакцию — что именно было сделано.

При этом важно не переоценивать технологии. Большие языковые модели отлично справляются со смысловой интерпретацией, когда нужно разложить по полочкам сложные и объемные тексты. Но не всегда они лучше классического ML или человека. Если задачу проще решить без них — так и надо делать.