Кейс AI-интегратора: Al-ina — аналитика разговоров в рознице

Как это было

Три слоя — три вехи

Q4 2025 – Q1 2026 контур захвата

Stream Server Manager + STT

RTMP через MediaMTX, онлайн-транскрипция Yandex SpeechKit, единый timeline в SQLite. Задача интегратора — не точечный промпт, а инфраструктура «запись → события → хранение».

19.02.2026 AI-слой v1

Первые prod-визиты

Семантическая нарезка (rule-based, без LLM) + DeepSeek: summary, KPI t2, детектор продажи. Веб-дашборд на порту 8001.

06.04.2026 STT A/B

Whisper vs Яндекс

Реальный тест: 48,5 мин OGG → 21 мин Whisper, 3088 STT-событий, 4 визита. Выбран гибрид: Whisper для batch-смен (0 ₽), Яндекс — для RTMP-стриминга.

05–06.2026 масштаб

2 точки + продукт Al-ina

salon1 (Бреды) и salon2 (Варна), стандарт ПС для операторской сети, validation pipeline, лендинг al-ina.ru.

Итог за период пилота: 2 584 JSON-карточки визита (2 583 успешно парсятся), 50 244 STT-событий в timeline, ~124k фраз внутри визитов (avg 48/визит), 166 legacy-case файлов и 173 LLM-разметки pairwise-merge для ML. Четыре потока: salon1 Бреды (ПС), salon2 Варна (ПС), ранний t2-пилот (UUID-поток, фев–март), unknown (52).

Связь «посетители в двери → продажа» и привязка к сотруднику — этап 2.

Для владельца розницы

Боль → AI-решение

БольНе знаю, что происходит в зале прямо сейчас

→

Непрерывная запись смены + дашборд с визитами по часам. Руководитель видит картину дня, не 8 часов аудио.

БольТайный покупатель — дорого и выборочно

→

100% записанных диалогов проходят одну шкалу KPI. Охват ×500+ vs 5–10 проверок в месяц.

БольОценки субъективны

→

Гибридный скоринг: regex-маркеры + DeepSeek по фиксированному rubric. Одна шкала для всех сотрудников.

БольНе понимаю — купил клиент или ушёл

→

Детектор продажи с evidence-цитатой: algo-маркеры + LLM на хвосте диалога. Не догадка — конкретная фраза.

БольНарушения всплывают через недели

→

Автофлаги речи: 220 algo-маркеров (мат / forbidden) + 133 KPI «нарушение» на t2-шкале — без ручного прослушивания.

БольТону в сырой расшифровке

→

Карточка визита: резюме, запрос, действия, продукты, KPI breakdown. Управленческий вывод, не STT-дамп.

Обсудить пилот →

Два стандарта — не смешиваем

t2 и ПС — отдельные шкалы KPI

Разные rubric — разные метрики. salon2 — это ПС, не t2. Ранний t2-пилот — отдельный UUID-поток (409 визитов, фев–март). Не смешиваем в одну цифру.

Стандарт t2 · ранний пилот

409 визитов · фев–март 2026

1UUID-поток (до переименования в salon2)

24 KPI + бонусы · макс. 60 баллов

3sale_detector + DeepSeek summary

4Showcase MNP visit_e607b1e9 · score 100%

20,5%

sale «продажа» (84/409)

~41%

avg score_pct · n=1033*

*score_pct есть и у части ПС-визитов (624 legacy salon1 с dual-score). Для t2-card — только UUID-поток.

Стандарт ПС · 2 точки

2 174 визита · salon1 + salon2 + unknown

1salon1 Бреды — 1 713 (624 dual-score legacy)

2salon2 Варна — 409 · ПС с апреля

3Расширенный чеклист: зал, имя, cross-sell…

4ps_score_pct — отдельная шкала в UI

~16%

avg ps_score_pct

196

пик визитов/день · salon1 16.05

ПС-шкала жёстче: 1 567 «низкий балл» vs 2 «отлично». Пик нагрузки: апр–май (954 + 946 визитов/мес).

