Автоматизация ответов на отзывы: основные приемы и лучшие практики

Go to the profile of Анна Кочеткова
Анна Кочеткова
Автоматизация ответов на отзывы: основные приемы и лучшие практики

Напомним, что в прошлой статье мы разбирали кейс про растущую нагрузку команды поддержки. Мы поговорили о важности сегментирования фидбека и как это помогает упростить анализ отзывов и получение инсайтов.

В этот раз, настало время погрузиться в тегирование и семантическое разделение отзывов, так как это может стать основой для настройки системы авто-ответов. Давайте усложним задачу и добавим больше вводных от другого разработчика:


Прежде чем мы перейдем к практическим советам и самой настройке, давайте ответим на вопрос “зачем нужна автоматизация ответов на отзывы?”.

  1. Ваш бизнес растет и масштабируется;
  2. Ограничены ресурсы команды поддержки (по объему задач, по языкам);
  3. Вы хотите оптимизировать работу (время / денежные затраты);
  4. Вы планируете ускорить время ответа, увеличить Reply Rate.

Некоторые разработчики отмечают, что автоматизация с использованием шаблонных ответов может ухудшить впечатление пользователей от команды поддержки - негативно повлиять на обновление рейтинга отзыва. Условно - пользователь получает шаблонный ответ, понимает что ему ответил “робот” и негативно реагирует на ответ. Такой вариант возможен, если подойти к настройке автоматизации неэффективно. Мы же расскажем как сделать так, чтобы даже шаблонные ответы выглядели натурально.


Какие ответы на отзывы можно и нужно автоматизировать?

Для начала, важно понимать, что мы описываем один из возможных вариантов настройки процесса авто-ответов. В зависимости от проекта и текущей структуры команды саппорта очередность этапов и подход может варьироваться.

Категории отзывов, которые могут подходить под автоматизацию +- могут совпадать с вашей сеткой тегов. 1 и 2 линия отзывов зачастую поддается практически полной автоматизации, ведь туда входят повторяющиеся темы отзывов, проблемы, не требующие технической поддержки, оскорбительные/спам отзывы, отзывы с высокой оценкой.

3-я линия может быть автоматизирована с точки зрения оперативной передачи этого фидбека в технический саппорт - в зависимости от используемого вами хелпдеска (ZenDesk, Helpshift и т.д.) с помощью настройки интеграций с AppFollow и правил разметки нужных отзывов, весь релевантный фидбек можно прокидывать напрямую техподдержке для дальнейшего решения вопроса.

Есть и другой способ - например, для некоторых продуктов из сферы e-commerce, характерно перенаправлять сложные вопросы пользователей на горячую телефонную линию поддержки, а для игровой индустрии - на сайт существующего комьюнити. Ответы на такие отзывы тоже могут быть автоматизированы, например с помощью единого шаблона:

Опережая вопрос насколько эффективна такая тактика, более конкретно “а может ли такой “ушедший” пользователь затем вернуться в стор и изменить свою оценку после успешного разрешения проблемы?” можно сказать - гарантии нет, как и подробной статистики с однозначным % обновления таких отзывов. У каждого проекта будет относительно уникальная статистика, учитывая оперативность и качество проработки вопроса далее. Плюсы такого подхода в том, что во-первых, вы не оставляете отзыв пользователя без внимания - клиентоориентированный подход, и во-вторых, повышаете вероятность изменения оценки пользователя в лучшую сторону как минимум на 50%.

Определившись с верхнеуровневым разделением отзывов, давайте посмотрим глубже и перейдем к практическим советам как работать с авто-ответами.

Лучшие практики автоматизации ответов на отзывы

Часть 1. Отзывы с негативной оценкой.

Негативные отзывы - большая боль для любого продукта, так как не всегда они могут быть конструктивными. При этом, игнорировать их нельзя, так как:

  • в негативных отзывах могут быть важные инсайты по стабильности и качеству работы продукта (подробные примеры в части “Пятничный апдейт” - как работать со спайками отзывов),
  • работа с этой когортой отзывов может быть самой продуктивной с точки зрения роста среднего рейтинга и положительных изменений сопутствующий метрик (подробнее об этом в следующей части академии).

Сейчас перед нами стоит сложная задача - максимально унифицировать тактику по работе с негативом и дать практические и ценные советы, которые может имплементировать любой продукт. Поэтому, важно понимать: в каждой вертикали (игровая индустрия, фуд-тех, детские приложения, финансы и тд.) будут свои нюансы, но используемые подходы могут быть схожи.

Итак, как найти нужные негативные отзывы и создать стратегию по работе с ними.

