Интеграция с Kaspi: Как автоматизировать обработку заказов с маркетплейса через CRM

Пятница вечер, за окном — первый снег. Звонит знакомый, у которого интернет-магазин товаров для дома. Голос на грани паники: «Запустили рекламу — трафик утроился. Только вот операторы не справляются. В чате сидят сорок человек в очереди. Люди просто уходят, не дождавшись. Что мне делать? Брать ещё пятерых на выходные срочно?»

Узнаёте ситуацию? Вот она, обратная сторона роста. Радуешься, что реклама выстрелила, а тут — бац — и обнаруживаешь узкое горлышко в сервисе. Проблема в том, что современные покупатели ждать категорически не умеют. Совсем. Я читал исследование: больше половины бросают корзину, если ответа нет в течение минуты. 60 секунд, Карл! Даже кофе не успеешь налить.

Раньше вариантов по сути было два. Первый — набрать толпу операторов. Дорого, муторно, а главное — текучка кадров убивает. Второй — поставить кнопочного бота, который радостно сообщает: «Нажмите 1 для доставки, 2 для оплаты». Клиенты от такого звереют, если честно. Но в последние пару лет появилась третья опция, которая меняет правила: LLM-боты. Боты на больших языковых моделях, если без аббревиатур.

Это уже не автоответчик с заготовками. Представьте: цифровой сотрудник, который реально понимает, что ему пишут обычным языком. Клиент набирает: «Хочу что-то тёплое на зиму, но не дороже тридцати тысяч» — и бот врубается. Он может предложить конкретную куртку, тут же проверить, есть ли нужный размер на ближайшем складе, подкинуть идею с перчатками со скидкой и выдать ссылку на оплату. Весь этот квест занимает секунд тридцать. Без единого живого человека.

Звучит как из будущего? Год назад, возможно, и звучало бы. Сейчас это уже рабочая реальность. Своими глазами видел fashion-магазин с 40 000 позиций, где бот закрывает 70% всех обращений. Среднее время ответа упало с пятнадцати минут до сорока секунд. А индекс удовлетворённости клиентов (CSAT, если кому важны термины) — растёт. Хотя люди общаются с машиной. Вот вам и парадокс.

Дальше я расскажу, как это всё работает изнутри. Что нужно подключить, чтобы бот не выглядел тупым. Какие задачи он реально может взять на себя, а где без человека не обойтись. На какие цифры смотреть, чтобы понять — работает это или нет. И главное — как запустить пилот за месяц, не развалив при этом текущие процессы. Погнали.

Суть за 30 секунд

Если у вас через пять минут совещание и нужна выжимка — держите. Но потом вернитесь за деталями, договорились?

Бот — это и продавец, и оператор в одном флаконе. Он не просто выдаёт «да» или «нет». Он ведёт клиента от первого вопроса до оформления: выясняет, что нужно, предлагает конкретный товар, проверяет остатки на складе рядом и помогает с доставкой. По сути, ваш лучший консультант, который не устаёт и не уходит на обед.

Три типа задач — три разных подхода. Запросы клиентов делятся на продажи, статусы заказов и возвраты. Для каждого — свой сценарий, свои подключения к системам и свои правила безопасности. Мешать их нельзя: представьте, что логика возврата случайно срабатывает при продаже. Кошмар.

Только правда, только в моменте. Бот обязан знать остатки и цены прямо сейчас. Если API каталога тормозит — он честно говорит: «Не могу уточнить, попробуйте через минуту». А не начинает фантазировать. Галлюцинации в e-commerce — это потерянные деньги и подорванное доверие.

Измеряем деньги, а не активность. Главные показатели — конверсия в заказ (CR), рост среднего чека (AOV) и процент вопросов, закрытых без оператора (Deflection). Количество отправленных сообщений — метрика для красоты, не более.

Безопасность — это не опция. Никаких данных карт в чате. Жёсткие запреты на самовольные скидки. Полное логирование каждого шага. Если клиент потом скажет: «Бот обещал мне скидку 90%!» — вы поднимете записи и всё покажете.

