Коммерческое предложение: МаркетМайнд
AI-система для автоматических ответов на вопросы и отзывы покупателей на маркетплейсах
Версия: 1.0 Дата: 8 апреля 2026 Клиент: Группа компаний RTP Подготовил: AiDevTeam
Содержание
Часть I: Коммерческое предложение
- О проекте
- Текущие процессы и боли
- Архитектура решения
- Пакеты услуг
- Сравнение пакетов
- Ядро системы
- Дополнительные опции
- Конфигурации и сроки
- Наша рекомендация
- Бизнес-выгоды (ROI)
Часть II: Техническое задание
- Границы MVP
- Компоненты системы
- Модель данных
- API-спецификация
- Пользовательские сценарии
- Команда проекта
- Дорожная карта и план спринтов
- Предварительные исследования
- Стратегия тестирования
- Развёртывание и инфраструктура
- Критерии приёмки
- Нефункциональные требования
Часть III: Коммерческие условия
- Как мы работаем
- Условия оплаты
- Ежемесячные расходы
- Риски и митигация
- Гарантии
- Требования к клиенту
- Что не входит
- Открытые вопросы
- Перспективы развития
- Глоссарий
- Следующие шаги
Главное
Ситуация
Группа компаний RTP — российский производитель инженерной сантехники и товаров для дома с выручкой свыше 7 млрд руб, тремя заводами и более чем 400 000 выполненных заказов на Ozon. Три бренда (RTP, VERDE, PURO), четыре магазина на маркетплейсах, более 4 000 товарных карточек. Каждый день покупатели оставляют свыше 1 000 вопросов и отзывов — от простого «спасибо, всё отлично» до сложных технических: совместимость труб PEX-a, допустимое давление, монтаж по ГОСТ. Только на одном SKU (PURO Mini) накопилось более 550 вопросов покупателей, значительная часть которых ждёт ответа.
Сейчас на обработку тратится 50–120 тыс. руб/мес на SaaS-сервисы, которые не справляются со сложными вопросами и не знают вашу продукцию. При этом сами маркетплейсы уже запустили встроенные AI-ответчики (Ozon — в апреле 2026, Wildberries — в феврале 2026), но они работают по шаблонам и не знают специфику ваших товаров. Каждый неотвеченный вопрос — это потерянная продажа и снижение рейтинга.
Что вы получите
| # | Результат | Эффект |
|---|---|---|
| 1 | 80–90% вопросов и отзывов обрабатываются автоматически | Экономия 2–3 ставок операторов (~150 000 руб/мес) |
| 2 | Ответы неотличимы от живого сотрудника | Рейтинг продавца растёт, покупатели доверяют |
| 3 | Система знает вашу продукцию: ГОСТ, давление, совместимость | Сложные вопросы получают экспертный ответ за минуты, а не дни |
| 4 | Ежемесячные расходы на инфраструктуру: 15–25 тыс. руб | Экономия до 100 тыс. руб/мес по сравнению с текущим SaaS |
Один продукт — три уровня автоматизации
МаркетМайнд — это ваша собственная AI-система, которая живёт на выбранной вами инфраструктуре. Она изучает базу знаний компании (каталоги, техдокументацию, историю ответов), генерирует ответы голосом каждого бренда и учится на обратной связи операторов. Начинаем с одного маркетплейса — масштабируем на все площадки.
Инвестиция
| Конфигурация | Что вы получаете | Срок | Цена |
|---|---|---|---|
| Пилот | 1 маркетплейс, 1 бренд, отзывы | 8–10 нед. | 835 000 руб |
| Старт | 2 маркетплейса, 3 бренда, отзывы + вопросы | 10–12 нед. | 1 330 000 руб |
| Бизнес | + самообучение, аналитика, Yandex Market | 12–14 нед. | 1 760 000 руб |
| Премиум | + выделенный GPU, A/B тестирование, brand voice | 14–16 нед. | 2 220 000 руб |
Рекомендация: пакет «Бизнес» — полная автоматизация с самообучением. Окупается за 8–10 месяцев за счёт экономии на SaaS и операторах.
Почему AiDevTeam
- Знаем маркетплейсы изнутри — интеграция через официальные API Ozon, Wildberries и Yandex Market, а не через ненадёжный браузерный парсинг
- AI — наш основной бизнес — создаём интеллектуальные системы с нуля, а не перепродаём чужие SaaS
- Гибкая инфраструктура — вы не привязаны к одному провайдеру: от облачного API до собственного GPU-сервера
- Самообучение вместо ручной настройки — система становится лучше с каждым ответом, а не деградирует со временем
Как читать этот документ
| Раздел | Для кого | Что узнаете |
|---|---|---|
| Часть I (секции 1–10) | Руководитель, принимающий решение | Что получите, сколько стоит, почему выгодно |
| Часть II (секции 11–22) | Технический специалист, IT-отдел | Как устроена система, из чего состоит, как тестируется |
| Часть III (секции 23–33) | Руководитель + юрист | Условия оплаты, гарантии, риски, следующие шаги |
Часть I: Коммерческое предложение
1. О проекте
МаркетМайнд — AI-система для автоматической обработки вопросов покупателей и ответов на отзывы на маркетплейсах Ozon, Wildberries и Yandex Market.
Система создаётся специально для группы компаний RTP с учётом специфики двух принципиально разных продуктовых линеек:
-
Инженерная сантехника (RTP) — трубы PEX-a, фитинги, системы отопления. Требуют глубокой технической экспертизы: давление, совместимость, стандарты ГОСТ, монтажные схемы. Ошибка в ответе может привести к неправильному монтажу.
-
Товары для дома (VERDE, PURO) — швабры, вёдра, системы уборки. Высокий объём простых вопросов (комплектация, использование, уход), но есть и нетривиальные: совместимость насадок, модульные системы PURO.