Стратегия 1: использование семантического анализа и/или сетки авто-тегов

Негативные отзывы (или критические отзывы) - те, оценка которых 1-3 звезды. Одни из самых частых типов негатива в мобильных продуктах: ошибки и проблемы с монетизацией. Чтобы убедиться в этом на своем проекте, самый быстрый способ - использовать семантический анализ и определить топики, где средний рейтинг по отзывам и настроение пользователей (sentiment score) имеют самые низкие показатели.

На скрине выше данные по самым критичным темам совпадают с общим трендом. После разбиваем данные темы на подвиды (подробное описание см. в части “Семантический анализ”), определяем стратегию ответа (пишем шаблоны ответов) и начинаем настройку. 


Учитывая возможную вариацию подтем внутри каждой темы (в данном случае мы рассматриваем проблему с логином в приложение) сделать ответ более персонализированным и таргетированным поможет либо настроенное кастомное тегирование, которое мы разбирали в предыдущей части нашей академии (скрин слева, тег: FB Login issue) или дополнительная сегментация с помощью ключевых слов в отзыве (скрин справа).

Хорошей тактикой будет составить несколько шаблонов ответа на одну тему. Таким образом вы сможете: протестировать и найти оптимальный вариант ответа, варьировать ответы для избежания повторений в видимой зоне.

Итак, настройка авто-ответов с привязкой к семантическому тегу и авто-тегам - рабочая схема.

Стратегия 2: кастомные правила

Семантический анализ и тегирование - важные этапы при анализе большого количества фидбека. Однако не единственный способ создать систему автоматизации ответов на отзывы - можно создать свою уникальную стратегию ответов, используя ручной анализ. Такой подход отлично подходит для новых и растущих проектов, где количество отзывов меньше.
Как уже говорилось выше, позитивное обновление негативных отзывов 1-3 звезды, может существенно повлиять на общий рейтинг, поэтому персонализированный подход к ответам на эту когорту - важен. Выбрав фильтр 1-3 звезды в разделе Reply to reviews можно вручную проанализировать отзывы и определить основные темы.

Определив когорты, и поняв специфику каждой, можно внести эти настройки в правила используя различные фильтры и сужая круг.

Важно не забывать про “исключающие фильтры”, чтобы не пропустить важных инсайтов для продукта. На примере выше мы исключили отзывы, в которых содержатся предложения (suggest, please add) и ограничили отзыв до 10 слов. Длинные отзывы могут стать объектом для дополнительного анализа, учитывая объем информации в отзыве, пользователь может делиться ценными впечатлениями по использованию продукта.

Таким образом, с помощью этого подхода ответы могут оказаться более точечными. На разной стадии развития продукта можно комбинировать и использовать обе стратегии.

Завершая разговор о тактиках работы с негативными отзывами, важно упомянуть еще один тип негатива. Есть отдельная категория негативных отзывов, неофициальное название которых - “плохое настроение”. Часто эти отзывы содержат неконструктивный комментарий (1-2 слово), эмоционально окрашены и не несут в себе смысловой нагрузки. В 80% случаев такие отзывы могут нарушать политику мобильных сторов и попадать под критерий отзывов, которые можно удалить. Давайте рассмотрим ее отдельно.


Часть 2. Отзывы, подпадающие под критерии Report a Concern.

Согласно официальным критериям Apple и общей политике Google Play, есть 4 типа отзывов, которые нарушают политику сторов, а именно:

  • Оскорбительные и агрессивные отзывы (содержащие мат, угрозы разработчику)
  • Спам отзывы / спам-атаки
  • Нерелевантные к продукту отзывы (частый случай для Ecom проектов, где много негатива пользователи оставляют в связи с недобросовестной работой конкретного поставщика, недовольство товаром - случаи, когда сам продукт не является причиной проблемы).
  • Несодержательные отзывы (эта категория “не официальная” и частично подпадает под 3ий критерий, но мы вынесем его отдельно. Если отзыв содержит 1 букву, смайлик/emoji, символ - рекомендуем попробовать его удалить).

Процесс жалобы на такие отзывы прост. При настройки необходимого фильтра / тега на каждую когорту, в AppFollow есть опция Report a concern.

Также можно настроить автоматическое правило жалоб на такие отзывы. В основу правила может войти как семантические теги, в которых AppFollow с помощью машинного обучения добавляет отзывы по критериям выше или использование ключевых запросов в тексте отзывов:

Важно: в целях повышения вероятности позитивного рассмотрения жалоб, в AppFollow по умолчанию стоит ограничение на количество репортов в сутки. Оставшиеся запросы выстраиваются в очередь и отправка происходит на следующий день. Более подробный гайд можно найти тут.

Часть 3. Отзывы, с повторяющейся темой.

