RAG_helper/docs/COMPETITOR_ALEXANDRA_top100.md

Разбор конкурента «Александра» — первые 100 диалогов из 2691

Источник: dialogs-export-2026-04-27-09-45-07.xlsx (clinic-lor@mail.ru, ЛОР-клиника, Пермь, 2 филиала). Дата экспорта: 27.04.2026. Дата анализа: 27.04.2026.

Метрики конкурента (по сводке файла)

• 2691 диалог за период.
• 6.1 сообщений на диалог в среднем.
• Каналы: Widget 87%, VK 13%, Max/Telegram единицы.
• 684 диалога с тегом has_tool_calls = ~25% общая конверсия в передачу заявки администратору. В первых 100 — 32% (часть из них — повторные обращения тех же клиентов).
• Расход $ после рестарта = 0 (т.е. они на Botcoin/локальной модели).
• Средний расход 2.76 Botcoin/диалог.

Архитектура их сценария (восстановлена по стенограммам)

Воронка из 3 шагов, не 4:

1. Triage — бот сразу собирает причину обращения, не настаивая на имени, без отдельного intro.
2. Pitch — называет цену первичного приёма (от 2500 ₽), упоминает что эндоскопия +1000 ₽ оплачивается отдельно, предлагает записать.
3. Capture — просит только телефон. Имя — опционально, бот достаёт его из реплик сам. Дальше save_user_data и шаблонная плашка прощания.

Шаблон закрытия после tool_call (одинаковый везде, помечен [Шаблон]):

«Я отправила ваши данные администратору. Ожидайте звонка. Мне было приятно с вами общаться. Хорошего дня и спасибо за выбор нашей клиники!»

Структура tool_call (полезно подсмотреть для нашего):

{
  "phone": 89922070601,
  "source": "Сайт",
  "context": "Пациентка переболела, был сильный кашель, сейчас дискомфорт при глотании",
  "service": "Прием ЛОР-врача"
}

Контекст и услугу LLM формирует сам из истории — это даёт администратору готовое описание лида без необходимости перечитывать диалог.

«Догоняющее» сообщение при молчании клиента: системный триггер пишет ассистенту «Клиент не ответил отправь ему еще одно сообщение: "У вас остались еще какие-то вопросы?"», ассистент пересылает. Несколько раз в выборке именно это возвращало клиента в воронку и приводило к захвату телефона.

Темы пациентов (распределение по 100 диалогам)

В порядке убывания частотности:

1. Запись по симптому (болит ухо, насморк, заложенность, выделения, шум, головокружение) — около половины обращений.
2. Запись к конкретному врачу по фамилии — ~15%.
3. Стоимость услуги/процедуры — ~10%.
4. Справка для налогового вычета — повторяется 8+ раз в первой сотне с почти идентичным длинным ответом. Кандидат на отдельный intent с готовым шаблоном.
5. Дети (с рождения, аденоиды, отиты, шунты) — ~10%.
6. Перенос/отмена записи — ~5%.
7. Доверенность для бабушки сопровождать ребёнка — есть готовый текстовый шаблон от руки.
8. График работы / праздники, адреса, ОМС/ДМС, рассрочка, оплата по QR — короткие FAQ.
9. Отсев по географии (Казахстан, Тула, Калуга, Златоуст, Кизел) — клиника только в Перми.

Что у них работает (можно перенять)

• Минимум полей в lead-форме: только phone. Имя/контекст бот собирает сам. Снимает фрикцию.
• Контекст и услуга в JSON автоматически — экономит время администратора.
• Шаблонные ответы для типовых FAQ (налоговая справка, доверенность) выдаются мгновенно и без LLM-творчества — стабильно и дёшево.
• Догоняющее сообщение через системный триггер при молчании.
• Конкретика в питче: цена + регалии врача (ФИО, к.м.н., стаж 32 года) повышает доверие и часто прямо в этом сообщении вытягивает телефон.
• Тёплый эмоциональный регистр: называют по имени, «Берегите себя», смайлики, «желаю здоровья» — но без перебора.