Ключевые цифры проекта:
| Параметр | Значение |
|---|---|
| Бренды | 3 (RTP, VERDE, PURO) |
| Магазины на маркетплейсах | 4 |
| Активных карточек товаров | ~4 000 |
| Уникальных товаров | ~1 200 |
| Вопросов и отзывов в сутки | 1 000+ |
| Текущие затраты на SaaS | 50–120 тыс. руб/мес |
2. Текущие процессы и боли
| Проблема (из разговора с клиентом) | Решение МаркетМайнд |
|---|---|
| «Бывают сложные технические вопросы, которые должен отвечать человек — даже то количество, которое есть, человек не в состоянии обработать» | AI с базой знаний по каждому продукту отвечает на технические вопросы за секунды, не за дни |
| «Программы уже есть, но там подписка, и тариф наш очень высокий» | Собственная система: 15–25 тыс. руб/мес вместо 50–120 тыс. руб/мес за SaaS |
| «Программа должна быть самообучаемой» | Каждый одобренный/исправленный оператором ответ улучшает систему — через 3 месяца точность превышает 85% |
| Стандартные отзывы (4–5 звёзд) получают шаблонный «спасибо за обращение» | Каждый ответ уникален: варьируется тон, структура, обращение — как от живого сотрудника |
| Более 550 вопросов покупателей на одном товаре (PURO Mini) — значительная часть без ответа | Система обрабатывает очередь вопросов в порядке приоритета: сначала свежие, затем накопленные |
| Ответы должны выглядеть как от живого человека | Имитация человека: случайные задержки, вариативность фраз, разный стиль для каждого бренда |
3. Архитектура решения
flowchart TB
subgraph MP["Маркетплейсы"]
OZ["Ozon"]
WB["Wildberries"]
YM["Yandex Market"]
end
subgraph Core["МаркетМайнд"]
GW["Сборщик"]
CL["Классификатор"]
RAG["Поиск по базе"]
LLM["Генерация ответа"]
HUM["Имитация человека"]
MOD["Маршрутизатор"]
end
subgraph KB["База знаний"]
VDB["Вектора + BM25"]
GRAPH["Граф продуктов"]
DOCS["Каталоги и ГОСТ"]
end
subgraph Admin["Управление"]
DASH["Дашборд"]
TRAIN["Обучение"]
end
OZ --> GW
WB --> GW
YM --> GW
GW --> CL
CL --> RAG
RAG --> VDB
RAG --> GRAPH
RAG --> DOCS
RAG --> LLM
LLM --> HUM
HUM --> MOD
MOD -->|авто| GW
MOD -->|на проверку| DASH
DASH --> GW
TRAIN --> LLM
style MP fill:#172554,stroke:#3b82f6
style Core fill:#14532d,stroke:#22c55e
style KB fill:#3b0764,stroke:#a855f7
style Admin fill:#78350f,stroke:#f59e0b
Как это работает:
- Сборщик опрашивает API маркетплейсов каждые 5–15 минут, забирает новые вопросы и отзывы
- Классификатор определяет тип обращения: простой отзыв, технический вопрос, жалоба, вопрос по доставке
- Поиск по базе находит релевантную информацию: характеристики товара, техдокументацию, похожие прошлые ответы
- Генерация ответа — LLM формирует ответ на основе найденных данных и правил бренда
- Имитация человека — добавляет естественные задержки (45–600 сек), варьирует фразы, учитывает рабочие часы
- Маршрутизатор решает: отправить автоматически (уверенность > 85%) или передать оператору на проверку
4. Пакеты услуг
4.1. Пакет «Пилот» — быстрый старт на одном бренде
Цель: доказать эффективность AI-ответов на реальных данных за 2 месяца
Что входит:
| # | Модуль | Описание |
|---|---|---|
| 1 | Интеграция с Ozon | Получение и публикация ответов на отзывы через API |
| 2 | Интеллектуальная база знаний | Гибридный поиск (вектора + BM25) + граф продуктов бренда PURO (совместимость, аксессуары) |
| 3 | LLM-движок (облачный) | Генерация ответов через API — минимальные затраты на инфраструктуру |
| 4 | Имитация человека | Случайные задержки, вариативность фраз, естественный тон |
| 5 | Базовая админ-панель | Просмотр ответов, одобрение/редактирование, статистика |
| 6 | Деплой и запуск | Развёртывание на выбранной инфраструктуре + настройка |
Бизнес-результат:
- Автоматизация 60–70% ответов на отзывы бренда PURO на Ozon
- Разгрузка 550+ накопленных вопросов покупателей (PURO Mini)
- Первые метрики качества через 2 недели после запуска
Стоимость: 835 000 руб | Срок: 8–10 недель
Что вы НЕ получаете в Пилоте:
| Без этого | Цена бездействия |
|---|---|
| Нет Wildberries | 40–50% вопросов остаются без автоматизации |
| Нет ответов на вопросы (только отзывы) | Самые ценные обращения (предпродажные вопросы) обрабатываются вручную |
| Только 1 бренд из 3 | Два бренда продолжают терять продажи из-за медленных ответов |
| Нет самообучения | Качество не растёт со временем — нужна ручная донастройка |
4.2. Пакет «Старт» — два маркетплейса, все бренды
Включает всё из «Пилота» +
| # | Модуль | Описание |
|---|---|---|
| 7 | Интеграция с Wildberries | Получение и публикация ответов на отзывы и вопросы через WB API |
| 8 | Ответы на вопросы (Ozon + WB) | Отдельный пайплайн для предпродажных вопросов с повышенной точностью |
| 9 | Мультибренд | Три отдельные базы знаний (RTP, VERDE, PURO) + три голоса бренда |
| 10 | Модерация сложных | Интерфейс для оператора: очередь сложных вопросов, быстрое одобрение/редактирование |
| 11 | Приоритизация | Негативные отзывы (1–2 звезды) и технические вопросы обрабатываются первыми |
| 12 | Автообогащение БЗ | При эскалации менеджер выбирает: «Только клиенту» или «В базу знаний» — БЗ пополняется автоматически |
Бизнес-результат:
- 80–85% автоматизация по всем 3 брендам на 2 площадках
- Предпродажные вопросы конвертируют на 15–25% больше (ответ за минуты, а не дни)
- Один оператор вместо трёх — модерация только сложных случаев
Стоимость: 1 330 000 руб | Срок: 10–12 недель
Бонусы (бесплатно):
- Миграция существующей базы знаний из Excel/PDF в векторную БД (обычно ~40 000 руб)
- Настройка голоса бренда для каждого из 3 брендов (обычно ~30 000 руб)
Общая стоимость бонусов: ~70 000 руб
Что вы НЕ получаете в Старте:
| Без этого | Цена бездействия |
|---|---|
| Нет самообучения | Качество стабильное, но не растёт — промпты правятся вручную |
| Нет аналитики | Не видите, какие товары вызывают больше вопросов и почему |
| Нет Yandex Market | Третья площадка без автоматизации |
4.3. Пакет «Бизнес» — самообучение и аналитика
Включает всё из «Старта» +
| # | Модуль | Описание |
|---|---|---|
| 12 | Самообучение (SFT) | Система учится на каждом одобренном/исправленном ответе оператора |
| 13 | Тонкая настройка (DPO) | Оптимизация на основе пар «хороший/плохой ответ» — после 500+ примеров |
| 14 | Аналитический дашборд | Топ вопросов, проблемные товары, динамика качества, метрики по брендам |
| 15 | Полный автомат (простые) | Ответы на стандартные отзывы (4–5 звёзд) отправляются без модерации |
| 16 | Интеграция с Yandex Market | Третья площадка — бесплатный API, webhooks для мгновенных уведомлений |
| 17 | Валидация знаний | Автопроверка добавленных менеджером ответов: дедупликация, фильтрация контекст-специфичных данных |
Бизнес-результат:
- 85–90% автоматизация, качество растёт каждую неделю
- Целевой показатель: >85% одобрения без правок к 3-му месяцу
- Аналитика показывает, какие карточки товаров нужно улучшить (снижение потока вопросов)
- Три маркетплейса покрыты полностью
Стоимость: 1 760 000 руб 1 850 000 руб (скидка 5% на «Старт») | Срок: 12–14 недель
Бонусы (бесплатно):
- Всё из «Старта» +
- Обучающая сессия для команды (4 часа): работа с дашбордом, модерация, обучение AI (обычно ~50 000 руб)
- Оптимизация промптов под ваш каталог (обычно ~40 000 руб)
Общая стоимость бонусов: ~180 000 руб (бонусы ~90 000 руб + скидка ~90 000 руб)
Что вы НЕ получаете в Бизнесе:
| Без этого | Цена бездействия |
|---|---|
| Нет выделенного GPU | Зависимость от облачного API-провайдера (цены могут вырасти) |
| Нет A/B тестирования промптов | Оптимизация вслепую — не знаете, какой стиль ответа конвертирует лучше |
4.4. Пакет «Премиум» — полный контроль и масштаб
Включает всё из «Бизнеса» +
| # | Модуль | Описание |
|---|---|---|
| 17 | GPU on-demand | Собственная LLM на арендуемом GPU (почасовая оплата) — полная независимость от API-провайдеров |
