ИИ-агент, база знаний, автоматизация: как Фланг выстроил поддержку для 300+ магазинов Кантаты
Кантата — специализированная розничная сеть: более 300 магазинов по всей стране, интернет-магазин, склад, офис и партнеры по франшизе. Когда у сотрудника что-то не так с кассой, приложением или любым из рабочих инструментов — он пишет в поддержку. При таком масштабе это тысячи обращений каждый месяц.
Мы автоматизировали поддержку: внедрили ИИ-агента, выстроили базу знаний, подключили аналитику и убрали ручные процессы там, где они не нужны. Команда стала меньше, скорость ответа и охват — больше.
Что было
Запросы приходили отовсюду: Telegram, почта, телефон, личные сообщения в разных мессенджерах. Никакой общей очереди, никакого единого окна. Часть обращений терялась.
Аналитики по причинам обращений не было совсем. Команда отвечала на то, что пришло, и не видела картины целиком: какие вопросы повторяются каждый день, что можно было бы решить один раз.
Отдельная боль — обратная связь по задачам. Если проблему нельзя решить сразу (ждем релиз, нужна помощь QA), заводили задачу и… часто забывали сообщить о результате. Пользователь писал снова: «Ну что там?» Это создавало дополнительный поток обращений на ровном месте и дополнительный стресс для команды.
Сотрудники работали по 180–200 часов в месяц. Всё время уходило на входящий поток — чаты, ответы, отписки. На то, чтобы увидеть проблему шире и завести баг-репорт или задачу на доработку, времени не оставалось.
Поддержка — это не просто линия ответов. Это первая точка, где видны реальные боли продукта. Если она перегружена, сигнал до разработки не доходит.
Что сделали
Единый канал
Сначала разобрались с каналами. Отказались от телефонии, почты и разрозненных мессенджеров — оставили один вход через мессенджер. Обращения перестали теряться, сотрудники смогли вести несколько диалогов параллельно — по телефону так не получится. Скорость ответа выросла просто за счет того, что поток стал управляемым.
Параллельно настроили автоматические уведомления: когда обращение поступает, пользователь сразу получает подтверждение, что оно принято и обрабатывается. Раньше тишина воспринималась как игнор — и вызывала повторные сообщения.
Переход прошел не без сопротивления. Когда отказались от телефонии, часть пользователей восприняла это болезненно: в мессенджере не слышно, что происходит на том конце, — казалось, что задачу просто игнорируют. Решили автоматическими уведомлениями: обращение принято, сотрудник разбирается, скоро вернемся с ответом.
Теги и аналитика
Для каждого обращения ввели теги — около 20–25 категорий причин. Казалось бы, мелочь. Но именно отсюда впервые появилась реальная картина потока.
Один из первых инсайтов: 30% обращений — это консультации. Не поломки, не ошибки, а просто «как это сделать». Это стало важным ориентиром для дальнейшей автоматизации. Аналитика стала рабочим инструментом для продуктовых команд: на основе данных меняли интерфейсы, переписывали подсказки, дорабатывали логику там, где вопросы появлялись чаще всего.
ИИ-агент
Для первой линии разработали ИИ-агента. Технически: автоматизации на n8n, агент OpenAI, API сервисдеска UseDesk — и база знаний Фланг Брейн как источник ответов.
Логика простая: пришло обращение — сначала отвечает ИИ. Если вопрос типовой, закрывает сам. Если вопрос сложнее — в диалог подключается сотрудник.
Лучше всего агент справляется с вопросами по базовым функциям: как снять контрольную ленту, как посмотреть возврат, что нажать для открытия смены. С многошаговыми кассовыми сценариями хуже — там слишком много переменных и пользователи часто описывают ситуацию неполно. Такие обращения идут к человеку.
Сейчас агент закрывает около 30% всех обращений без участия сотрудника.
База знаний Фланг Брейн
Основа агента — база знаний Фланг Брейн. Удобный интерфейс: папки, заметки, онлайн-редактирование прямо в браузере. Базу пополняют сотрудники поддержки — после каждого релиза и по мере необходимости, когда по какой-то теме начинает приходить много вопросов.
На старте в базе хватало ответов меньше чем на 20% запросов. По мере наполнения агент стал работать точнее.
Дополнительно настроили автоматический сбор диалогов, на которые агент не смог ответить. Их регулярно разбирают, недостающее добавляют в Фланг Брейн — и агент начинает отвечать на эти вопросы. Практика подтвердила простое правило: хорошая база знаний = хороший ИИ-агент.
Новых сотрудников стало проще вводить в работу. Часть ответов они находят в базе сами, не отвлекая коллег.
Автоматизация обратной связи по задачам
Отдельно решили проблему «забытых» ответов. Если задача не решается сразу — заводится тикет в Яндекс Трекере, а обращение помечается специальным тегом. Каждый день система автоматически собирает задачи, которые обновились за сутки, находит среди них те, что созданы по пользовательским обращениям, — и сама отправляет пользователю статус. Сотрудник это больше не держит в голове. Пользователь узнает о результате без повторного обращения.
Прозрачность через DataLens
Ещё один инструмент — дашборд в Яндекс DataLens с обновлением в реальном времени: номер задачи, название, статус, ожидаемая дата решения. Смежные команды и сотрудники могут сами проверить статус задачи, не обращаясь в поддержку.
Результаты
Команда сократилась с 6 до 4 человек при том же объеме — 5000 обращений в месяц. Время первого ответа упало с 2 минут до 50 секунд. 30% обращений агент закрывает без участия человека.
Но главный результат, пожалуй, другой. Команда поддержки перестала только тушить входящий поток — появилось время замечать паттерны и заводить задачи для разработки.
Сотрудники Кантаты это почувствовали: удовлетворенность выросла в разы. Теперь поддержка получает только положительную обратную связь.