Как мы масштабировали ORM без роста команды при увеличении упоминаний в 3 раза

К нам обратился digital-бренд (NDA) с задачей системного ORM-сопровождения. Основной запрос — отслеживание всех упоминаний бренда в соцсетях и мессенджерах с их классификацией по:

• тональности

• типу сообщения

• темам обсуждений

Ключевая сложность заключалась в росте масштаба: за год количество упоминаний увеличилось в 3 раза. 

При сохранении прежнего подхода это требовало бы пропорционального роста команды аналитиков. Наша цель была другой: сохранить качество и сроки обработки без увеличения человеческих ресурсов.

Ручная обработка упоминаний хорошо работает до определённого объёма. При резком росте инфополя она превращается в узкое место: либо растёт команда, либо падают скорость и контроль.

Мы пошли по пути поэтапной автоматизации обработки сообщений.

Этап 1. Базовая автоматизация

Оптимизировали работу с инструментами мониторинга и аналитики инфополя (Brand Analytics), чтобы ускорить выгрузку и первичную обработку данных.

Этап 2. Автоматизация с применением ИИ

Разработали и внедрили модель прогнозирования на базе нейросети, которая:

• анализирует тексты упоминаний

• автоматически классифицирует их по типам и темам

• присваивает теги для дальнейшей работы

Процесс выглядел так:

1. Специалист выгружает массив упоминаний из системы мониторинга

2. Прогоняет данные через модель прогнозирования

3. Получает размеченный массив сообщений

4. Загружает его обратно в систему для финальной проверки

Особый фокус сохранялся на WOM-упоминаниях — они оставались под внимательным контролем аналитика.

У нас не было готовых кейсов или рыночных бенчмарков: мы изобретали решение с нуля, без предыдущего опыта применения подобных моделей в ORM-проектах.

Это потребовало тестирования, ручной валидации результатов и постепенной настройки логики модели под реальные данные.