| 18 | A/B тестирование промптов | Автоматический поиск лучших формулировок: сравнение стилей, тона, структуры ответов |
| 19 | Brand Voice Engine | Тонкая настройка голоса каждого бренда: RTP — эксперт-инженер, VERDE — дружелюбный помощник, PURO — премиальный консьерж |
| 20 | Кастомные отчёты | Еженедельные/ежемесячные отчёты по метрикам в формате клиента |
Бизнес-результат:
- 90–95% автоматизация, нулевая зависимость от внешних API
- A/B тесты находят оптимальный стиль ответа: +5–10% к конверсии
- Бренды звучат по-разному, но одинаково профессионально
- Масштабируется на любое количество SKU и площадок
Стоимость: 2 220 000 руб 2 465 000 руб (скидка 10% на «Бизнес») | Срок: 14–16 недель
Бонусы (бесплатно):
- Всё из «Бизнеса» +
- Приоритетная техподдержка (SLA 4 часа) на 6 месяцев (обычно ~60 000 руб)
- Персональный аккаунт-менеджер на 3 месяца (обычно ~90 000 руб)
Общая стоимость бонусов: ~485 000 руб (бонусы ~240 000 руб + скидка ~245 000 руб)
Бонус на будущую разработку: 150 000 руб на доработки и новые модули
- Действует 12 месяцев с момента запуска
- Покрывает не более 50% от суммы нового заказа
- Применяется к: новые модули, интеграции, кастомизации, расширения
5. Сравнение пакетов
| Возможность | Пилот | Старт | Бизнес | Премиум |
|---|---|---|---|---|
| Ozon — отзывы | ✓ | ✓ | ✓ | ✓ |
| Ozon — вопросы | — | ✓ | ✓ | ✓ |
| Wildberries | — | ✓ | ✓ | ✓ |
| Yandex Market | — | — | ✓ | ✓ |
| Количество брендов | 1 | 3 | 3 | 3 |
| Гибридный поиск (вектора + BM25) | ✓ | ✓ | ✓ | ✓ |
| Граф продуктов (совместимость) | ✓ | ✓ | ✓ | ✓ |
| Имитация человека | ✓ | ✓ | ✓ | ✓ |
| Мультибренд (голос) | — | ✓ | ✓ | ✓ |
| Модерация сложных | — | ✓ | ✓ | ✓ |
| Автообогащение БЗ (эскалация) | — | ✓ | ✓ | ✓ |
| Валидация знаний (дедупликация) | — | — | ✓ | ✓ |
| Самообучение (SFT/DPO) | — | — | ✓ | ✓ |
| Аналитический дашборд | — | — | ✓ | ✓ |
| Полный автомат (простые) | — | — | ✓ | ✓ |
| GPU on-demand | — | — | — | ✓ |
| A/B тестирование промптов | — | — | — | ✓ |
| Brand Voice Engine | — | — | — | ✓ |
| Кастомные отчёты | — | — | — | ✓ |
| Стоимость | 835 000 | 1 330 000 | 1 760 000 | 2 220 000 |
| Скидка | — | — | 5% | 10% |
| Бонусы | — | ~70 000 | ~160 000 | ~485 000 |
6. Ядро системы
Ядро — это фундамент, который входит в каждый пакет. Без него система не работает.
| # | Компонент | Описание |
|---|---|---|
| Я1 | Архитектура и инфраструктура | Контейнеризация, CI/CD, мониторинг, логирование |
| Я2 | Интеграция с Ozon API | Получение отзывов, публикация ответов, обработка статусов |
| Я3 | LLM-движок (облачный) | Генерация ответов через API-провайдер — быстрый старт, минимум затрат |
| Я4 | Интеллектуальная база знаний | Гибридный поиск (вектора + BM25), граф продуктов (совместимость, аксессуары), embeddings |
| Я5 | Модуль имитации человека | Стохастические задержки (45–600 сек), вариативность фраз, учёт рабочих часов |
| Я6 | Классификатор обращений | Определение типа: отзыв/вопрос, простой/сложный, рейтинг, бренд |
| Я7 | Маршрутизатор | Авто-отправка (уверенность > 85%) или передача на модерацию |
| Я8 | Базовая админ-панель | Лог ответов, статусы, ручное одобрение/отклонение |
| Я9 | Деплой и запуск | Развёртывание, настройка, первичная загрузка базы знаний |
flowchart TB
subgraph core["Ядро"]
Y1["Я1: Инфра"]
Y2["Я2: Ozon API"]
Y3["Я3: LLM"]
Y4["Я4: RAG"]
Y5["Я5: Имитация"]
Y6["Я6: Классификатор"]
Y7["Я7: Маршрутизатор"]
Y8["Я8: Админка"]
end
subgraph packages["Пакетные модули"]
WB["WB API"]
YM["YM API"]
MULTI["Мультибренд"]
LEARN["Самообучение"]
GPU["GPU on-demand"]
AB["A/B тесты"]
end
core --> packages
style core fill:#14532d,stroke:#22c55e
style packages fill:#172554,stroke:#3b82f6
7. Дополнительные опции
Независимые модули — можно добавить к любому пакету. Это возможности, которые выведут проект на новый уровень.
| Опция | Что даёт | Стоимость | Wow-эффект |
|---|---|---|---|
| О1. Telegram-дашборд | Мгновенные уведомления о сложных вопросах, статистика за день | 120 000 руб | Менеджер реагирует за минуты, не заходя в админку |
| О2. Конкурентный анализ отзывов | Парсинг и анализ отзывов конкурентов, выявление их слабых мест | 195 000 руб | Знаете, на что жалуются клиенты конкурентов |
| О3. FAQ-генератор | Автоформирование FAQ из частых вопросов для улучшения карточек | 145 000 руб | Карточки обновляются сами — поток вопросов снижается |
| О4. Детектор проблемных партий | Анализ паттернов в негативных отзывах для раннего выявления брака | 185 000 руб | Узнаёте о браке раньше, чем отдел качества |
| О5. Мультиплатформенная аналитика | Сравнительный дашборд: метрики по всем площадкам в одном окне | 170 000 руб | Видите всю картину, а не 3 отдельных кабинета |
Опции О3 и О4 — то, что клиенты обычно не просят, но получив, говорят: «Как мы раньше без этого жили?»
8. Конфигурации и сроки
| Конфигурация | Пакет | Опции | Срок | Стоимость |
|---|---|---|---|---|
| Минимальная | Пилот | — | 8–10 нед. | 835 000 |
| Оптимальная | Старт + О1 | Telegram-дашборд | 10–12 нед. | 1 450 000 |
| Рекомендуемая | Бизнес + О3 + О4 | FAQ + Детектор | 12–14 нед. | 2 085 000 |
| Максимальная | Премиум + все опции | О1–О5 | 16–18 нед. | 3 035 000 |
Опции разрабатываются параллельно с основным пакетом и не увеличивают срок более чем на 1–2 недели.
9. Наша рекомендация
Для вашей ситуации мы рекомендуем пакет «Бизнес» с опциями FAQ-генератор и Детектор проблемных партий:
- Три маркетплейса покрыты полностью — Ozon, Wildberries, Yandex Market. При 1 000+ обращений в сутки нельзя оставлять ни одну площадку без автоматизации
- Самообучение — это главное преимущество перед SaaS-конкурентами. Система учится на ваших данных и через 3 месяца знает продукцию лучше, чем средний оператор
- FAQ-генератор снижает поток вопросов — если карточка товара содержит ответ на типичный вопрос, покупатель не задаёт его. Это работает на опережение
- Детектор проблемных партий — при 4 000 SKU и 166 000+ отзывов, паттерны в негативных отзывах видны AI раньше, чем людям
- Рыночный контекст: Ozon и Wildberries уже запустили встроенные AI-ответчики (2026), но они работают по общим шаблонам без вашей базы знаний. МаркетМайнд знает ваши ГОСТ, давления, совместимость — это преимущество, которое встроенные инструменты маркетплейсов не дадут
Инвестиция: 2 090 000 руб (пакет 1 760 000 + опции 330 000) Окупаемость: 8–10 месяцев (экономия ~200 000 руб/мес на SaaS + операторах) Срок реализации: 12–14 недель
10. Бизнес-выгоды (ROI)
| # | Выгода | Эффект |
|---|---|---|
| 1 | Экономия на SaaS | 50–120 тыс. руб/мес → 15–25 тыс. руб/мес = экономия до 100 тыс. руб/мес |
| 2 | Экономия на персонале | 2–3 оператора → 1 модератор сложных = экономия ~120 тыс. руб/мес |
| 3 | Рост конверсии | Ответ на предпродажный вопрос за минуты, а не дни → +15–25% конверсия из вопроса в покупку |
| 4 | Рост рейтинга продавца | 95%+ скорость ответа повышает видимость карточек в поиске маркетплейса |
| 5 | Снижение потока вопросов | FAQ-генератор улучшает карточки → на 20–30% меньше повторяющихся вопросов за 6 месяцев |
| 6 | Раннее обнаружение брака | Детектор находит паттерны в негативных отзывах до того, как проблема станет массовой |
Расчёт окупаемости (пакет «Бизнес»):
| Статья | Сейчас | С МаркетМайнд | Экономия |
|---|---|---|---|
| SaaS-сервисы | 85 000 руб/мес | 0 руб/мес | 85 000 |
| Инфраструктура | — | 20 000 руб/мес | −20 000 |
| Операторы (3 чел.) | 180 000 руб/мес | 60 000 руб/мес (1 чел.) | 120 000 |
| Итого в месяц | 265 000 | 80 000 | 185 000 |
| Итого в год | 3 180 000 | 960 000 | 2 220 000 |
Инвестиция 1 760 000 руб окупается за ~9.5 месяцев. Со 2-го года — чистая экономия ~2.2 млн руб/год.