Здесь в помощь вступают семантический анализ или настроенные авто-теги. По аналогии работы с негативом, выделяем с помощью семантики, кастомных тегов и/или ключевых запросов общие темы и настраиваем правила. Это поможет более эффективно пользоваться шаблонами (которые, как мы надеемся, вы сделаете целое разнообразие) и своевременно возвращаться с ответом к пользователям с однотипными отзывами. Более подробно мы разбирали систему тегирования в предыдущей части.

Часть 4. Благодарственные отзывы.

Многие удивляются, зачем отвечать на отзывы с оценкой 4 и 5 звезд, если они не подпадают под критерии выше. По данным внутреннего исследования AppFollow, положительные отзывы без ответа разработчика в среднем могут терять до 2 пунктов рейтинга, в то время как снижение оценки отзывов с ответом в среднем 0,6 пункта. Благодарить пользователей за хороший фидбек стоит - это может еще больше повысить лояльность пользователя.

Выше один из примеров настройки подобного авто-ответа. Здесь мы также рекомендуем ставить “исключающие” фильтры по длине отзыва и содержанию критики - “но” (пример: “Ваше приложение замечательное, но было бы здорово добавить возможность…”).

Благодарите своих пользователей за фидбек, им будет приятно.

Часть 5: Работа с мульти-язычными отзывами

Напоследок, давайте ответим на важный для многих продуктов вопрос: как работать с мультиязычной поддержкой без нейтива?

Можно рассмотреть этот вопрос через призму двух стратегий: есть ли в вашей команде ресурсы на перевод шаблонов ответа или нет.

Общая стратегия менеджмента мультиязычных отзывов может совпадать с тактиками, описанными выше, с одним условием - нужно добавить правило о переводе. 

Семантический анализ в AppFollow уже поддерживает эту функцию и дает возможность всем пользователям фильтровать семантику по всем необходимым языкам и работать с выбранной когортой в отдельности.

Для того, чтобы настроенные вами правила по авто-тегированию и авто-ответам также покрывали все языки, можно добавить дополнительный фильтр Review Translation (см. Скрин ниже). С помощью этой настройки, алгоритм AppFollow будет прогонять все отзывы через перевод и отзывы на любом языке, содержащие указанные запросы будут попадать под настроенные правила (например арабский вариант слова “facebook” - ” فيس بوك “ ).

Если в вашем продукте есть ресурс на перевод основных шаблонов (мы рекомендуем делать это для некоторых регионов, где английские ответы воспринимаются хуже, таких как Азия, арабский регион, испано-, португало-, русскоговорящие страны), в таком случае к настройке правил автоматизации добавляется критерий “Review Language is” и соответствующая папка с локализованными шаблонами для ответов.

Подобная стратегия по ответам и сегментированию фидбека даст больший вклад в изменение важных метрик.


Автоматизация is the new black

Подытожить эту часть академии хотелось бы выводами: зачем нужна оптимизация работы с отзывами в сторах? Автоматизация помогает:

  • Снизить общую нагрузку на команду поддержки
  • Повысить эффективность команды поддержки
  • Увеличить скорость ответа
  • Снизить количество спама в отзывах
  • Оперативное получение и имплементация инсайтов

Также у нас есть подробный гайд по настройке автоматизации, ознакомиться с ним можно тут.

В следующей части мы поговорим о всех этих эффектах в цифрах. Какой эффект от автоматизации и какие метрики и KPI можно отслеживать в процессе.




Посмотрите другие публикации:

Работа с отзывами: на что влияет средний рейтинг приложения приложения?

Работа с отзывами: на что влияет средний рейтинг приложения приложения?

Как эффективно работать с отзывами в мобильных сторах и как повысить рейтинг своего приложения? Проч...

Анна Кочеткова
Анна Кочеткова
“Пятничный апдейт” или как оперативно работать со спайками отзывов

“Пятничный апдейт” или как оперативно работать со спайками отзывов

Незапланированный наплыв отзывов - довольно частый кейс. В эти дни команда поддержки может быть силь...

Анна Кочеткова
Анна Кочеткова
Автоматизация сбора инсайтов через отзывы: семантический анализ и авто-тегирование

Автоматизация сбора инсайтов через отзывы: семантический анализ и авто-тегирование

Анализ отзывов - одна из важнейших задач команды поддержки, ведь именно фидбек пользователей вашего ...

Анна Кочеткова
Анна Кочеткова
О самом важном: KPI команд поддержки и измерение результатов

О самом важном: KPI команд поддержки и измерение результатов

Скорость, шаблоны и язык ответа - все эти факторы влияют на эффект от ответа (изменение оценки отзыв...

Анна Кочеткова
Анна Кочеткова

Следите за приложениями с помощью AppFollow