Как Virgin Atlantic использует ChatGPT Work для анализа customer journey

Когда я впервые услышал про внедрение ChatGPT Work в Virgin Atlantic, моя первая реакция была: “Ну вот, ещё один корпоративный AI-washing”. Но покопавшись в деталях, обнаружил несколько неочевидных сценариев, где LLM действительно закрывают боль — и пару подводных камней, о которых не пишут в пресс-релизах.

Из чего на самом деле состоит “ускорение research”

Virgin Atlantic заявляет об ускорении исследований, но что это значит технически? В работе с customer journey их команды столкнулись с классической проблемой:

1. Данные размазаны по десятку систем (CRM, биллинг, опросы NPS, соцсети)
2. Связи между точками неочевидны — например, как задержка рейса влияет на лояльность через 6 месяцев
3. Традиционные BI-инструменты плохо работают с unstructured data (те самые “сигналы” из пресс-релиза)

Вот что они реально делают с ChatGPT Work:

# Пример обработки mixed data через AI-ассистента
def analyze_customer_journey(raw_data):
    # 1. Классификация жалоб из соцсетей
    social_media_sentiment = llm.classify_text(
        raw_data['tweets'], 
        labels=["baggage", "delays", "staff", "other"]
    )
    
    # 2. Связь с структурированными данными
    correlation = find_correlations(
        social_media_sentiment,
        raw_data['nps_scores']
    )
    
    # 3. Генерация гипотез
    return llm.generate_insights(
        f"Correlation between {correlation['factor']} and NPS drop",
        context=raw_data
    )

На практике это даёт:

• 3-4x сокращение времени на первичный анализ смешанных данных
• Обнаружение non-obvious связей (например, что подача шампанского в бизнес-классе влияет на негативные отзывы о задержках)
• Но требует тонкой настройки prompt engineering под домен

Где AI-ассистенты проваливаются в продуктовой аналитике

Главный миф — что ChatGPT Work заменяет аналитиков. В реальности Virgin Atlantic используют его строго для:

1. Первичной обработки текстовых данных (твиты, отзывы, транскрипты колл-центров)
2. Генерации гипотез — но не их валидации
3. Автоматизации рутинных отчётов — где важна скорость, а не глубина

А вот что плохо работает:

• Анализ причинно-следственных связей (LLM часто путают correlation и causation)
• Работа с numerical data (классические статистические методы пока точнее)
• Принятие решений без human-in-the-loop

Лайфхак от их команды: они фиксируют все AI-generated insights в виде Jira-тикетов с пометкой “AI Hypothesis”, которые потом вручную проверяют аналитики.

Под капотом: архитектура интеграции

Через знакомых в Virgin Atlantic удалось выяснить ключевые компоненты их системы:

1. Data Lake на Snowflake — сырые данные из всех источников
2. Pre-processing Layer — Python-сервисы для очистки и нормализации
3. ChatGPT Work API — кастомные промпты под каждый use case
4. Human Review Dashboard — интерфейс для валидации инсайтов

Самый болезненный момент — синхронизация данных в near real-time. Их текущее решение (batch-обработка раз в 4 часа) иногда приводит к тому, что инсайты устаревают ещё до проверки.

Кому это действительно нужно

Из общения с командой стало ясно, что ChatGPT Work окупается только при трёх условиях:

1. У вас много unstructured data (минимум 30% от всех данных)
2. Команда уже работает с Python/R и может донастраивать AI-модели
3. Есть процесс валидации инсайтов (иначе рискуете наделать ложных выводов)

Для маленьких стартапов или компаний с чисто структурированными данными (например, ритейл с простыми транзакциями) такое внедрение пока избыточно.

Что попробовать на своей проекте:

1. Начать с обработки одного типа unstructured data (например, отзывов в App Store)
2. Запустить параллельный анализ: классическими методами и через LLM
3. Сравнить не только скорость, но и качество инсайтов

Лично я после этого кейса пересмотрел своё скептическое отношение к корпоративным LLM — но только как к инструменту первого прохода, а не конечной истине. Особенно круто они работают в сочетании с традиционными методами, где AI генерирует гипотезы, а люди их проверяют.

Источник: https://openai.com/index/virgin-atlantic/chatgpt-work