Как «Арнест ЮниРусь» со Спикс перестроила работу с отзывами по 40+ брендам и 123 новинкам за 2025 год
«Арнест ЮниРусь» — один из крупнейших производителей FMCG в России: продукты питания, бытовая химия, средства личной гигиены, косметика, мороженое. В 2025 году компания вывела на рынок 123 новинки по 40+ брендам.
Запуск каждой новинки требует пристального внимания, и громче всего хочется слышать голос потребителя. Но раньше эта задача упиралась в системные ограничения:
Бизнесу нужен был инструмент: единая система, которая собирает отзывы со всех площадок, классифицирует их по тональности, источникам и продуктовым аспектам (эффективность, аромат, цена, упаковка, дозирование) и показывает динамику в интерактивных дашбордах.
Решение должно было стать частью бизнес-процесса запуска любой новинки и работать сразу на несколько функций — маркетинг, R&D, отдел качества, категорийных менеджеров.
Запуск каждой новинки требует пристального внимания, и громче всего хочется слышать голос потребителя. Но раньше эта задача упиралась в системные ограничения:
- Отзывов на ранних этапах запуска было мало, общая картина по своим брендам и конкурентам ускользала.
- Данные были разрозненны: маркетплейсы, отзовики, соцсети, форумы, онлайн-СМИ — собрать всё в одно окно и искать закономерности было трудно.
- Технических возможностей для семантической обработки и категоризации текстовых отзывов не хватало.
- Отчёты силами отдела исследований готовились в сроки, которые не всегда успевали за темпом запусков.
- Реакция на негатив приходила постфактум, когда низкая оценка на маркетплейсах уже закреплялась.
Бизнесу нужен был инструмент: единая система, которая собирает отзывы со всех площадок, классифицирует их по тональности, источникам и продуктовым аспектам (эффективность, аромат, цена, упаковка, дозирование) и показывает динамику в интерактивных дашбордах.
Решение должно было стать частью бизнес-процесса запуска любой новинки и работать сразу на несколько функций — маркетинг, R&D, отдел качества, категорийных менеджеров.
Описание кейса / решения
Арнест ЮниРусь и Спикс сделали PLE — post launch evaluation, пост-оценку запуска новинок — неотъемлемой частью бизнес-процесса запуска любого нового продукта в компании. Это уже не разовое исследование «по запросу», а штатный этап жизненного цикла продукта.
Технически решение строится на дашборде, который объединил три раньше разрозненных шага в один контур: сбор, обработку и визуализацию отзывов в режиме реального времени.
Как это работает на масштабе.
У «Арнест ЮниРусь» более 40 брендов и около 123 новинок, выведенных на рынок за 2025 год. По каждой из них дашборд автоматически собирает отзывы со всех ключевых маркетплейсов и прогоняет их через семантический анализ. Система классифицирует входящий поток по тональности, динамике, источникам и — главное — по продуктовым аспектам: эффективность, аромат, цена, упаковка, дозирование и так далее. Результат транслируется в интерактивные дашборды с регулярным обновлением.
Что это даёт бренд-командам.
Маркетинг, R&D, отдел качества и другие стейкхолдеры видят «боли» аудитории мгновенно, а не через две недели в PDF-отчёте. Можно оперативно работать с негативом, корректировать маркетинговую стратегию прямо в период запуска и не дожидаться, пока проблема накопится в рейтинге. Срезы команды делают в трёх контрольных точках: через 100 дней, 6 месяцев и год после запуска.
Что получает компания.
Инструмент доказательного управления запуском: риски минимизируются, лояльность растёт за счёт того, что улучшения попадают в реальные запросы потребителей, а не в гипотезы команды. Когда дашборд ловит негатив — у бренда есть время отреагировать до того, как новинка получит закреплённую низкую оценку. Конкретный пример из кейса TRESemmé (август 2025): дашборд в первую же неделю после запуска показал, что ~26% негатива концентрируется вокруг неудобства дозирования. Антикризисные меры приняли за неделю, доработку вязкости формулы запустили кросс-функциональной командой, доля негативных отзывов снизилась в 2 раза, средняя оценка выросла с 4,8 до 4,9.
Сроки реализации
20.01.2025 — 01.03.2025
Результаты ДО и ПОСЛЕ
Было:
Стало:
В чем полезность и уникальность кейса?
В чём полезность
Кейс показывает, как пост-оценка запуска новинок (PLE) превращается из разового исследования «по запросу» в штатный бизнес-процесс. Для «Арнест ЮниРусь» это переход от реактивной работы с отзывами к доказательному управлению запуском: проблема ловится в первую неделю, антикризисные меры принимаются за неделю, формула дорабатывается до того, как новинка закрепит низкий рейтинг на маркетплейсе. Один дашборд закрывает потребности сразу пяти команд — маркетинг, R&D, отдел качества, категорийные менеджеры, dComm — без отдельных запросов в отдел исследований.