Интерфейс

Как это выглядит в работе

Showcase-визит с аудio + скриншоты prod-дашборда (полная ширина, без обрезки) · PII скрыты.

Showcase · MNP · точная нарезка audio

visit_6c9e9368 · визит #16

26.04.2026 · 10:35–10:40 · 5 мин · МТС → t2 · upload-audio (не inferred)

72% PS Продажа Полгода связи в подарок

Аудиофрагмент визита (~5 мин)

Точная нарезка из upload-audio · prod salon1 · PII в записи могут присутствовать

Showcase MNP + audiovisit_6c9e9368 · PS 72% · продажа · точная нарезка upload-audio

Prod-дашборд · al-ina.ru/dashboard/

Prod-дашборд Al-ina: KPI, конверсия, графики, чеклист ПС

1. Аналитика сетиProd screenshot · 07/2026 · обзор KPI · визиты по часам · уровни ПС

Карточка визита с KPI, продажей, аудио и чеклистом ПС

2. Карточка визитаProd screenshot · 07/2026 · KPI · продажа · запись · чеклист ПС · visit #90

Доверие

Compliance и передача контекста

🔒

Официальные API

Yandex SpeechKit — STT, gRPC-стриминг
DeepSeek API — structured JSON-анализ
Без парсинга мессенджеров и серых схем

🏢

Данные on-premise

SQLite на сервере клиента, ключи не в бэкапах
Внутренний контроль качества работодателя
PII в кейсе и UI — скрыты или обезличены

👤

Человек в контуре

AI не увольняет — даёт факты для беседы с сотрудником
При «нарушении» — готовая evidence-цитата
Ошибки STT учтены в промпте скоринга

⚙️

Ограничения платформы

Whisper batch — не real-time; задержка до конца смены
Качество зависит от микрофона и акустики зала
CRM/POS — отдельная интеграция (этап 2)

🛒

Sale vs POS · этап 2

Сейчас: детектор по речи, ~73% «неясно» в prod
Ground truth: сверка с чеками кассы / CRM
Цель: precision/recall на выборке 100+ визитов
До валидации не используем sale% в ROI-цифрах

📊

Prod-скрины · не mock

Секция «Интерфейс» — live dashboard
Аналитика и карточка визита
PII в расшифровках не публикуем

Как используют

10 минут утром → факты для разговора

Внедрение AI в рознице упирается не в STT, а в доверие персонала. Кейс описывает типовой сценарий пилота — не HR-исследование, а рабочий процесс.

Руководитель салона за 10 минут утром открывает дашборд за вчера: фильтр «нарушения» и «низкий балл». Выбирает 1–2 визита с evidence-цитатой — не «плохой сотрудник», а конкретный эпизод. 5-минутная беседа по факту, не по ощущению.

Типовой сценарий пилота · не цитата клиента

Система не заменяет оценку — даёт объективный арбитр: одна шкала KPI для всех, одна evidence-строка для разбора. Снижает конфликт «надзиратель vs продавец».

Из блока «Человек в контуре» · feedback пилота

Темы для обучения · salon1 (backup dump)

Агрегат по 1 713 визитам ПС-шкалы. Algo-флаги зависят от STT — используем как гипотезы для тренинга, не как приговор.

Тема	Доля визитов	Как использовать
Низкий балл ПС	70% (1 206 / 1 713)	Ежемесячный разбор rubric, не точечные увольнения
Algo: нет приветствия	~90%	Тренинг скрипта открытия · проверить микрофон/STT
Algo: нет cross-sell	~76%	Тема «доп. услуги» на планёрке
Algo: нет прощания	~83%	Закрытие визита · checklist на смене
Требует внимания	25% (429)	Приоритет прослушивания / разбора

Экономика владельца

Стоимость проверки одного диалога

Метрика для CFO: сколько стоит объективная оценка визита при сплошном охвате vs выборочный тайный покупатель.

