Levity и Zapier: обрабатываем отзывы клиентов с помощью ИИ

Современный бизнес все больше ориентирован на клиентов, и отзывы играют ключевую роль в оценке качества продукции или услуг. Исследование Harvard Business Review показало, что обращение к покупателям за обратной связью оставляет положительное впечатление.

Для эффективного процесса обработки и отслеживания отзывов помогают разнообразные электронные инструменты, включая зерокод-платформу Levity. Для чего еще можно использовать нейросети мы рассказываем на нашем бесплатном вебинаре. Покажем в прямом эфире, как быстро решать бизнес-задачи за считанные минуты.

Что можно автоматизировать

В зависимости от инструментов, используемых вами для бизнеса, есть три вещи, которые можно автоматизировать:

1. Сбор данных из разных источников (опросы в Typeform, отзывы в Shopify)
2. Степень доверия к анализу настроений, которая вас устраивает. Например, 75%
3. Результаты на основе степени доверия:

👍🏼 положительные отзывы клиентов

👎🏼 отрицательные отзывы

😑 недостаток доверия (доверительная оценка ≥75%)

ОНЛАЙН-ПРАКТИКУМ

ЗАПУСК DEEPSEEK R1 ЛОКАЛЬНО НА СВОЕМ КОМПЬЮТЕРЕ

ЧТО БУДЕТ НА ОБУЧЕНИИ?

• ПОКАЖЕМ, КАК РАЗВЕРНУТЬ МОДЕЛЬ DEEPSEEK R1 ПРЯМО НА СВОЁМ КОМПЬЮТЕРЕ
• Где и как применять? Потестируем модель после установки на разных задачах
• Как дообучить модель под себя?

Участвовать бесплатно

Симбиоз Levity и Zapier: пошаговое руководство

Процесс интеграции двух зерокодинговых сервисов может выглядеть так:

• Используем шаблон Sentiment (настроение). Он позволяет Levity работать с предварительно обученной моделью, которая выполняет классификацию настроения клиентов.

• В только что созданном блоке AI перейдем на вкладку «INTEGRATE», чтобы включить интеграцию с Zapier.

• Дальше забежим на официальный сайт Zapier и создадим новый Zap.
• Выберем любой триггер. Это может быть Google-документ или другой источник отзывов клиентов. Здесь важно указать все данные, которые нам нужны от клиента. Например, будет полезно добавить его электронную почту.
• Используем Levity для следующего шага и кликнем на фичу «Classify Text».

• Чтобы выдать достоверные оценки, Levity необходимо переформатировать результаты, поэтому нужно использовать Zapier’s Formatter. Жмем на «Utilities» и выбираем утилиты.

• При настройке действия лучше использовать преобразование «Line-item to Text» (содержание в текст). Затем в качестве входного значения выберем «Predictions Results Confidence» (достоверность результатов прогноза). Можно разделить эту запись символом «,».

• Levity предоставляет оценку уверенности для каждой классификации текста. Степень доверия к анализу настроений, помните? Мы говорили об этом вначале.

Следует основывать свои действия на показателе уверенности. У нас доверительный балл 75%. Это означает, что мы будем обрабатывать отзыв по-другому, если алгоритм менее чем на 75% уверен, что отзыв положительный или отрицательный.

1. Дальше шаги будут основаны на показателе уверенности, полученном в результате анализа настроений. Используем приложение Path и создаем три пути:

👍🏼 положительный отзыв

👎🏼 отрицательный отзыв

😑 недостаток доверия

2. Первый путь будет предназначен для положительных отзывов.

Выходной элемент 1 содержит оценку для положительной метки. Мы остановились на доверительной оценке 75%, поэтому ожидаем, что результат будет больше 0,749.

3. Второй путь будет отвечать за отрицательные отзывы.

Повторим действия для первого пути. Важно, чтобы был выбран выходной элемент 2.

4. Иногда доверительный балл может не превышать 75% ни для одной из меток (недостаток доверия). В этом случае нужно вручную настроить путь и обработать отзыв.

Вот и все! Автоматизировав эту важную часть своего бизнеса, вы сможете уделять больше времени другим процессам.