Кондитерське виробництво
AI-аналіз дзвінків клієнтів
Система сама транскрибує записи дзвінків, визначає тональність і причину звернення, а керівник отримує статистику, просто спитавши AI-агента звичайною мовою.
- Для кого
- Сценарій: кондитерське виробництво
- Формат
- Практичний кейс
- Технології
- n8n, AssemblyAI, OpenRouter
- 0ручних прослуховувань для класифікації
- < 1 хвна статистику замість 5–10 хвилин
- 2 хвінтервал перевірки нових записів
Задача
Це практичний кейс: систему побудовано під типовий сценарій кондитерського виробництва. Компанія отримує багато дзвінків від клієнтів, частина з них — відгуки про якість продукції чи доставку. Керівництву треба швидко знаходити негативні відгуки й бачити статистику.
Вручну співробітнику довелося б прослуховувати кожен запис, визначати тональність і причину та вносити результат в облік: 4 ручні дії на дзвінок. Негативні відгуки легко пропустити, оцінки виходять суб’єктивними, а статистику за період треба рахувати вручну.
Рішення
Два пов’язані процеси на n8n, AssemblyAI та LLM.
Обробка дзвінків. Кожні 2 хвилини n8n перевіряє Google Drive, бере лише нові необроблені записи й передає аудіо в AssemblyAI на транскрипцію. Потім модель аналізує текст і повертає строгий JSON: тональність (позитивна, негативна, нейтральна) і категорію звернення (якість продукції, доставка, інше). Результат зберігається в таблиці даних n8n, а запис отримує статус Done, щоб не оброблятися вдруге.
AI-агент для керівника. Керівник пише звичайною мовою: «Скільки негативних відгуків було минулого місяця?» Агент сам визначає період, викликає окремий інструмент Get Call Stats і відповідає на основі реальних даних: загальна кількість дзвінків, кількість і частка негативних. Цифр агент не вигадує: він завжди бере їх з інструмента.
Результат
| До | Після | |
|---|---|---|
| Ручні дії на один дзвінок | щонайменше 4 | 0 |
| Прослуховування для класифікації | кожен дзвінок | не потрібне |
| Час на статистику | 5–10 хв | менше 1 хв |
| Перевірка нових записів | вручну | кожні 2 хвилини |
Усі дзвінки оцінюються за однаковими правилами, а зростання кількості дзвінків не додає ручної роботи.
Процес роботи
Як проходила робота над цим проєктом: від розбору задачі до запуску й доопрацювання.
- 01
Аналіз
Розібрав сценарій: які дзвінки надходять, що керівнику треба бачити і скільки ручних дій іде на один запис. Вийшло щонайменше 4 дії: прослухати, визначити тональність і причину, внести в облік.
- 02
Проєктування рішення
Розділив систему на два процеси: обробка нових записів і AI-агент для запитань керівника. Визначив категорії, формат JSON-відповіді і статус Done, щоб запис не оброблявся двічі.
- 03
Реалізація
Зібрав у n8n перевірку Google Drive кожні 2 хвилини, транскрипцію в AssemblyAI, класифікацію через LLM і інструмент Get Call Stats для агента.
- 04
Тестування
Прогнав тестові записи з різною тональністю й темами і перевірив класифікацію. Окремо перевірив, що агент бере цифри з інструмента, а не вигадує їх.
- 05
Запуск
Обидва процеси працюють у n8n на тестових записах: новий файл на Google Drive обробляється автоматично, а керівник може одразу спитати агента про статистику.
- 06
Оптимізація
Зростання кількості дзвінків не додає ручної роботи. Для реального бізнесу наступний крок — нові категорії звернень і миттєве сповіщення про негативний відгук.
Скриншоти
Відповідь AI-агента на запит статистики
Чат керівника з AI-агентом
AI-агент з пам’яттю та інструментом статистики
Інструмент Get Call Stats