Экономика платформы: второй и последующие модули
| Параметр | Первый модуль | Последующие |
|---|---|---|
| Инфраструктура | Создаётся с нуля | 0 руб — уже есть |
| RAG-движок | Создаётся с нуля | 0 руб — переиспользуется |
| Админ-панель | Создаётся с нуля | 0 руб — расширяется |
| Интеграция с площадкой | 100% | 30–50% (шаблон есть) |
| Итого стоимость | 100% | 30–50% от аналогичного |
Часть II: Техническое задание
11. Границы MVP
Ядро (обязательно)
| # | Компонент | Зависимости |
|---|---|---|
| Я1 | Инфраструктура (контейнеры, CI/CD, мониторинг) | — |
| Я2 | Ozon API интеграция | Я1 |
| Я3 | LLM-движок (облачный API) | Я1 |
| Я4 | RAG-система (векторная БД, embeddings) | Я1, Я3 |
| Я5 | Имитация человека (задержки, вариативность) | Я3 |
| Я6 | Классификатор обращений | Я3, Я4 |
| Я7 | Маршрутизатор (авто/модерация) | Я6 |
| Я8 | Админ-панель | Я1, Я7 |
| Я9 | Деплой и запуск | Все |
Пакетные модули
| # | Модуль | Пакет | Зависимости |
|---|---|---|---|
| М1 | WB API интеграция | Старт+ | Я1, Я2 (шаблон) |
| М2 | Ответы на вопросы | Старт+ | Я4, Я6 |
| М3 | Мультибренд (3 базы + 3 голоса) | Старт+ | Я4, Я5 |
| М4 | Модерация сложных | Старт+ | Я7, Я8 |
| М4.1 | Автообогащение БЗ (эскалация → «В базу знаний») | Старт+ | М4, Я4 |
| М5 | Самообучение SFT | Бизнес+ | Я3, Я4, М4 |
| М5.1 | Валидация знаний (дедупликация, фильтрация) | Бизнес+ | М4.1, Я4 |
| М6 | Тонкая настройка DPO | Бизнес+ | М5 |
| М7 | Аналитический дашборд | Бизнес+ | Я8 |
| М8 | Yandex Market API | Бизнес+ | Я1, Я2 (шаблон) |
| М9 | GPU on-demand | Премиум | Я3 |
| М10 | A/B тестирование промптов | Премиум | Я3, М5 |
| М11 | Brand Voice Engine | Премиум | М3, М5 |
| М12 | Кастомные отчёты | Премиум | М7 |
12. Компоненты системы
12.1. Интеллектуальная база знаний
Назначение: Поиск релевантной информации по базе знаний для формирования точного ответа. Это ключевой дифференциатор МаркетМайнд — SaaS-конкуренты работают по шаблонам, а наша система знает каждый товар, каждый ГОСТ и каждую совместимость.
flowchart TB
Q["Вопрос"] --> EMB["Embedding"]
Q --> BM["BM25"]
EMB --> VEC["Вектора"]
BM --> KEY["Ключевые слова"]
VEC --> RRF["Гибридный ранжир"]
KEY --> RRF
GRAPH["Граф продуктов"] --> RRF
RRF --> CTX["Контекст"]
CTX --> LLM["LLM"]
LLM --> ANS["Ответ"]
style RRF fill:#14532d,stroke:#22c55e
style GRAPH fill:#3b0764,stroke:#a855f7
Три канала поиска:
| Канал | Что находит | Когда полезен |
|---|---|---|
| Векторный поиск | Семантически похожие фрагменты (embeddings) | «Подходит ли для тёплого пола?» → находит спецификации |
| BM25 (ключевые слова) | Точные совпадения терминов (ГОСТ, артикул, диаметр) | «ГОСТ 32415-2013» → находит конкретный стандарт |
| Граф продуктов | Связи: совместимость, аксессуары, альтернативы | «Какие фитинги подходят?» → граф знает совместимые |
Результаты объединяются через Reciprocal Rank Fusion (RRF) — итоговый рейтинг учитывает все три канала.
Граф продуктов:
- Узлы: товары (~1 200 уникальных)
- Рёбра: совместимость (труба ↔ фитинг), аксессуары (швабра ↔ насадка), альтернативы (бюджет ↔ премиум)
- Хранение: PostgreSQL с расширениями (вектора + графовые связи)
- Пример: вопрос «Подходит ли насадка VERDE к PURO Mini?» → граф знает: несовместимы (разное крепление Click-Lock)
Стратегия чанкинга:
- Технические спецификации: структурный чанкинг (сохраняем заголовки секций и контекст таблиц)
- Инструкции: семантический чанкинг (256–512 токенов с перекрытием 50 токенов)
- Таблицы характеристик: хранятся как HTML + суммарный вектор для поиска
Правило «никогда не угадывать»: Если вопрос касается давления, диаметров, совместимости труб или стандартов ГОСТ — и информации нет в базе знаний — система НЕ генерирует ответ, а эскалирует на оператора. Неправильная техническая консультация по сантехнике может привести к протечке.
12.2. Модуль имитации человека
Назначение: Сделать ответы AI неотличимыми от ответов живого оператора.
Компоненты:
| Параметр | Как реализовано |
|---|---|
| Задержка ответа | Стохастическая: 45–600 сек для простых, 10–60 мин для сложных |
| Рабочие часы | Ответы публикуются в 9:00–21:00 МСК, с пиком в 10:00–13:00 и 15:00–18:00 |
| Вариативность фраз | Шаблон-скелет + микро-вариации: синонимы, порядок предложений, длина |
| Голос бренда | RTP: уверенный эксперт-инженер. VERDE: дружелюбный помощник. PURO: премиальный консьерж |
| Длина ответа | Распределение, близкое к человеческому: 30–200 символов для простых, 100–500 для сложных |
| «Человеческие» паузы | 10% ответов содержат паузу 30–120 сек (имитация «отвлёкся, вернулся») |
12.3. Модуль самообучения
Назначение: Система становится лучше с каждым ответом.
flowchart TB
GEN["AI генерирует ответ"] --> ROUTE{"Уверенность"}
ROUTE -->|"> 85%"| AUTO["Авто-отправка"]
ROUTE -->|"60–85%"| REVIEW["На проверку"]
ROUTE -->|"< 60%"| ESC["Эскалация"]
REVIEW --> OP{"Оператор"}
OP -->|"Одобрил"| GOOD["✓ Хороший пример"]
OP -->|"Исправил"| PAIR["Пара: плохой / хороший"]
GOOD --> SFT["SFT-обучение"]
PAIR --> DPO["DPO-оптимизация"]
SFT --> BETTER["Модель улучшается"]
DPO --> BETTER
style ROUTE fill:#78350f,stroke:#f59e0b
style BETTER fill:#14532d,stroke:#22c55e
Этапы:
- Неделя 1–2: Все ответы проходят через модерацию, система накапливает данные
- Неделя 3–4: SFT (Supervised Fine-Tuning) на одобренных ответах (300+ примеров)
- Месяц 2: Простые ответы переходят в авто-режим, сложные остаются на модерации
- Месяц 3+: DPO (Direct Preference Optimization) на парах «плохой/хороший» (500+ пар)
- Целевой показатель: >85% одобрения без правок к 3-му месяцу, >90% к 6-му
При 1 000+ обращений/день вы накапливаете 10–15 тыс. примеров за 2 недели — этого достаточно для первого цикла обучения.