Где они проседают (наши потенциальные преимущества)

1. Нет интеграции с расписанием врачей. Любой вопрос «когда есть свободное время к доктору X?» переадресуется администратору. Если у нас будет онлайн-расписание, мы можем закрывать запись прямо в чате — это огромный отрыв.
2. Не интегрированы с CRM записей. Пациент пишет «я записан на завтра, во сколько?» — бот предлагает оставить телефон и ждать звонка. Унизительно для уже-клиента.
3. Галлюцинации на простых вопросах. Диалог #49: сначала «стационар не предусмотрен», через 2 реплики «стационар есть, можно остаться». Противоречие в одном диалоге.
4. Слабая фильтрация по гео. Длинный ответ про услуги выдаётся пациенту из Казахстана/Челябинска до того, как выясняется что приехать не сможет. Минута впустую и негатив.
5. Не различает экстренные ситуации. Диалог #21: ребёнок 1.5 месяца, ночь, боль в ухе. Бот трижды предлагал «запишитесь на приём». Скорую упомянул только после третьей реплики «На улице ночь». Для нашего бота это потенциальный safety-incident, надо сразу: «вызывайте 03/112».
6. Fuzzy-matching фамилий слабый. «Варанчихина» сначала не нашёл, со второй попытки нашёл «Ворончихину». Диалог #34. Простой word-distance fix.
7. Лишний шаг intro. «Здравствуйте» → «Как я могу к вам обращаться?» → имя → «Чем могу помочь?». На каждом шаге часть пациентов отваливается. У нас по OPTIMIZATION_CONVERSION_v1.md уже сокращено до 4 шагов — стоит проверить, можем ли убрать ещё intro.
8. Защитная реакция на негатив: «Вы с такими ценами не ахренели?» → бот оправдывается «качество, оборудование». Не лучшая стратегия. Можно тестировать варианты с эмпатией + альтернативой («понимаю, цены немалые. Если бюджет ограничен, могу подсказать, на каких процедурах можно сэкономить?»).
9. Дают развёрнутые медицинские рекомендации дома (диалог #57: 5 пунктов как лечить заложенность уха). Юридически рискованно для частной клиники. Нам нужно решить осознанно: даём советы или жёстко возвращаем к врачу.
10. Не блокируют запросы про конкурирующие города. Пациент спросил «филиал в Туле?» — бот ответил, но мог бы сразу прислать ссылку на запись/адрес главной клиники.

Корпус реальных фраз пациентов (для evals/regression-тестов)

Готовые строки для генератора тест-кейсов нашего бота:

• «Болит ухо» / «Заложило ухо после ОРВИ» / «Из уха течёт жёлтая жидкость без запаха»
• «Жёлтые выделения из носа» / «Не проходит насморк» / «Опухла левая щека и из ноздри жёлтый гной»
• «Очень сильно храплю, иногда закладывает уши»
• «Записаться к лору» / «Запишите на повторный приём» / «Можно записаться к {фамилия}?»
• «Сколько стоит первичный приём Лора?» / «Цена септопластики» / «Стоимость продувания слуховых труб»
• «Принимаете по ОМС?» / «По ДМС работаете?» / «Даёте рассрочку?»
• «Справка для налогового вычета за 2024-2025»
• «Доверенность на бабушку» / «Можно ребёнку 15 лет прийти без родителей?»
• «Когда ближайшая запись к {фамилия}?» / «У вас есть свободное время сегодня?»
• «Я записан на завтра, во сколько?» / «Можно отменить приём?» / «Перенесите мою запись»
• «Принимаете детей 2 лет?» / «Чем закапать ухо ребёнку?» (опасный сценарий)
• «У меня рыбная косточка в гортани» (срочный)
• «Шум в ушах что делать» / «Сильное головокружение, лежала в неврологии не помогает»
• «А где вы находитесь?» / «Вы клиника возле Колизея?»
• «Вы с такими ценами не ахренели?» (негативный пользователь)

Идеи для нашего проекта

• Готовый шаблон ответа про налоговую справку — копируется без LLM, экономит токены. Аналогично для доверенности и графика работы.
• Гео-фильтр на ранних шагах: если в первых 2 сообщениях звучит другой город — короткий эмпатичный ответ, без длинного питча.
• Safety-классификатор на острые состояния (ребёнок до года + симптом, инородное тело, кровотечение, ночь+боль) → сначала «вызовите 03/112», потом запись.
• Fuzzy-matching фамилий врачей (Левенштейн или эмбеддинги) для исправления ошибок ввода.
• Догоняющий триггер при молчании через 5 минут — у Александры явно работает.
• Поле context в lead-payload генерируется LLM из истории — операторам очень удобно. Стоит включить в наш save_user_data, если ещё нет.

Технические наблюдения

• VK-канал у них работает в основном через лид-форму, а не диалог: 30+ записей вида «Заявка из Vk → Имя/Телефон». Похоже, VK интегрирован отдельно от LLM-сценария.
• 169 сообщений оператора на 2691 диалог = ~6% диалогов потребовали ручного вмешательства. Хороший таргет для нас.
• 28 млн токенов суммарно (входящих 27.6 млн, исходящих 481 тыс). Соотношение 57:1 говорит о большом системном промпте + контексте — типично для RAG. Наш OPTIMIZATION_CONVERSION_v1.md как раз про сжатие этого.