В чём уникальность
Масштаб + скорость одновременно:
155 брендов на ежедневном мониторинге, >3,5 млн отзывов в месяц, аналитика за 15 секунд. На рынке обычно есть либо big data без скорости, либо быстрые отчёты по одному продукту — здесь и то и другое.
Семантика по продуктовым аспектам, а не только по тональности.
ИИ разбирает текст до уровня конкретных характеристик — эффективность, аромат, цена, упаковка, дозирование. Это даёт точечную реакцию: не «у продукта проблема», а «26% негатива — про дозирование».
Доказанный результат на конкретном продукте.
Кейс TRESemmé: доля негатива ×2, рейтинг 4,8 → 4,9, проблема найдена в день запуска. На маркетплейсах разница между 4,8 и 4,9 — это реальная конверсия и продажи.
Воспроизводимая модель.
«Арнест ЮниРусь» не строила систему внутри, а взяла платформу Спикс и докрутила под свои задачи — такую конструкцию может повторить любой FMCG-игрок.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Для рынка — модель воспроизводима. «Арнест ЮниРусь» и «Спикс» докрутили функционал под свои бизнес-задачи. Такую конструкцию может повторить любой FMCG-игрок с подобной задачей.
На стороне Спикс — 155 брендов на ежедневном мониторинге и >3,5 млн отзывов в месяц, что подтверждает технологическую готовность платформы к масштабированию.
Арнест ЮниРусь и Спикс сделали PLE — post launch evaluation, пост-оценку запуска новинок — неотъемлемой частью бизнес-процесса запуска любого нового продукта в компании. Это уже не разовое исследование «по запросу», а штатный этап жизненного цикла продукта.
Технически решение строится на дашборде, который объединил три раньше разрозненных шага в один контур: сбор, обработку и визуализацию отзывов в режиме реального времени.
Как это работает на масштабе.
У «Арнест ЮниРусь» более 40 брендов и около 123 новинок, выведенных на рынок за 2025 год. По каждой из них дашборд автоматически собирает отзывы со всех ключевых маркетплейсов и прогоняет их через семантический анализ. Система классифицирует входящий поток по тональности, динамике, источникам и — главное — по продуктовым аспектам: эффективность, аромат, цена, упаковка, дозирование и так далее. Результат транслируется в интерактивные дашборды с регулярным обновлением.
Что это даёт бренд-командам.
Маркетинг, R&D, отдел качества и другие стейкхолдеры видят «боли» аудитории мгновенно, а не через две недели в PDF-отчёте. Можно оперативно работать с негативом, корректировать маркетинговую стратегию прямо в период запуска и не дожидаться, пока проблема накопится в рейтинге. Срезы команды делают в трёх контрольных точках: через 100 дней, 6 месяцев и год после запуска.
Что получает компания.
Инструмент доказательного управления запуском: риски минимизируются, лояльность растёт за счёт того, что улучшения попадают в реальные запросы потребителей, а не в гипотезы команды. Когда дашборд ловит негатив — у бренда есть время отреагировать до того, как новинка получит закреплённую низкую оценку. Конкретный пример из кейса TRESemmé (август 2025): дашборд в первую же неделю после запуска показал, что ~26% негатива концентрируется вокруг неудобства дозирования. Антикризисные меры приняли за неделю, доработку вязкости формулы запустили кросс-функциональной командой, доля негативных отзывов снизилась в 2 раза, средняя оценка выросла с 4,8 до 4,9.
Сроки реализации
20.01.2025 — 01.03.2025
Результаты ДО и ПОСЛЕ
Было:
- Отзывы собирали вручную и фрагментарно, общая картина по своим брендам и конкурентам ускользала
- Данные жили в разных источниках, свести их в одно окно было трудно
- Категоризация текстовых отзывов упиралась в технические возможности
- Отчёты готовились силами отдела исследований и не всегда успевали за темпом запусков
- Реакция на негатив приходила постфактум, когда низкая оценка уже закрепилась
Стало:
- Сбор, обработка и визуализация — в едином контуре, аналитика за 15 секунд
- ИИ автоматически классифицирует отзывы по тональности, источникам и продуктовым аспектам
- PLE-срезы по новинкам
- Кейс TRESemmé: проблема найдена в первую неделю, доля негатива снижена в 2 раза, рейтинг 4,8 → 4,9
В чем полезность и уникальность кейса?
В чём полезность
Кейс показывает, как пост-оценка запуска новинок (PLE) превращается из разового исследования «по запросу» в штатный бизнес-процесс. Для «Арнест ЮниРусь» это переход от реактивной работы с отзывами к доказательному управлению запуском: проблема ловится в первую неделю, антикризисные меры принимаются за неделю, формула дорабатывается до того, как новинка закрепит низкий рейтинг на маркетплейсе. Один дашборд закрывает потребности сразу пяти команд — маркетинг, R&D, отдел качества, категорийные менеджеры, dComm — без отдельных запросов в отдел исследований.