12.4. Автообогащение базы знаний (Старт+)
Назначение: База знаний растёт с каждым ответом менеджера — без ручного обновления документации.
flowchart TB
ESC["Эскалация на менеджера"] --> MGR{"Менеджер отвечает"}
MGR -->|"Только клиенту"| SEND["Ответ покупателю"]
MGR -->|"В базу знаний"| CHECK{"Проверка"}
CHECK -->|"Дубликат > 92%"| SKIP["Пропустить"]
CHECK -->|"Контекст-специфичный"| SKIP
CHECK -->|"Уникальный и полезный"| ADD["Добавить в БЗ"]
ADD --> SEND
style CHECK fill:#78350f,stroke:#f59e0b
style ADD fill:#14532d,stroke:#22c55e
Workflow:
- Бот не может ответить (уверенность < 60%) → эскалирует на менеджера через Telegram
- Менеджер видит: вопрос покупателя + контекст (найденные фрагменты, товар, бренд)
- Менеджер пишет ответ и нажимает одну из двух кнопок:
- «Только клиенту» — ответ отправляется, но не сохраняется в БЗ
- «В базу знаний» — ответ отправляется И добавляется в БЗ
- Перед добавлением система автоматически проверяет:
- Дедупликация: cosine similarity с существующими записями > 0.92 → не добавлять
- Контекст-фильтр: ответ привязан к дате/разовой акции/конкретному заказу → не добавлять
- Валидация (Бизнес+): автоматическая проверка, что ответ не противоречит существующей БЗ
Результат: при 1 000+ обращений/день и 5–10% эскалаций → 50–100 новых записей в месяц. Через полгода БЗ покрывает 95%+ типичных вопросов.
13. Модель данных
Вопрос/отзыв (входящие данные)
{
"id": "ozon-review-12345678",
"platform": "ozon",
"type": "review",
"brand": "puro",
"sku": 987654321,
"product_name": "Швабра PURO Mini с отжимом 6л",
"rating": 4,
"text": "Швабра хорошая, но не могу понять, подходит ли насадка от VERDE Spin Mop?",
"customer_name": "Ирина К.",
"created_at": "2026-04-08T14:30:00Z",
"photos": [],
"is_answered": false
}Ответ (генерируемые данные)
{
"id": "response-uuid-abc123",
"source_id": "ozon-review-12345678",
"platform": "ozon",
"brand": "puro",
"text": "Ирина, здравствуйте! Спасибо за отзыв. Насадки от VERDE Spin Mop не подходят к PURO Mini — у них разное крепление (PURO использует систему Click-Lock). Для PURO Mini подходят насадки из серии PURO Mini Refill. Если остались вопросы — пишите, поможем разобраться!",
"confidence": 0.91,
"rag_sources": ["puro-mini-spec.pdf#page=3", "puro-accessories-catalog#section=refills"],
"route": "auto",
"status": "sent",
"delay_seconds": 247,
"sent_at": "2026-04-08T14:34:07Z",
"operator_id": null,
"feedback": null
}База знаний (документ)
{
"id": "kb-puro-mini-001",
"brand": "puro",
"product_sku": 987654321,
"source": "puro-mini-spec.pdf",
"chunk_index": 3,
"content": "Система крепления насадок: Click-Lock (запатентованная). Совместимые насадки: PURO Mini Refill (арт. PM-RF-001, PM-RF-002). НЕ совместимы: VERDE Spin Mop, VERDE Classic.",
"metadata": {
"category": "совместимость",
"tags": ["насадки", "крепление", "click-lock"]
},
"embedding": [0.023, -0.118, ...]
}14. API-спецификация
Внутренние эндпоинты системы
| Метод | Путь | Описание |
|---|---|---|
| GET | /api/reviews/pending |
Список необработанных отзывов/вопросов |
| POST | /api/reviews/{id}/generate |
Сгенерировать ответ для конкретного обращения |
| POST | /api/reviews/{id}/approve |
Одобрить и отправить ответ |
| POST | /api/reviews/{id}/edit |
Исправить и отправить (создаёт пару для DPO) |
| POST | /api/reviews/{id}/escalate |
Эскалировать на старшего оператора |
| GET | /api/analytics/summary |
Сводка: обработано, одобрено, исправлено, эскалировано |
| GET | /api/analytics/products/{sku} |
Статистика по конкретному товару |
| POST | /api/kb/upload |
Загрузка документа в базу знаний |
| POST | /api/kb/reindex |
Переиндексация базы знаний |
Пример запроса/ответа
POST /api/reviews/{id}/generate
// Request
{ "override_brand_voice": null, "force_rag_only": true }
// Response
{
"response_text": "...",
"confidence": 0.87,
"rag_sources": [...],
"suggested_route": "auto",
"estimated_delay_seconds": 180
}Коды ошибок
| Код | Описание |
|---|---|
| 404 | Обращение не найдено |
| 409 | Ответ уже отправлен |
| 422 | Не удалось сгенерировать ответ (недостаточно данных в базе знаний) |
| 429 | Превышен лимит запросов к API маркетплейса |
| 503 | LLM-провайдер недоступен |
15. Пользовательские сценарии
Сценарий 1: Автоматический ответ на положительный отзыв
«Как оператор, я хочу, чтобы стандартные благодарственные отзывы (4–5 звёзд без вопросов) обрабатывались автоматически»
Предусловия: Покупатель оставил отзыв с рейтингом 5 и текстом «Всё отлично, рекомендую!» Действия:
- Система получает отзыв через API маркетплейса
- Классификатор определяет: простой положительный отзыв, без вопроса
- LLM генерирует уникальный ответ в голосе бренда
- Модуль имитации добавляет задержку 120 сек
- Маршрутизатор: уверенность 0.95 > 0.85 → авто-отправка Результат: Ответ опубликован через ~2 минуты без участия оператора
Сценарий 2: Технический вопрос с эскалацией
«Как покупатель, я хочу получить точный ответ о совместимости труб PEX-a с фитингами другого производителя»
Предусловия: Покупатель спрашивает: «Можно ли использовать ваши трубы PEX-a 16x2.0 с аксиальными фитингами Rehau?» Действия:
- Классификатор: технический вопрос, бренд RTP, категория «совместимость»
- RAG ищет в базе знаний: информация о совместимости с чужими фитингами отсутствует
- Маршрутизатор: уверенность 0.42 < 0.60 → эскалация
- Оператор получает уведомление с контекстом: вопрос + найденные фрагменты
- Оператор пишет ответ, система запоминает пару (вопрос → ответ) Результат: Покупатель получает точный ответ, база знаний пополняется
Сценарий 3: Негативный отзыв (1–2 звезды)
«Как менеджер, я хочу, чтобы негативные отзывы обрабатывались приоритетно и проходили модерацию»
Предусловия: Покупатель ставит 1 звезду: «Швабра сломалась через неделю, ведро протекает» Действия:
- Классификатор: негативный отзыв, высокий приоритет, VERDE
- LLM генерирует эмпатичный ответ с извинениями и предложением решения
- Маршрутизатор: негативный отзыв → всегда на модерацию (независимо от уверенности)
- Оператор проверяет, при необходимости корректирует
- Ответ публикуется с задержкой 15–30 минут (реалистично для сложного ответа) Результат: Клиент видит внимательное отношение, рейтинг восстанавливается
Сценарий 4: Самообучение на исправлении оператора
«Как система, я хочу учиться на каждом исправлении оператора»
Предусловия: AI сгенерировал ответ, оператор исправил формулировку Действия:
- Система сохраняет пару: оригинальный ответ AI (rejected) + исправленный оператором (chosen)
- После накопления 500+ пар запускается DPO-оптимизация
- Обновлённая модель применяется к новым ответам Результат: Процент одобрения без правок растёт на 10–15% после каждого цикла
Сценарий 5: Предпродажный вопрос
«Как покупатель, я хочу быстро узнать, подходит ли этот товар для моей задачи»
Предусловия: Покупатель спрашивает в карточке трубы PEX-a: «Подойдёт ли для тёплого пола в квартире 80м²?» Действия:
- Классификатор: предпродажный вопрос, RTP, категория «применение»
- RAG находит: спецификации трубы, расчёт расхода на м², рекомендации по укладке
- LLM формирует ответ: «Да, подходит. Для 80 м² рекомендуем 200м бухту (шаг укладки 15 см). Труба сертифицирована по ГОСТ 32415-2013.»
