En butik får hundredvis af anmeldelser og returneringer hver måned, men de er spredt: modulet til anmeldelser i WooCommerce, Google Business Profile, vurderinger på markedspladserne Amazon og DBA, kommentarer på Facebook og Instagram og den returårsag, som en kassemedarbejder skriver som fritekst i returdokumentet i SAP Business One. En leder ser på de få dårligste vurderinger på Amazon, fordi de påvirker placeringen i salgslisten, mens systematiske problemer, for eksempel en bestemt model, som alle returnerer, fordi den er lille i størrelsen, først opdages efter sæsonen, når varerne allerede er købt hjem igen.
Vi samler kilderne til anmeldelser og returårsager i ét flow: anmeldelser fra WooCommerce via API'en, Google-profilen, vurderinger fra Amazon og DBA via udtræk fra sælgerportalen, kommentarer på Facebook og returdokumenter fra SAP Business One via en periodisk udtrækning. Claude eller ChatGPT via API tildeler hver registrering et emne (størrelse, kvalitet, levering, afvigelse fra beskrivelsen, service, pris), vurderer stemningen og knytter den til et bestemt produkt ud fra varenummeret i SAP Business One eller ordren i WooCommerce. Resultaterne skrives til en datatabel, hvorfra en Power BI-rapport viser fordelingen på emner, de produkter med flest tilbagevendende problemer og udviklingen fra uge til uge. Hver mandag får lederne et kort resumé med konkrete eksempler og links til de oprindelige indlæg. Beslutninger om sortiment, beskrivelser eller leverandør træffes af mennesker, og systemet viser kun, hvor man skal kigge. Modellen kører på Anthropics API, Amazon Bedrock i en EU-region eller OpenAIs platform uden træning på jeres data, og kundernes navne fjernes før analysen.