В чём уникальность
Масштаб + скорость одновременно:
155 брендов на ежедневном мониторинге, >3,5 млн отзывов в месяц, аналитика за 15 секунд. На рынке обычно есть либо big data без скорости, либо быстрые отчёты по одному продукту — здесь и то и другое.
Семантика по продуктовым аспектам, а не только по тональности.
ИИ разбирает текст до уровня конкретных характеристик — эффективность, аромат, цена, упаковка, дозирование. Это даёт точечную реакцию: не «у продукта проблема», а «26% негатива — про дозирование».
Доказанный результат на конкретном продукте.
Кейс TRESemmé: доля негатива ×2, рейтинг 4,8 → 4,9, проблема найдена в день запуска. На маркетплейсах разница между 4,8 и 4,9 — это реальная конверсия и продажи.
Воспроизводимая модель.
«Арнест ЮниРусь» не строила систему внутри, а взяла платформу Спикс и докрутила под свои задачи — такую конструкцию может повторить любой FMCG-игрок.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Для рынка — модель воспроизводима. «Арнест ЮниРусь» и «Спикс» докрутили функционал под свои бизнес-задачи. Такую конструкцию может повторить любой FMCG-игрок с подобной задачей.
На стороне Спикс — 155 брендов на ежедневном мониторинге и >3,5 млн отзывов в месяц, что подтверждает технологическую готовность платформы к масштабированию.
Результат
Кейс TRESemmé: проблема найдена в первую неделю, доля негатива снижена в 2 раза, рейтинг 4,8 → 4,9
Описание кейса / решения
Арнест ЮниРусь и Спикс сделали PLE — post launch evaluation, пост-оценку запуска новинок — неотъемлемой частью бизнес-процесса запуска любого нового продукта в компании. Это уже не разовое исследование «по запросу», а штатный этап жизненного цикла продукта.
Технически решение строится на дашборде, который объединил три раньше разрозненных шага в один контур: сбор, обработку и визуализацию отзывов в режиме реального времени.
Как это работает на масштабе.
У «Арнест ЮниРусь» более 40 брендов и около 123 новинок, выведенных на рынок за 2025 год. По каждой из них дашборд автоматически собирает отзывы со всех ключевых маркетплейсов и прогоняет их через семантический анализ. Система классифицирует входящий поток по тональности, динамике, источникам и — главное — по продуктовым аспектам: эффективность, аромат, цена, упаковка, дозирование и так далее. Результат транслируется в интерактивные дашборды с регулярным обновлением.
Что это даёт бренд-командам.
Маркетинг, R&D, отдел качества и другие стейкхолдеры видят «боли» аудитории мгновенно, а не через две недели в PDF-отчёте. Можно оперативно работать с негативом, корректировать маркетинговую стратегию прямо в период запуска и не дожидаться, пока проблема накопится в рейтинге. Срезы команды делают в трёх контрольных точках: через 100 дней, 6 месяцев и год после запуска.
Что получает компания.
Инструмент доказательного управления запуском: риски минимизируются, лояльность растёт за счёт того, что улучшения попадают в реальные запросы потребителей, а не в гипотезы команды. Когда дашборд ловит негатив — у бренда есть время отреагировать до того, как новинка получит закреплённую низкую оценку. Конкретный пример из кейса TRESemmé (август 2025): дашборд в первую же неделю после запуска показал, что ~26% негатива концентрируется вокруг неудобства дозирования. Антикризисные меры приняли за неделю, доработку вязкости формулы запустили кросс-функциональной командой, доля негативных отзывов снизилась в 2 раза, средняя оценка выросла с 4,8 до 4,9.
Сроки реализации
20.01.2025 — 01.03.2025
Результаты ДО и ПОСЛЕ
Было:
Стало:
В чем полезность и уникальность кейса?
В чём полезность
Кейс показывает, как пост-оценка запуска новинок (PLE) превращается из разового исследования «по запросу» в штатный бизнес-процесс. Для «Арнест ЮниРусь» это переход от реактивной работы с отзывами к доказательному управлению запуском: проблема ловится в первую неделю, антикризисные меры принимаются за неделю, формула дорабатывается до того, как новинка закрепит низкий рейтинг на маркетплейсе. Один дашборд закрывает потребности сразу пяти команд — маркетинг, R&D, отдел качества, категорийные менеджеры, dComm — без отдельных запросов в отдел исследований.
В чём уникальность
Масштаб + скорость одновременно:
155 брендов на ежедневном мониторинге, >3,5 млн отзывов в месяц, аналитика за 15 секунд. На рынке обычно есть либо big data без скорости, либо быстрые отчёты по одному продукту — здесь и то и другое.