Модель	Охват	₽ / диалог	Комментарий
Тайный покупатель	5–10 / мес	~1 000 ₽	5 000 ₽ / 5 проверок · субъективно · не масштабируется
Al-ina пилот	100% записанных	~12 ₽	VPS ~2 500 ₽/мес + DeepSeek ~8 ₽/визит · Whisper batch 0 ₽
Al-ina · 10 точек*	100%	~15–25 ₽	*Тот же VPS, STT marginal ≈0; растёт только API LLM линейно

Расчёт: 2 584 визита за ~4,5 мес пилота → ~574 визита/мес. Месяц ≈ 2 500 + 574×8 ≈ 7 100 ₽ → 12 ₽/визит. Допущения — scripts/case_study_metrics.py.

Три потока денег — раздельно

Что уже измерено

Охват QA · визиты2 584 JSON
STT timeline · streams.db50 244 фраз
Длительность диалогов~107 ч
STT 48,5 мин · Whisper / Яндекс*0 / ~730 ₽
Algo-флаги речи + KPI нарушения220 + 133
ML corpus (exports merge)130 378 строк

*Контрфакт: 48,5 × 15 ₽/мин. Тест 06.04.2026.

Этап 2 · в работе

Что считаем дальше

Конверсия foot traffic → продажаYOLO
ROI обучения по AI-отчётамA/B
Экономия FTE контролёра₽
Sale detector vs касса POSvalid.
Validated-only метрикиmerge ML

Операции (STT + сервер) ≠ маркетинг (не применимо) ≠ выручка салона (детектор продажи ≠ чек на кассе).

Результаты AI-слоя

2 584 визита — главная метрика интеграции

2 584

visit_*.json в prod-дампе · manifest 18.06.2026

380

sale «продажа» · 246 salon1 + 84 t2-pilot + 42 salon2 + 8 unknown

173

pairwise LLM labels · 27 дней · ML merge dataset

Algo + LLM: regex закрывает очевидные продажи и штрафы; DeepSeek вызывается на summary, KPI и хвосте диалога, когда algo не уверен. Это снижает cost API и false negative на «мягких» закрытиях.

Полная таблица prod-метрик · verify-light dump

Показатель	Значение	Источник
visit_*.json файлов	2 584 (2 583 parse OK)	manifest.txt
STT timeline_events	50 244	dbs/streams.db
STT snapshot 16.04	11 528 (salon1 6559, salon2 3124, unknown 1845)	data/exports/
Длительность диалогов	~107 ч (avg 2,5 мин/визит)	visits JSON
Фраз в визитах (avg)	48,2 / визит	visits JSON
sale «продажа» / «нет» / «неясно»	380 / 313 / 1 890	visits JSON
Конверсия sale (all)	14,7%	visits JSON
t2-pilot sale conv	20,5% (84/409)	UUID stream
salon2 sale conv	10,3% (42/409)	visits JSON
avg score_pct	40,6% (n=1 033)	t2 + legacy dual
avg ps_score_pct	16,1% (n=2 174)	ПС-шкала
KPI «нарушение» t2	133	score_level
algo profanity/forbidden	220	visit flags
legacy cases	166	cases/
validated example	30 визитов / 15.04 salon1	data/reprocessed/
Визиты по месяцам	фев 297 · мар 190 · апр 954 · май 946 · июн 196	visits JSON
Продажи по месяцам	фев 69 · мар 32 · апр 135 · май 106 · июн 38	visits JSON
ML STT corpus (dedup merge)	130 378 строк · 173 pair labels	ml_pairwise_bulk/

На 1000 визитов: ~147 продаж · ~121 отказ · ~732 неясно. Whisper A/B: 48,5 мин → 21 мин, 3 088 STT-событий, 4 визита (06.04.2026).

Архитектура данных

Пять слоёв — пять источников цифр

Каждая метрика в кейсе привязана к конкретному слою. Не смешиваем STT-объём, visit JSON и live API в одну «ROI-цифру».