Пилот можно запустить за месяц. Три ключевых интеграции (каталог, заказы, CRM), тридцать тестовых сценариев, запуск на 10–20% посетителей и еженедельные разборы. Проверено, работает.

Архитектура: из чего состоит «мозг» бота

Вот тут начинается самое интересное — и самое недооценённое. Часто слышу: «Давайте просто подключим ChatGPT, пусть сам разбирается». Ага, щас. Языковая модель без данных — это как взять гениального стажёра в первый рабочий день. Умный, говорит красиво, схватывает на лету. Только вот понятия не имеет, где у вас прайс-лист и как устроен склад.

Чтобы бот реально помогал, а не генерировал новые проблемы — ему нужен доступ к информации. Представьте: наняли лучшего продавца в городе и заперли в тёмной комнате. Без компьютера, без телефона, без каталога. Сколько он продаст? Ноль. С ботом ровно та же история. Давайте разберём четыре системы, которые надо подключить обязательно.

Когда все четыре части работают слаженно — начинается магия. Клиент пишет: «Есть синие кроссовки 43 размера, чтобы завтра привезли?» Бот за секунду проверяет каталог (нашёл три модели), склад (две есть в городе клиента), логистику (завтра успеем, если оформить до 18:00) — и выдаёт ответ с конкретными вариантами и ценами. Без единого участия человека.

Про логирование: Каждое действие бота записывается. Это не паранойя. Клиент завтра скажет: «Бот обещал мне скидку 90%!» — вы поднимете логи и увидите, что на самом деле было сказано. Это юридическая страховка и одновременно инструмент для обучения: смотрите, где бот ошибается, и улучшаете промпты.

Как это выглядит для клиента: четыре типичных сценария

Хватит теории. Давайте посмотрим, как бот работает в реальных ситуациях. Выбрал самые частые кейсы из e-commerce: консультация по выбору товара, отслеживание посылки, возврат и персонализация. Каждый — это отдельный «навык», который надо настроить.

• «Помоги выбрать» — консультация и upsell

  Клиент пишет: «Ищу кроссовки для бега зимой, чтоб не скользили». Обычный бот что делает? Кидает ссылку на категорию «Кроссовки» и сливается. Умный бот копает глубже: «Какой размер? Вес кроссовок важен? Бегаете по асфальту или грунтовым дорожкам?» Потом лезет в систему, проверяет наличие на складе с быстрой доставкой, предлагает конкретную модель с объяснением, почему именно она.

  И вот тут начинается магия допродаж: «Кстати, к этим кроссовкам часто берут влагозащитные носки — они сейчас со скидкой 20%. Добавить?» Это не реклама в лоб. Это забота. И средний чек растёт сам собой.

• «Где мой заказ?» — WISMO-запросы

  WISMO (Where Is My Order) — пожалуй, самый частый вопрос в любом интернет-магазине. До 40% обращений в поддержку — именно про это. Раньше каждый такой запрос съедал у оператора минуту-две: найти заказ в системе, залезть в интерфейс курьерки, сформулировать ответ понятным языком.

  Теперь клиент пишет номер заказа (или бот сам находит его по телефону). Бот за секунду лезет в систему логистики, смотрит статус и выдаёт: «Вижу ваш заказ 12345. Сейчас у курьера, немного задерживается из-за пробок — будет примерно через 20 минут. Вот ссылка на карту, можете следить в реальном времени». Клиент успокоился, оператор освободился для сложных кейсов.

• «Не подошло, хочу вернуть» — оформление возвратов

  Возвраты — вечная головная боль e-commerce. С одной стороны, процесс нельзя усложнять, иначе клиент уйдёт и больше не вернётся. С другой — принимать всё подряд тоже нельзя: есть законодательные ограничения и политика магазина.

