В нейросетях клиентской поддержки. Кто и как делает сервис, отвечающий на негативные отзывы
Как научить машину понимать отзывы.
ReputationEarth
Reputation Earth
Место работы:
Reputation Earth
Сайт:
reputation.earth
Работает с:
1 марта 2011
Немного обо мне:
Мы группа компаний, объединённых стремлением предложить лучший репутационный менеджмент. Наша философия — удалять негатив законно, с пожизненной гарантией, закрывать репутационные бреши наших клиентов и показать им, как можно быть лучше. Мы разрабатываем свои сервисы, сейчас работаем над Leveling — сервис правильных ответов на негативные отзывы
Личный сайт:
reputation.earth
Добавил комментарий
6 декабря 2019, 17:05
Тренды
В нейросетях клиентской поддержки. Кто и как делает сервис, отвечающий на негативные отзывы
Благодарим, что оценили идею. Наша основная цель именно в том, чтобы совершенствовать систему, и от шаблонов перейти к персонифицированным, уникальным ответам.
Добавил комментарий
6 декабря 2019, 17:05
Тренды
В нейросетях клиентской поддержки. Кто и как делает сервис, отвечающий на негативные отзывы
Спасибо, согласны! Однако, даже если негатив появляется на "недобросовестном" сайте лучше его отработать, ответив автору отзыва.
Добавил комментарий
6 декабря 2019, 17:04
Тренды
В нейросетях клиентской поддержки. Кто и как делает сервис, отвечающий на негативные отзывы
Спасибо, что оценили! Действительно у компаний очень часто не хватает времени на мониторинг и грамотное реагирование на упоминания. Мы хотим максимально автоматизировать этот процесс, сделать его быстрым и удобным.
Добавил статью
22 ноября 2019, 09:05
Тренды
В нейросетях клиентской поддержки. Кто и как делает сервис, отвечающий на негативные отзывы
Существует огромное количество алгоритмов word-embedding, начиная с word2vec и заканчивая bert. Мы планируем написать еще более подробную статью технического характера. Как будет, пришлем ссылку:)