Диаграмма пяти слоёв данных: захват, STT, сегментация, AI, метрики

Слой	Артеfact	Ключевая цифра	Для чего в кейсе
L1 Захват	OGG archive, RTMP	~3,5 GB архив смен	Доказательство непрерывной записи
L2 STT	streams.db, exports	50 244 · 11 528 · 130 378 rows	Объём распознанной речи
L3 Сегментация	semantic_splitter + validation	173 pair labels · 30 validated	Качество границ визитов
L4 AI	visit_*.json, cases/	2 584 JSON · 166 cases	KPI, sale, compliance
L5 UI	/stats API, dashboard	live ниже ↓	Текущее состояние prod

Live prod · al-ina.ru/stats

Сейчас на сервере

Запрос API · 30.06.2026

Визитов2 363
Продаж355 (15%)
Неясно1 702 (72%)
Avg score46%
Нарушения98
Потокиsalon1 · salon2 · salon4 · uuid · unknown

Backup dump · 18.06.2026

verify-light snapshot

backups/ssm/verify-light/

visit_*.json2 584
Продаж380 (14,7%)
STT timeline50 244
Длительность~107 ч
Нарушения KPI133
salon4ещё не было

Почему цифры различаются: backup — полный снимок файлов на 18.06 (включая UUID t2-pilot и битый JSON). Live API — текущий индекс дашборда: часть визитов могла быть пересобрана, добавлен salon4, метрики levels смешивают t2 и ПС в одном avg score. Для кейса используем backup для глубины (помесячно, по потокам, STT) и live для актуальности.

Матрица потоков · backup dump

stream_id	Точка	Стандарт	n	sales	conv
salon1	Бреды	ПС (+624 legacy)	1 713	246	14,4%
salon2	Варна	ПС	409	42	10,3%
b36d9e99-…	ранний пилот	t2	409	84	20,5%
unknown	—	ПС	52	8	15,4%
salon4	—	—	только в live prod (после 18.06)

unknown (52 визита, 2%): визиты без привязки stream_id в раннем upload — обрыв сети / старый client_tools. Мониторим через manifest; в ROI-агрегатах не смешиваем с salon1/2. Исправление: явный stream_id в auto_send + retry.

Сроки

Roadmap внедрения

01 · 2–3 нед

Исследование

Обход салона, KPI rubric, тест микрофона, RTMP

02 · 3–4 нед

AI-слой v1

Splitter, DeepSeek pipeline, дашборд

03 · 2 нед

STT + точки

Whisper batch, client_tools, 2-я точка

04 · 4–6 нед

Validation

Pairwise LLM merge, validated visits

05 · Q3 2026

Видео + HR

YOLO visitors, профили, Telegram

Слой	Решение	Статус
Захват	RTMP + batch OGG (auto_record → auto_send)	✅ Prod
STT	Whisper batch + Yandex stream	✅ Prod
Сегментация	semantic_splitter (rule-based)	✅ Prod
AI	DeepSeek: summary, KPI, sale	✅ Prod
Validation	Pairwise LLM + cluster	🔶 Pilot
Видео	YOLOv8n analytics_service	🔶 Infra
UI	al-ina.ru + /dashboard/	✅ Prod
Хранение	SQLite (пилот) → PostgreSQL + Timescale @ 50+ точек	🔲 Этап 2
POS ground truth	Sale detector vs чеки кассы	🔲 Этап 2
CRM	—	🔲 Этап 2

Честно

Ограничения и границы

Не обещаем

✕«+50% продаж за месяц» без A/B обучения и baseline
✕100% точность sale detector — 73% визитов «неясно», segmentation в доработке
✕Замена HR / автоматические увольнения «по боту»
✕Конверсия foot traffic без YOLO-счётчика посетителей
✕Fine-tune custom model — applied LLM + rules

Что сделано

✓Сквозной prod-контур от микрофона до дашборда в Docker
✓2 584 визита + 50k STT-фраз + 130k строк ML-корпуса
✓4 prod-потока: salon1, salon2, t2-pilot UUID, unknown
✓STT A/B с реальными цифрами и выбором Whisper для batch
✓Roadmap validation + ML merge — архитектура заложена

Al-ina

Applied LLM для розницы

Technical appendix — стек, guardrails, eval. Лендинг — демо и тарифы.

Docker Whisper DeepSeek FastAPI MediaMTX YOLOv8

Pipeline в technical appendix Лендинг al-ina.ru Демо-дашборд

Микрофон → RTMP → STT → визиты → DeepSeek KPI → дашборд