  Бот проверяет дату покупки (14 дней ещё не прошло?), категорию товара (это точно не нижнее бельё и не вскрытая косметика?). Если всё в порядке — сам генерирует накладную СДЭК или Почты России и шлёт штрих-код. Клиенту остаётся наклеить на коробку и отнести в пункт выдачи. Если возврат невозможен — бот объясняет причину, ссылаясь на закон. Не просто «нет», а развёрнутый ответ.

• «Вы меня помните?» — персонализация

  Это та самая штука, которая отличает хороший сервис от отличного. Клиент авторизовался (вошёл в личный кабинет или написал с привязанного мессенджера) — бот сразу видит всю историю покупок.

  «Привет, Анна! Как тот увлажняющий крем, что заказывали месяц назад? Кстати, у нас появилась сыворотка из той же серии — многие берут их вместе». Это не похоже на продажу. Это похоже на заботу. И вот эти мелочи превращают разовых покупателей в постоянных.

Метрики: что измерять, чтобы не обманывать себя

Тут хочу остановиться подробнее. Видел уже достаточно провалов именно на этом этапе. Компания внедряет бота, радуется красивым графикам («Ого, 50 000 сообщений за месяц отправил!») — и думает, что всё отлично. А потом внезапно оказывается, что продажи не выросли, клиенты раздражены, а операторы всё так же перегружены. Просто теперь они ещё и за ботом разгребают.

Поэтому — никаких «метрик тщеславия». Измеряем только то, что напрямую влияет на деньги и довольство клиентов. Пять показателей, которые стоит отслеживать каждую неделю.

Важный момент: все метрики смотрим в сравнении с «до бота». Нет базовых показателей? Соберите их хотя бы за пару недель до запуска. Иначе потом будет сложно доказать (в первую очередь самим себе), что бот реально что-то изменил.

Практический совет: Соберите эти пять метрик в один дашборд с обновлением в реальном времени. Когда пойдёте к руководству за бюджетом на масштабирование — этот дашборд скажет больше тысячи слов. Цифры убеждают лучше энтузиазма.

О чём переживают руководители (и зря ли)

Когда рассказываю про LLM-ботов, почти всегда слышу одни и те же страхи. Давайте разберём их честно — без маркетинговой шелухи.

«А вдруг он продаст телевизор за 5 тенге?»

Страх номер один, и он понятен. Языковые модели умеют «галлюцинировать» — выдавать уверенные, но совершенно неправильные ответы. Решение простое: жёсткое правило в системном промпте — цена берётся ТОЛЬКО из ответа API каталога. Если API молчит или вернул ошибку, бот обязан сказать: «Не могу сейчас уточнить цену, попробуйте через минуту или напишите оператору». Никакой отсебятины. Это прописывается на уровне архитектуры, а не надежды на «здравый смысл» модели.

«Он примет возврат товара, который нельзя возвращать»

Например, нижнее бельё или вскрытую косметику. Решение: бот не принимает решение сам. Он только проверяет условия по базе данных: категория товара (есть список невозвратных), срок покупки (больше 14 дней — отказ), состояние упаковки (нужно фото). Хотя бы один пункт не проходит — накладная не генерируется, клиент получает вежливый отказ со ссылкой на правила и закон. Это не AI решает — это бизнес-логика, зашитая в коде.

«Украдут данные карт через чат»

Это вообще не должно быть возможно технически. Бот НИКОГДА не просит номер карты в чате — это жёстко запрещено на уровне промпта и дополнительно проверяется фильтрами. Для оплаты он генерирует защищённую ссылку на платёжный шлюз (Kaspi, Epay, Stripe — что у вас настроено). В логах все персональные данные маскируются автоматически: вместо номера телефона видно «+7***123», вместо email — «a***@gmail.com».

«Он начнёт хамить клиентам или лезть в политику»

Системный промпт задаёт тон: вежливый, помогающий, нейтральный. Бот не имеет мнения о политике, религии, конкурентах — он просто не отвечает на такие вопросы, переводя разговор к товарам. Плюс на выходе стоит слой модерации, блокирующий токсичный контент до того, как он уйдёт клиенту.