- Уверенность 0.88 > 0.85 → авто-отправка с задержкой 3 минуты Результат: Покупатель получает экспертный ответ, конверсия в покупку повышается
Сценарий 6: Менеджер пополняет базу знаний через эскалацию
«Как менеджер, я хочу, чтобы мой ответ на сложный вопрос автоматически попал в базу знаний, и в следующий раз бот ответил сам»
Предусловия: Покупатель спрашивает: «Можно ли соединить трубу PEX-a 16 мм с полипропиленовой трубой?» — в БЗ такой информации нет Действия:
- Система эскалирует вопрос менеджеру через Telegram с контекстом
- Менеджер отвечает: «Да, через переходной фитинг PEX-a/PP. Артикул RTP-FIT-PP16. Важно: обжимная гильза обязательна.»
- Менеджер нажимает кнопку «В базу знаний»
- Система проверяет: дубликатов нет (similarity < 0.92), ответ не контекст-специфичный → добавляет
- Следующий покупатель с таким же вопросом получает ответ автоматически Результат: БЗ растёт с каждой эскалацией — через 3 месяца 80%+ ранее эскалируемых вопросов обрабатываются автоматически
16. Команда проекта
| Роль | Основные задачи | Ставка |
|---|---|---|
| AI-архитектор / Tech Lead | Архитектура системы, RAG-пайплайн, промпт-инжиниринг, контроль качества | 3 700 руб/ч |
| Backend Engineer | API-интеграции (Ozon, WB, YM), очереди, планировщик, бизнес-логика | 3 000 руб/ч |
| AI/ML Engineer | RAG, embeddings, fine-tuning (SFT/DPO), confidence routing, аналитика | 3 000 руб/ч |
| Frontend Developer | Админ-панель, дашборды, интерфейс модерации | 2 650 руб/ч |
| DevOps Engineer | Инфраструктура, деплой, мониторинг, GPU-пайплайн | 2 650 руб/ч |
| QA Engineer | Тестирование: функциональное, интеграционное, качество ответов | 2 200 руб/ч |
| Project Manager | Координация, коммуникация с клиентом, приёмка результатов | 2 650 руб/ч |
Калькуляция стоимости
| Статья | Пилот | Старт | Бизнес | Премиум |
|---|---|---|---|---|
| AI-архитектор (38 / 56 / 76 / 100 ч) | 140 600 | 207 200 | 281 200 | 370 000 |
| Backend (63 / 114 / 150 / 190 ч) | 189 000 | 342 000 | 450 000 | 570 000 |
| AI/ML (50 / 76 / 112 / 156 ч) | 150 000 | 228 000 | 336 000 | 468 000 |
| Frontend (30 / 48 / 73 / 100 ч) | 79 500 | 127 200 | 193 450 | 265 000 |
| DevOps (18 / 24 / 32 / 48 ч) | 47 700 | 63 600 | 84 800 | 127 200 |
| QA (25 / 42 / 62 / 82 ч) | 55 000 | 92 400 | 136 400 | 180 400 |
| PM (24 / 36 / 48 / 62 ч) | 63 600 | 95 400 | 127 200 | 164 300 |
| Итого разработка | 725 400 | 1 155 800 | 1 609 050 | 2 144 900 |
| Непредвиденные (15%) | 109 600 | 174 200 | 240 950 | 320 100 |
| ИТОГО | 835 000 | 1 330 000 | 1 850 000 | 2 465 000 |
| Скидка | — | — | −5% (−90 000) | −10% (−245 000) |
| Итого со скидкой | 835 000 | 1 330 000 | 1 760 000 | 2 220 000 |
17. Дорожная карта и план спринтов
Пакет «Бизнес» (рекомендуемый) — 14 недель
gantt
title Дорожная карта: МаркетМайнд (Бизнес)
dateFormat YYYY-MM-DD
excludes weekends
section Фаза 0
Архитектура и инфра :a0, 2026-04-28, 10d
section Фаза 1
Ozon API + RAG + база знаний :a1, after a0, 10d
section Фаза 2
WB API + мультибренд :a2, after a1, 10d
section Фаза 3
Самообучение + аналитика :a3, after a2, 15d
section Фаза 4
Yandex Market + тестирование :a4, after a3, 10d
section Запуск
Деплой + обучение команды :a5, after a4, 5d
Ключевые вехи
| Неделя | Фаза | Что сдаём | Демо |
|---|---|---|---|
| 2 | Фаза 0 | Инфраструктура, CI/CD, первичная загрузка базы знаний PURO | Staging-сервер доступен |
| 4 | Фаза 1 | Ozon: ответы на отзывы PURO работают в тестовом режиме | Демо: 50 реальных ответов |
| 6 | Фаза 2 | WB подключён, все 3 бренда активны | Демо: мультибренд на 2 площадках |
| 9 | Фаза 3 | Самообучение запущено, первые метрики | Демо: дашборд аналитики |
| 11 | Фаза 4 | Yandex Market подключён, нагрузочное тестирование | Демо: 3 площадки |
| 12 | Запуск | Деплой на прод, обучение команды | Финальная приёмка |
Сроки для других пакетов: Пилот — фазы 0-1 (8–10 нед.), Старт — фазы 0-2 (10–12 нед.), Премиум — все фазы + GPU + A/B (14–16 нед.)
