Как внедрить LLM-бота для exit-интервью: пошаговый разбор на реальном кейсе

В статье на Habr автор описал эксперимент: за 2 недели бот провёл 59 сессий exit-интервью, получил 20 осмысленных ответов (34% конверсии). Это позволило выявить ключевые причины отказов - от слишком высокой цены до неочевидных багов. Ниже - пошаговая схема, как повторить.

1. Бот должен появляться, когда пользователь закрывает окно оплаты (или кнопку покупки) - в момент ухода с пейволла. Используйте событие onClose или onCancel в вашем интерфейсе.
2. Выберите LLM-провайдера и модель. Для русскоязычной аудитории подойдут YandexGPT, GigaChat или GPT-4o. Важно: модель должна поддерживать диалоговый формат и уметь задавать уточняющие вопросы.
3. Напишите системный промпт. Пример из источника: «Ты - вежливый аналитик, который выясняет причины отказа от покупки. Задай один открытый вопрос, затем при необходимости уточни. Не предлагай скидки - только собирай фидбек. Не используй маркетинг». Сохраняйте нейтральный тон.
4. Интегрируйте вызов API. Отправляйте историю диалога в LLM при каждом ответе пользователя. Держите контекст в течение сессии (3-4 сообщения), чтобы бот мог уточнить детали. Оберните в асинхронную функцию, чтобы не блокировать UI.
5. Сохраняйте ответы в БД. Для анализа минимум поля: user_id (анонимизированный), timestamp, текст ответа, выявленная причина (после классификации через LLM или вручную).
6. Настройте постобработку. После завершения диалога отправляйте всю сессию на повторный промпт для извлечения причины ухода в структурированном виде (JSON: reason, quote, sentiment). Это ускорит анализ.
7. Проанализируйте первые 50-100 сессий. Разделите причины на категории: цена, функционал, доверие, технические проблемы, неуверенность. Автор обнаружил, что 40% отказов были из-за «непонятно, что внутри» - это помогло переписать описание продукта.