Hitech logo

Кейсы

Как Сбербанк применяет AI для анализа обратной связи сотрудников

TODO:
Роман СавицкийСегодня, 10:59 AM

В крупных компаниях регулярные опросы сотрудников — это стандартный инструмент. Они позволяют собирать обратную связь и отслеживать общее состояние организации. Как правило, основное внимание уделяется числовым метрикам, тогда как текстовые комментарии остаются вторичным источником информации из-за их объема. В Сбербанк ситуация была иной по масштабу. В одной из крупнейших технологических компаний с почти 300 000 сотрудников каждый квартал собирались сотни тысяч текстовых комментариев. В этих данных содержались не только рабочие вопросы, но и более глубокие сигналы, которые невозможно увидеть в цифрах. Изначально задача формулировалась как аналитическая. Однако при работе с сырыми данными Денис Чевкота, возглавляющий направление AI-разработки, обратил внимание на отдельные комментарии, которые выходили за рамки стандартной HR-аналитики. В одном из них содержалось прямое упоминание суицидальных мыслей.

00
Самые интересные технологические и научные новости выходят в нашем телеграм-канале Хайтек+. Подпишитесь, чтобы быть в курсе.

Этот момент стал ключевым. Стало понятно, что даже единичные сообщения такого рода не могут оставаться незамеченными в массиве из сотен тысяч текстов. При ручной обработке вероятность их своевременного обнаружения была крайне низкой.

Telegram начал автоматически подключать пользователей из России к своему встроенному прокси

Именно после этого Денис инициировал создание системы, способной автоматически находить подобные сигналы в масштабе всей компании. По сути, речь шла о задаче, для которой на тот момент не существовало устоявшихся практик внутри корпоративной аналитики: текстовая обратная связь практически нигде не использовалась как инструмент выявления подобных состояний.

От анализа текста к системе раннего обнаружения

Проект был переосмыслен. Помимо классической задачи структурирования обратной связи, в него была добавлена новая цель — выявление сообщений, требующих повышенного внимания.

Под руководством Дениса Чевкоты была разработана NLP-система, которая:

  • классифицирует комментарии по ключевым темам;
  • агрегирует основные проблемные зоны;
  • формирует сжатую аналитику для бизнеса;
  • выделяет эмоционально нагруженные и потенциально критические сообщения.

    • Таким образом, система стала не только инструментом анализа employee experience, но и механизмом раннего обнаружения сигналов, которые могут иметь критическое значение. Подобное объединение классической HR-аналитики и выявления чувствительных состояний сотрудников ранее практически не реализовывалось в рамках одной системы в таком масштабе.

    Масштаб и техническая реализация

    Система обрабатывает сотни тысяч комментариев в каждом цикле опроса.

    В архитектуре используются:

  • модели на базе трансформеров для классификации текста;
  • embedding-подходы для семантической группировки;
  • алгоритмы кластеризации для выявления повторяющихся тем;
  • пайплайны суммаризации для формирования итоговых выводов.

    • До 85–90% комментариев проходят автоматическую обработку, а время подготовки аналитики сокращается с нескольких недель до нескольких дней.

    Это делает возможным регулярный анализ текстовой обратной связи в масштабах всей организации — уровень автоматизации, который ранее был практически недостижим при работе с подобными объемами неструктурированного текста.

    Выявление критически важных сигналов

    Ключевым элементом системы стал отдельный слой анализа эмоционально тяжелых сообщений, добавленный по инициативе Дениса после работы с реальными данными.

    Его задача — не просто определить тональность, а выделить сообщения, которые могут указывать на серьезное состояние человека.

    Система:

  • выявляет выраженную тревогу и стресс;
  • отличает обычный негатив от более тяжелых состояний;
  • выделяет редкие, но значимые комментарии в отдельный поток.

    • Менее 1% сообщений попадает в этот контур. Но именно эти сообщения требуют наибольшего внимания.

    Далее они могут быть переданы на дополнительную проверку и, при необходимости, стать основанием для более адресной реакции — вплоть до предложения психологической поддержки. В этом смысле система фактически берет на себя задачу, которая раньше могла решаться только вручную и без гарантии, что такие сигналы будут замечены.

    Практическое значение

    Система не влияет напрямую на выручку или продуктовые метрики. Ее ценность лежит в другой плоскости.

    Она позволяет:

  • не терять важные сигналы в большом массиве данных;
  • быстрее реагировать на изменения внутри компании;
  • видеть не только общие тренды, но и отдельные критические случаи.

    • В условиях большой организации это принципиально меняет подход к работе с обратной связью.

    Роль ИИ в задачах, где важна своевременность

    Проект показывает, что применение AI может выходить за рамки классической бизнес-аналитики.

    В данном случае речь идет о задаче, где важна не только точность модели, но и своевременность обнаружения отдельных сообщений. Даже единичный пропущенный сигнал может иметь серьезные последствия.

    Использование NLP позволяет значительно снизить вероятность того, что такие сообщения останутся незамеченными.

    Именно поэтому подобные системы начинают играть роль не только в повышении эффективности процессов, но и в более внимательной работе с состоянием людей внутри крупных организаций.