18. Предварительные исследования
Завершённые
| # | Тема | Ключевой результат |
|---|---|---|
| 1 | API маркетплейсов (Ozon, WB, YM) | Документация получена, эндпоинты проверены. Ozon: 50 req/sec, push-уведомления. WB: 3 req/sec, polling. YM: бесплатный API с webhooks |
| 2 | Политики маркетплейсов | AI-ответы разрешены обоими площадками. Штрафы только за контент (грубость, контакты), не за метод |
| 3 | SaaS-конкуренты | 20+ сервисов, 15–172 тыс. руб/мес. Ни один не предлагает глубокую интеграцию с базой знаний клиента |
| 4 | Self-hosted vs API inference | При 1 000 запросов/день API в 10–30x дешевле. Self-hosted оправдан при 20 000+ запросов/день |
| 5 | Embeddings для русского текста | Лидеры: BGE-M3 (MIT, гибридный поиск), E5-multilingual, Jina v3 (ограниченная лицензия) |
Открытые (решатся на реальных данных)
| # | Вопрос | Когда решим |
|---|---|---|
| 1 | Оптимальный порог уверенности для авто-отправки (85% — начальная гипотеза) | Фаза 1, неделя 3 — на реальных ответах PURO |
| 2 | Какая LLM лучше всего работает с техническим русским? | Фаза 0 — бенчмарк на 100 реальных вопросах из Q&A |
| 3 | Оптимальный размер чанка для техдокументации RTP | Фаза 1 — эксперименты с RAG quality |
| 4 | Оптимальная структура графа продуктов (PostgreSQL + ltree vs Apache AGE vs отдельная графовая БД) | Фаза 0 — архитектурное решение |
19. Стратегия тестирования
| Уровень | Что тестируем | Критерий |
|---|---|---|
| Unit-тесты | Классификатор, маршрутизатор, парсеры API | Покрытие >= 70% |
| Интеграционные | API Ozon/WB: получение, отправка, ошибки | Все эндпоинты работают с тестовыми данными |
| E2E | Полный цикл: вопрос → генерация → задержка → отправка | 100 тестовых сценариев проходят без ошибок |
| Качество ответов | Ответы AI vs эталонные ответы операторов | Точность >= 80% по оценке экспертов (слепое тестирование) |
| Нагрузочное | 1 000+ обращений за 1 час | Система обрабатывает без деградации (<5 сек на ответ) |
| Безопасность | Нет утечки данных, нет инъекций в промпты | Нет вывода конфиденциальных данных, промпт-атаки отфильтрованы |
Специфические тесты для МаркетМайнд
| # | Тест | Описание |
|---|---|---|
| Т1 | Антигаллюцинация | 50 вопросов с заведомо отсутствующей в базе информацией → система должна эскалировать, а не выдумывать |
| Т2 | Мультибренд | Один и тот же вопрос для RTP, VERDE, PURO → три разных тона, все корректные |
| Т3 | Негативные отзывы | 20 негативных отзывов → все уходят на модерацию, тон эмпатичный |
| Т4 | Разнообразие | 100 ответов на одинаковые отзывы «Спасибо» → 0 дубликатов |
| Т5 | ГОСТ-точность | 30 вопросов по стандартам → все ссылки на ГОСТ/СНиП корректны |
20. Развёртывание и инфраструктура
Варианты размещения (выбор клиента)
| Вариант | Плюсы | Минусы | Стоимость |
|---|---|---|---|
| Западный облак (Hetzner, OVH) | Дешевле, больше выбор GPU | Данные за рубежом (152-ФЗ) | 3–8 тыс. руб/мес |
| Российский облак (Selectel, Yandex Cloud) | Данные в РФ, соответствие 152-ФЗ | Дороже, меньше GPU | 8–15 тыс. руб/мес |
| GPU on-demand (RunPod, vast.ai) | Оплата по часам, масштабируемость | Нет постоянного IP | 5–15 тыс. руб/мес |
| Свой сервер | Полный контроль, нет абонентской платы | Капитальные затраты, обслуживание | ~240 тыс. руб (единоразово) + эл-во |
Рекомендация: Hetzner (приложение) + OpenRouter API (LLM) для старта. Миграция на российский облак или собственный сервер — при необходимости.
Состав инфраструктуры
Application Server (VPS):
- 4-8 vCPU, 16-32 GB RAM, 100 GB SSD
- Docker + Docker Compose
- Nginx (reverse proxy)
- Monitoring (Prometheus + Grafana)
Vector Database:
- Qdrant (или pgvector — встроенный в PostgreSQL)
- 10-50 GB storage (зависит от объёма базы знаний)
PostgreSQL:
- Основная БД: обращения, ответы, пользователи, аналитика
- 50-100 GB storage
Redis:
- Очереди задач, кэш, rate limiting
LLM Inference:
- Пилот/Старт/Бизнес: OpenRouter API (внешний)
- Премиум: RunPod GPU on-demand (по часам)
21. Критерии приёмки
По модулям
| Модуль | Критерий приёмки |
|---|---|
| Ozon API интеграция | Система получает новые отзывы за <= 15 мин, ответ публикуется с кодом 200 |
| WB API интеграция | Система получает отзывы и вопросы, ответ публикуется (2–5000 символов) |
| RAG-система | По запросу товара возвращает >= 3 релевантных фрагмента из базы знаний |
| LLM-движок | Генерирует ответ за <= 5 сек, соответствующий голосу бренда |
| Имитация человека | Задержки распределены в диапазоне 45–600 сек, 0 дубликатов в 100 ответах |
| Классификатор | Точность определения типа обращения >= 90% (на тестовой выборке 200 штук) |
| Маршрутизатор | Негативные отзывы (1–2 звезды) → 100% на модерацию |
| Админ-панель | Время загрузки <= 2 сек, все CRUD-операции работают |
| Самообучение (SFT) | После обучения на 300+ примерах: процент одобрения растёт на >= 10% |
22. Нефункциональные требования
| # | Параметр | Порог |
|---|---|---|
| Н1 | Время генерации ответа (p95) | <= 5 секунд |
| Н2 | Время от получения обращения до публикации (авто) | 45–600 секунд (контролируемая задержка) |
| Н3 | Одновременная обработка | >= 50 обращений в очереди |
| Н4 | Доступность системы (uptime) | >= 99% за неделю |
| Н5 | Время загрузки админ-панели | <= 2 секунд |
| Н6 | Точность классификатора | >= 90% |
| Н7 | Процент авто-отправки (через 3 месяца) | >= 70% |
| Н8 | Покрытие тестами (backend) | >= 70% |
| Н9 | Хранение данных | >= 12 месяцев истории обращений |
Часть III: Коммерческие условия
23. Как мы работаем
| Активность | Частота | Формат |
|---|---|---|
| Демо спринта | Каждые 2 недели | Видеозвонок + демонстрация на staging |
| Еженедельный sync | 1 раз в неделю (30 мин) | Статус, блокеры, решения |
| Доступ к staging | Постоянный | URL staging-сервера (с Фазы 0) |
| Канал связи | Постоянный | Telegram-группа проекта |
| Приёмка результатов | По завершении фазы | Демо + чеклист приёмки |
Управление изменениями: Изменения к ТЗ оформляются через Change Request — команда оценивает влияние на сроки и бюджет, обе стороны согласуют.