«А если клиент специально попытается сломать бота?»

Так называемые «джейлбрейки» — попытки заставить бота вести себя неподобающе. Реальный риск, особенно в публичном чате. Решение: многоуровневая защита. Системный промпт с границами. Входной фильтр, распознающий подозрительные паттерны. Выходной фильтр. Регулярный аудит диалогов на аномалии. Ни одна защита не идеальна, но несколько слоёв вместе работают.

План запуска пилота: как взлететь за 30 дней

Месяц — это реалистичный срок для MVP. Не идеального решения, а работающего прототипа, который можно показать руководству и получить зелёный свет на масштабирование. Вот как распределить время.

Дни 1–5: разведка и аналитика.

Выгрузите логи чатов за последний месяц. Прочитайте их. Да, руками — хотя бы выборку из сотни. Выделите топ-50 самых частых вопросов. Спорим, там будет: «Где мой заказ?», «Как вернуть?», «Есть в наличии?», «Когда доставка?». Эти 50 вопросов — и есть ваш MVP. Не пытайтесь охватить всё и сразу.

Неделя 2: интеграции — «руки» для бота.

Настраивайте API-коннекторы. Минимум: каталог товаров (цены, остатки, характеристики), система заказов (статусы, история), CRM (для передачи лидов и сложных кейсов). Это техническая работа, понадобится ваш IT-отдел или интегратор. Не экономьте здесь время — кривые интеграции потом аукнутся.

Неделя 3: промпты и тестирование — «мозги» бота.

Пишете системные инструкции, сценарии, примеры ответов. Создаёте тестовый набор из 30–50 кейсов: простые вопросы, сложные, провокации, попытки «сломать» бота. Гоняете его, пока не начнёт стабильно отвечать правильно. Итеративный процесс — будете переписывать промпты раз десять. Это нормально.

Неделя 4: тихий запуск на части трафика.

Включаете бота на 10–20% посетителей. Не на всех сразу! Пусть рядом сидит человек и мониторит диалоги в реальном времени. Первые дни будут косяки — для того и пилот. Исправляете на ходу. Если стабильно — постепенно увеличиваете долю до 100%.

Финал: ретроспектива и решение.

Через месяц работы смотрите на метрики. Deflection выше 50% (бот решает больше половины вопросов сам), CSAT не упал (а лучше вырос), критичных инцидентов нет — пилот успешен. Можно идти к руководству за бюджетом на полноценное внедрение.

Реальный пример: fashion-ритейлер с 40 000 товаров

Теория — это хорошо, но давайте посмотрим на живые цифры. Кейс казахстанского бренда одежды, с которым работали в прошлом году.

Стартовая ситуация: каталог на 40 000 SKU, средний чек около 46 000 тенге, продажи через сайт и Instagram. Проблема: в сезон распродаж (ноябрь–декабрь) колл-центр захлёбывался. Операторы не успевали, среднее время ожидания доходило до 15 минут, до 30% обращений терялись — клиенты просто уходили.

Владельцы думали нанять ещё людей на сезон. Но это дорого и долго: обучить, а потом ещё увольнять после спада. Решили попробовать LLM-бота.

Важная деталь: операторов не уволили. Их просто перестали дёргать по мелочам. Теперь они занимаются тем, что умеют лучше всех — решают сложные случаи, работают с VIP-клиентами и разруливают конфликты.

Частые вопросы

За последний год провёл десятки консультаций по LLM-ботам для e-commerce. Вот вопросы, которые задают почти всегда.

Что почитать дальше

Если тема автоматизации клиентского сервиса зацепила, вот статьи, которые дополнят картину:

• Token-экономика: как не разориться на счетах за AI — важно понимать, сколько стоит каждый диалог, особенно при масштабировании.
• Качество данных: фундамент для любого AI-проекта — если в каталоге бардак, бот не поможет. Начните с данных.
• Fine-tuning vs RAG: выбираем правильную технологию — когда обучать свою модель, а когда достаточно подключить базу знаний.