Разработка telegram-бота для автоматизации работы с отзывами и вопросами покупателей на маркетплейсе wildberries - Студенческий научный форум

XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

Личный портфель

Разработка telegram-бота для автоматизации работы с отзывами и вопросами покупателей на маркетплейсе wildberries

Новиков В.Г. 1, Ананченко И.В. 1
1Санкт-Петербургский Государственный Технологический Институт (Технический Университет)
 Комментарии
Текст работы размещён без изображений и формул.
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF

Введение

Современная электронная коммерция на маркетплейсах характеризуется высокой конкуренцией и критической важностью работы с обратной связью клиентов. Отзывы и вопросы покупателей напрямую влияют на рейтинг товара, его видимость в поиске и конверсию продаж [1]. Платформа Wildberries, являясь крупнейшим российским маркетплейсом с более чем 10 миллионами SKU, генерирует огромный поток обратной связи, требующий оперативной обработки [2].

Актуальность разработки заключается в отсутствии на рынке готовых решений, которые бы объединяли: интеграцию с Wildberries API, AI-генерацию ответов, аналитику отзывов и возможность управления через удобный Telegram-интерфейс[3].

Цель

Целью данной работы является разработка автоматизированной системы в виде Telegram-бота для управления отзывами и вопросами покупателей на маркетплейсе Wildberries с использованием технологий искусственного интеллекта.

Задачи исследования:

  1. Проектирование архитектуры системы с гибридным хранилищем данных

  2. Реализация интеграции с API Wildberries для получения и отправки ответов

  3. Внедрение AI-генерации ответов на базе модели DeepSeek

  4. Разработка системы автоматизации с настраиваемыми правилами

  5. Создание модуля аналитики отзывов для выявления проблемных зон товаров

Основная часть.

1. Архитектура системы

Система построена по модульной архитектуре с разделением ответственности между компонентами (рис. 1).

Рис. 1. Архитектура системы

Гибридная модель хранения данных включает два уровня:

  1. Постоянное хранилище (JSON) — файл db.json содержит:

    • Профили пользователей и привязанные магазины

    • API-ключи и токены авторизации Wildberries

    • Шаблоны ответов пользователей

    • Конфигурацию профилей продавцов (JWT-токены + cookies)

  2. Оперативное хранилище (RAM) — переменные в памяти процесса:

    • Кэш страниц отзывов для пагинации (по 10 элементов)

    • Временные AI-черновики перед отправкой

    • Настройки автоматизации по категориям рейтинга

    • Множества ID обработанных отзывов для предотвращения дублирования

Такая архитектура обеспечивает баланс между скоростью доступа (RAM) и надежностью хранения (JSON).

2. Функциональные возможности

2.1. Работа с отзывами

Система предоставляет три способа ответа на отзывы покупателей:

1. Ручной ввод — пользователь самостоятельно формулирует текст ответа через Telegram-интерфейс с использованием FSM для сохранения контекста.

2. AI-генерация — автоматическое создание ответа на базе модели DeepSeek с учетом:

  • Текста отзыва и его тональности

  • Рейтинга (1-5 звезд)

  • Контекста (положительный/отрицательный отзыв)

Промпт для AI включает инструкции по тону общения (вежливый, профессиональный), ограничения по длине (1-3 предложения) и запрет на предложение помощи в личных сообщениях (соответствие политике Wildberries).

  1. Шаблоны — предварительно созданные пользователем текстовые заготовки, хранящиеся в базе данных с привязкой к user_id.

Рис. 2. Главное меню бота

Рис. 3. Отзыв с вариантами ответа: ручной ввод, AI-генерация, выбор шаблона

Отзывы классифицируются по рейтингу (1-5 звезд) и отображаются с пагинацией по 10 элементов. Каждый отзыв содержит метаданные: артикул товара, имя покупателя, оценка, текстовые поля (достоинства, недостатки, комментарий).

Рис. 4. AI-сгенерированный ответ с кнопками отправки и редактирования

2.2. Автоматизация ответов

Фоновый процесс _auto_worker_loop выполняется каждые 20 минут и обрабатывает новые отзывы по настроенным правилам.

Настройки автоматизации конфигурируются отдельно для каждой категории рейтинга (1-5 звезд) с выбором метода ответа (AI или шаблон).

Рис. 5. Настройки автоматизации с переключателями для каждой категории звезд

2.3. AI-анализ отзывов

Модуль аналитики использует AI для выявления паттернов в отзывах:

  1. Загрузка до 1000 отзывов через пагинацию WB API

  2. Группировка по артикулам товаров

  3. Извлечение текстовых полей (основной текст, плюсы, минусы)

  4. Формирование промпта для AI-анализа

  5. Получение структурированной выжимки:

    • Что хвалят покупатели

    • На что жалуются

    • Рекомендации для продавца

Функция analyze_reviews_summary() ограничивает длину ответа (max_tokens: 300) и фильтрует нежелательные фразы, похожие на ответы покупателям.