24. Условия оплаты
Пакет «Пилот» — 835 000 руб
| # | Событие | Сумма | Нарастающим |
|---|---|---|---|
| 1 | Предоплата (30%) | 250 000 | 250 000 |
| 2 | Приёмка Фазы 0 + 1 (демо Ozon) | 420 000 | 670 000 |
| 3 | Финальная приёмка | 165 000 | 835 000 |
Пакет «Старт» — 1 330 000 руб
| # | Событие | Сумма | Нарастающим |
|---|---|---|---|
| 1 | Предоплата (30%) | 400 000 | 400 000 |
| 2 | Приёмка Фаз 0-1 (Ozon работает) | 400 000 | 800 000 |
| 3 | Приёмка Фазы 2 (WB + мультибренд) | 265 000 | 1 065 000 |
| 4 | Финальная приёмка | 265 000 | 1 330 000 |
Пакет «Бизнес» — 1 760 000 руб
| # | Событие | Сумма | Нарастающим |
|---|---|---|---|
| 1 | Предоплата (30%) | 530 000 | 530 000 |
| 2 | Приёмка Фаз 0-1 (Ozon работает) | 440 000 | 970 000 |
| 3 | Приёмка Фаз 2-3 (WB + самообучение) | 440 000 | 1 410 000 |
| 4 | Финальная приёмка (YM + тестирование) | 350 000 | 1 760 000 |
Пакет «Премиум» — 2 220 000 руб
| # | Событие | Сумма | Нарастающим |
|---|---|---|---|
| 1 | Предоплата (30%) | 665 000 | 665 000 |
| 2 | Приёмка Фаз 0-1 (Ozon работает) | 555 000 | 1 220 000 |
| 3 | Приёмка Фаз 2-3 (WB + самообучение) | 445 000 | 1 665 000 |
| 4 | Финальная приёмка (GPU + A/B + Brand Voice) | 555 000 | 2 220 000 |
25. Ежемесячные расходы
Вариант 1: Облачный API (рекомендуемый для старта)
| Статья | Стоимость |
|---|---|
| VPS (Hetzner, 8 vCPU / 32 GB) | 3 000–5 000 руб/мес |
| LLM API (OpenRouter, 1 000 запросов/день) | 5 000–10 000 руб/мес |
| Embeddings API | 1 000–2 000 руб/мес |
| PostgreSQL + Qdrant (managed или на VPS) | 2 000–3 000 руб/мес |
| Мониторинг, бэкапы, DNS | 1 000–2 000 руб/мес |
| Итого | 12 000–22 000 руб/мес |
Вариант 2: GPU on-demand (для пакета Премиум)
| Статья | Стоимость |
|---|---|
| VPS (приложение, как в варианте 1) | 3 000–5 000 руб/мес |
| GPU RunPod (3–5 часов/день × ~50 руб/ч) | 5 000–8 000 руб/мес |
| PostgreSQL + Qdrant | 2 000–3 000 руб/мес |
| Мониторинг, бэкапы | 1 000–2 000 руб/мес |
| Итого | 11 000–18 000 руб/мес |
Сравнение с текущими затратами
| Параметр | Сейчас (SaaS) | МаркетМайнд |
|---|---|---|
| Ежемесячная стоимость | 50–120 тыс. руб | 12–22 тыс. руб |
| Глубина знания продуктов | Низкая | Максимальная (ваша база) |
| Самообучение | Нет | Да |
| Контроль над данными | У провайдера | Полный |
| Масштабирование | Линейный рост цены | Фиксированная инфра |
26. Риски и митигация
| Риск | Влияние | Вероятность | Митигация |
|---|---|---|---|
| R1. Галлюцинации LLM в технических характеристиках | Высокое | Средняя | Правило «никогда не угадывать» + эскалация при отсутствии данных в базе |
| R2. Блокировка со стороны маркетплейса | Высокое | Низкая | Имитация человека, соблюдение rate limits, content-based moderation |
| R3. Низкое качество ответов на старте | Среднее | Средняя | 2 недели модерации всех ответов + быстрая доработка промптов |
| R4. Изменение API маркетплейсов | Среднее | Средняя | Абстрактный слой интеграции — замена адаптера без переписывания логики |
| R5. Рост цен API-провайдера LLM | Низкое | Высокая | Архитектура позволяет сменить провайдер или мигрировать на self-hosted |
27. Гарантии
- Гарантийный период: 3 месяца после финальной приёмки
- Гарантийная поддержка: исправление дефектов, выявленных в период гарантии — бесплатно
- Время реакции: до 8 рабочих часов (для пакета «Премиум» — до 4 часов по SLA)
- Что НЕ входит в гарантию: изменения требований, новый функционал, изменения API маркетплейсов (оцениваются отдельно)
28. Требования к клиенту
| # | Что нужно от вас | Когда | Зачем |
|---|---|---|---|
| 1 | Доступ к API маркетплейсов (ключи Ozon, WB) | До начала Фазы 1 | Интеграция и тестирование |
| 2 | База знаний: каталоги, техдокументация, PDF, Excel | До начала Фазы 1 | Наполнение RAG-системы |
| 3 | 50–100 примеров «эталонных» ответов от лучших операторов | Неделя 1 | Настройка голоса бренда и промптов |
| 4 | Выделенный человек для модерации (первые 2 недели) | Фаза 1 | Обучение системы на реальных данных |
| 5 | Обратная связь по демо каждые 2 недели | Весь проект | Итерационное улучшение |
| 6 | Ozon Premium Plus подписка (для Q&A API) | До начала Фазы 1 | Ozon требует подписку для работы с вопросами |
29. Что не входит
- Разработка мобильного приложения
- Интеграция с внутренней CRM/ERP (оценивается отдельно как опция)
- Создание контента для карточек товаров (кроме FAQ-генератора в опции О3)
- Юридическое сопровождение (152-ФЗ, обработка ПДн — ответственность клиента)
- Обслуживание серверов клиента (если выбран вариант «свой сервер»)
- Подписки маркетплейсов (Ozon Premium Plus и т.д.)
30. Открытые вопросы
| # | Вопрос | Контекст | Варианты |
|---|---|---|---|
| 1 | Размещение инфраструктуры | Выбор влияет на стоимость и скорость | A) Западный облак (дешевле) B) Российский облак (152-ФЗ) C) Свой сервер |
| 2 | Приоритет бренда для пилота | С какого бренда начать? | A) PURO (556 вопросов, max эффект) B) RTP (технически сложнее, больше ценности) C) VERDE (проще, быстрее результат) |
| 3 | Режим модерации после запуска | Как быстро переходить на авто-режим? | A) Консервативно (2 месяца модерации) B) Агрессивно (2 недели, потом авто для простых) |
| 4 | Доступ к API Ozon Premium Plus | Есть ли подписка? Без неё Q&A API недоступен | A) Уже есть B) Нужно подключить C) Нужна консультация |
31. Перспективы развития
После запуска МаркетМайнд можно развивать в нескольких направлениях:
- Голосовой канал — обработка звонков от покупателей с тем же RAG-ядром
- Проактивные сообщения — система сама предлагает покупателю допродажу («К этой трубе часто берут фитинги X»)
- Интеграция с 1С/ERP — автоматическое обновление базы знаний при изменении каталога
- Новые маркетплейсы — Авито, СберМегаМаркет, Мегамаркет (добавление адаптера за 30–50% стоимости оригинальной интеграции)
- Мультиязычность — ответы на казахском, белорусском, английском для международных площадок
32. Глоссарий
| Термин | Определение |
|---|---|
| RAG | Retrieval-Augmented Generation — метод, при котором AI сначала ищет информацию в базе знаний, а потом генерирует ответ на её основе |
| LLM | Large Language Model — большая языковая модель, генерирующая текст |
| Embeddings | Числовые представления текста, позволяющие искать семантически похожие документы |
| Векторная БД | База данных для хранения и быстрого поиска embeddings |
| SFT | Supervised Fine-Tuning — дообучение модели на примерах «вопрос → правильный ответ» |
| DPO | Direct Preference Optimization — обучение модели на парах «плохой ответ vs хороший ответ» |
| Confidence | Уверенность системы в качестве сгенерированного ответа (0–100%) |
| Rate limit | Ограничение количества запросов к API в единицу времени |
| PEX-a | Сшитый полиэтилен, изготовленный методом Энгеля — материал труб RTP |
| ГОСТ 32415-2013 | Стандарт на трубы из полиэтилена для систем водоснабжения и отопления |
| Brand Voice | Уникальный «голос» бренда — тон, стиль, лексика, характерные фразы |
| Промпт | Инструкция для AI-модели, определяющая формат и стиль ответа |
33. Следующие шаги
| # | Действие | Кто | Когда |
|---|---|---|---|
| 1 | Выбор пакета | Клиент | В течение 7 дней |
| 2 | Ответы на открытые вопросы (секция 30) | Клиент | В течение 7 дней |
| 3 | Подписание договора + предоплата | Обе стороны | В течение 14 дней |
| 4 | Передача доступов (API-ключи, база знаний) | Клиент | В течение 3 дней после договора |
| 5 | Старт Фазы 0 | AiDevTeam | На следующий рабочий день после предоплаты |
Все оценки являются предварительными и будут уточнены после детального ТЗ.
Предложение действительно 30 дней. Разработка: AiDevTeam