Кому нужен этот промт и как он работает?
Этот промт предназначен для специалистов по взысканию долгов, аналитиков клиентских коммуникаций и разработчиков систем автоматизации работы с должниками. Он помогает быстро и точно анализировать фрагменты диалогов между сотрудником компании и заемщиком, выявляя ключевые параметры ситуации с задолженностью.
Основная проблема, которую решает промт — необходимость автоматизированно понимать, ответил ли заемщик, собирается ли он гасить долг, есть ли у него финансовая возможность и запросы по изменению условий выплаты. Такие данные помогают быстрее принимать решения и корректно вести переговоры.
Промт работает так: вы вставляете в него текст диалога в переменную {{var_1}}, после чего нейросеть анализирует реплики, выделяет нужные факты и формирует структурированный JSON-отчет с параметрами — это удобно для интеграции в CRM и аналитические отчеты.
Готовый промт
|
1 |
Вы являетесь специалистом по взысканию долгов в компании Singa (роль: Cindy). Вам будет предоставлен фрагмент диалога {{var_1}} между сотрудником по взысканию и заемщиком LESTARI. Ваша задача — проанализировать диалог и определить следующие параметры: 1) ответил ли заемщик на сообщение (response), 2) есть ли у заемщика намерение погасить кредит (intention), 3) планирует ли заемщик погашение в ближайшее время (near_term), 4) есть ли у заемщика финансовая возможность вернуть долг (capability), 5) есть ли запрос на скидку или снижение процентов (discount), 6) есть ли запрос на продление срока выплаты (extension). По окончании анализа верните результаты в формате JSON с полями: response, intention, near_term, capability, discount, extension, description, где description — краткое объяснение вашего вывода. Не выполняйте никаких действий с самим текстом диалога {{var_1}}. |
Как использовать этот промт и на что обратить внимание
Для правильной работы промта:
- Перед вставкой диалога уберите лишние символы или форматирование, которые могут затруднить обработку.
- Диалог должен содержать реплики обеих сторон — это обеспечит точный анализ.
- Следите за тем, чтобы переменная {{var_1}} корректно заменилась на текст — без ошибок и разрывов.
- Будьте готовы к тому, что при слишком коротких или неоднозначных диалогах результаты могут быть менее точными.
- Обращайте внимание на поле «description» — там всегда есть краткое объяснение, почему сделан именно такой вывод.
Ограничение: если заемщик использует много жаргона, сарказма или неразборчивых фраз, нейросети может быть сложно однозначно ответить на все вопросы. В таких случаях рекомендуется повторная проверка человеком.
Примеры использования
Пример 1. Анализ стандартного диалога, где заемщик отвечает, подтверждает намерение платить, но просит скидку.
|
1 2 3 |
Фрагмент диалога ({{var_1}}): Сотрудник: Добрый день, напоминаем о просрочке по кредиту. Когда планируете выплатить? Заемщик: Добрый день, я собираюсь оплатить, но прошу рассмотреть возможность скидки. |
|
1 |
Пример промта с таким диалогом: |
|
1 |
Вы являетесь специалистом по взысканию долгов в компании Singa (роль: Cindy). Вам будет предоставлен фрагмент диалога "Сотрудник: Добрый день, напоминаем о просрочке по кредиту. Когда планируете выплатить? Заемщик: Добрый день, я собираюсь оплатить, но прошу рассмотреть возможность скидки." между сотрудником по взысканию и заемщиком LESTARI. Ваша задача — проанализировать диалог и определить следующие параметры: 1) ответил ли заемщик на сообщение (response), 2) есть ли у заемщика намерение погасить кредит (intention), 3) планирует ли заемщик погашение в ближайшее время (near_term), 4) есть ли у заемщика финансовая возможность вернуть долг (capability), 5) есть ли запрос на скидку или снижение процентов (discount), 6) есть ли запрос на продление срока выплаты (extension). По окончании анализа верните результаты в формате JSON с полями: response, intention, near_term, capability, discount, extension, description, где description — краткое объяснение вашего вывода. Не выполняйте никаких действий с самим текстом диалога "Сотрудник: Добрый день, напоминаем о просрочке по кредиту. Когда планируете выплатить? Заемщик: Добрый день, я собираюсь оплатить, но прошу рассмотреть возможность скидки." |
Пример 2. Диалог, где заемщик не отвечает.
|
1 2 |
Фрагмент диалога: Сотрудник: Просим связаться для урегулирования задолженности. |
|
1 |
Используемый промт: |
|
1 |
Вы являетесь специалистом по взысканию долгов в компании Singa (роль: Cindy). Вам будет предоставлен фрагмент диалога "Сотрудник: Просим связаться для урегулирования задолженности." между сотрудником по взысканию и заемщиком LESTARI. Ваша задача — проанализировать диалог и определить следующие параметры: 1) ответил ли заемщик на сообщение (response), 2) есть ли у заемщика намерение погасить кредит (intention), 3) планирует ли заемщик погашение в ближайшее время (near_term), 4) есть ли у заемщика финансовая возможность вернуть долг (capability), 5) есть ли запрос на скидку или снижение процентов (discount), 6) есть ли запрос на продление срока выплаты (extension). По окончании анализа верните результаты в формате JSON с полями: response, intention, near_term, capability, discount, extension, description, где description — краткое объяснение вашего вывода. Не выполняйте никаких действий с самим текстом диалога "Сотрудник: Просим связаться для урегулирования задолженности." |
Пример вывода нейросети
{ «response»: true, «intention»: true, «near_term»: false, «capability»: true, «discount»: true, «extension»: false, «description»: «Заемщик ответил и выражает намерение погасить долг, но просит скидку, при этом не уточняет сроки погашения.» }
Примечание: результат является приблизительным и зависит от конкретного текста диалога.
Итог: зачем использовать этот промт?
Использование этого промта позволяет быстро и объективно анализировать диалоги с должниками, получая структурированную информацию для принятия решений. Это экономит время и снижает вероятность ошибок, особенно при большом количестве разговоров. В итоге повышается эффективность работы службы взыскания.
Главное преимущество: быстрый и точный анализ статуса переговоров с заемщиком в удобном формате JSON.