2.4. Работа с вопросами покупателей

Аналогично отзывам, система обрабатывает вопросы через специализированный API-эндпоинт.

Отображение включает контекст товара: название, артикулы (WB и продавца), имя покупателя, дата вопроса.

3. Реализация

3.1. Интеграция с Wildberries API

Система использует двухуровневую авторизацию:

  1. API-ключ (Bearer token) — для получения отзывов через публичное API

  2. GET https://feedbacks-api.wildberries.ru/api/v1/feedbacks

  3. Authorization: Bearer {API_KEY}

  4. Профиль продавца (JWT + cookies) — для расширенных функций:

    • Отправка ответов на отзывы

    • Получение и ответы на вопросы

    • Расширенная пагинация через cursor

Пагинация реализована через механизм cursor для получения больших объемов данных.

3.3. AI-генерация на базе DeepSeek

Интеграция с OpenRouter API для доступа к модели DeepSeek:

API_URL = "https://openrouter.ai/api/v1/chat/completions"

MODEL = "deepseek/deepseek-chat"

Промпты адаптированы под специфику маркетплейса: упоминание товара, соблюдение политики платформы, ограничение длины.

3.4. Обработка особых случаев

Истечение JWT-токенов — детектируется по HTTP 401/403:

При получении этого кода пользователю предлагается обновить токен через FSM.

Деликатные данные — API-ключи и токены хранятся в JSON с ограниченным доступом, но рекомендуется миграция на переменные окружения (.env).

Разделение длинных сообщений — при превышении лимита Telegram (4096 символов) текст делится по переносам строк.

Заключение

В результате работы разработана полнофункциональная система автоматизации работы с отзывами и вопросами покупателей на маркетплейсе Wildberries в виде Telegram-бота. Система успешно решает поставленные задачи:

  1. Снижение времени обработки — автоматизация позволяет отвечать на до 80% типовых отзывов без участия человека, сокращая время реакции с нескольких часов до 20 минут (период фонового цикла).

  2. Качество ответов — использование модели DeepSeek обеспечивает генерацию естественных, контекстных ответов, превосходящих традиционные шаблоны по персонализации.

  3. Масштабируемость — гибридная архитектура хранения и модульная структура кода позволяют одному пользователю управлять неограниченным количеством магазинов.

  4. Аналитика — встроенный AI-анализ выявляет системные проблемы товаров, позволяя оперативно корректировать описания и характеристики.

Исходный код системы опубликован в открытом репозитории на GitHub: https://github.com/Vyacheslav-Novikov/My_tg_bots.git

Список литературы

  1. Chevalier, J. A., Mayzlin, D. The Effect of Word of Mouth on Sales: Online Book Reviews // Journal of Marketing Research. – 2006. – Vol. 43, № 3. – P. 345-354. – DOI 10.1509/jmkr.43.3.345.

  2. Wildberries. Официальная статистика маркетплейса [Электронный ресурс]. – URL: https://www.wildberries.ru/services/prodazhi-i-trendy (дата обращения: 12.02.2026).

  3. Gu, B., Park, J., Konana, P. Research Note—The Impact of External Word-of-Mouth Sources on Retailer Sales of High-Involvement Products // Information Systems Research. – 2012. – Vol. 23, № 1. – P. 182-196. – DOI 10.1287/isre.1100.0343.

  4. Xu, A., Liu, Z., Guo, Y., Sinha, V., Akkiraju, R. A New Chatbot for Customer Service on Social Media // Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems (CHI '17). – 2017. – P. 3506-3510. – DOI 10.1145/3025453.3025496.

  5. Документация aiogram 3.x [Электронный ресурс]. – URL: https://docs.aiogram.dev/en/latest/ (дата обращения: 12.02.2026).

  6. Wildberries API Documentation. Методические материалы для продавцов [Электронный ресурс]. – URL: https://openapi.wildberries.ru/ (дата обращения: 12.02.2026).

  7. Brown, T. B., Mann, B., Ryder, N., et al. Language Models are Few-Shot Learners // Advances in Neural Information Processing Systems (NeurIPS). – 2020. – Vol. 33. – P. 1877-1901.

  8. Zhao, W. X., Zhou, K., Li, J., et al. A Survey of Large Language Models // arXiv preprint arXiv:2303.18223. – 2023.

Просмотров работы: 4