Семантика по продуктовым аспектам, а не только по тональности.
ИИ разбирает текст до уровня конкретных характеристик — эффективность, аромат, цена, упаковка, дозирование. Это даёт точечную реакцию: не «у продукта проблема», а «26% негатива — про дозирование».
Доказанный результат на конкретном продукте.
Кейс TRESemmé: доля негатива ×2, рейтинг 4,8 → 4,9, проблема найдена в день запуска. На маркетплейсах разница между 4,8 и 4,9 — это реальная конверсия и продажи.
Воспроизводимая модель.
«Арнест ЮниРусь» не строила систему внутри, а взяла платформу Спикс и докрутила под свои задачи — такую конструкцию может повторить любой FMCG-игрок.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Для рынка — модель воспроизводима. «Арнест ЮниРусь» и «Спикс» докрутили функционал под свои бизнес-задачи. Такую конструкцию может повторить любой FMCG-игрок с подобной задачей.
На стороне Спикс — 155 брендов на ежедневном мониторинге и >3,5 млн отзывов в месяц, что подтверждает технологическую готовность платформы к масштабированию.
Арнест ЮниРусь и Спикс сделали PLE — post launch evaluation, пост-оценку запуска новинок — неотъемлемой частью бизнес-процесса запуска любого нового продукта в компании. Это уже не разовое исследование «по запросу», а штатный этап жизненного цикла продукта.
Технически решение строится на дашборде, который объединил три раньше разрозненных шага в один контур: сбор, обработку и визуализацию отзывов в режиме реального времени.
Как это работает на масштабе.
У «Арнест ЮниРусь» более 40 брендов и около 123 новинок, выведенных на рынок за 2025 год. По каждой из них дашборд автоматически собирает отзывы со всех ключевых маркетплейсов и прогоняет их через семантический анализ. Система классифицирует входящий поток по тональности, динамике, источникам и — главное — по продуктовым аспектам: эффективность, аромат, цена, упаковка, дозирование и так далее. Результат транслируется в интерактивные дашборды с регулярным обновлением.
Что это даёт бренд-командам.
Маркетинг, R&D, отдел качества и другие стейкхолдеры видят «боли» аудитории мгновенно, а не через две недели в PDF-отчёте. Можно оперативно работать с негативом, корректировать маркетинговую стратегию прямо в период запуска и не дожидаться, пока проблема накопится в рейтинге. Срезы команды делают в трёх контрольных точках: через 100 дней, 6 месяцев и год после запуска.
Что получает компания.
Инструмент доказательного управления запуском: риски минимизируются, лояльность растёт за счёт того, что улучшения попадают в реальные запросы потребителей, а не в гипотезы команды. Когда дашборд ловит негатив — у бренда есть время отреагировать до того, как новинка получит закреплённую низкую оценку. Конкретный пример из кейса TRESemmé (август 2025): дашборд в первую же неделю после запуска показал, что ~26% негатива концентрируется вокруг неудобства дозирования. Антикризисные меры приняли за неделю, доработку вязкости формулы запустили кросс-функциональной командой, доля негативных отзывов снизилась в 2 раза, средняя оценка выросла с 4,8 до 4,9.
Сроки реализации
20.01.2025 — 01.03.2025
Результаты ДО и ПОСЛЕ
Было:
- Отзывы собирали вручную и фрагментарно, общая картина по своим брендам и конкурентам ускользала
- Данные жили в разных источниках, свести их в одно окно было трудно
- Категоризация текстовых отзывов упиралась в технические возможности
- Отчёты готовились силами отдела исследований и не всегда успевали за темпом запусков
- Реакция на негатив приходила постфактум, когда низкая оценка уже закрепилась
Стало:
- Сбор, обработка и визуализация — в едином контуре, аналитика за 15 секунд
- ИИ автоматически классифицирует отзывы по тональности, источникам и продуктовым аспектам
- PLE-срезы по новинкам
- Кейс TRESemmé: проблема найдена в первую неделю, доля негатива снижена в 2 раза, рейтинг 4,8 → 4,9
В чем полезность и уникальность кейса?
В чём полезность
Кейс показывает, как пост-оценка запуска новинок (PLE) превращается из разового исследования «по запросу» в штатный бизнес-процесс. Для «Арнест ЮниРусь» это переход от реактивной работы с отзывами к доказательному управлению запуском: проблема ловится в первую неделю, антикризисные меры принимаются за неделю, формула дорабатывается до того, как новинка закрепит низкий рейтинг на маркетплейсе. Один дашборд закрывает потребности сразу пяти команд — маркетинг, R&D, отдел качества, категорийные менеджеры, dComm — без отдельных запросов в отдел исследований.
В чём уникальность
Масштаб + скорость одновременно:
155 брендов на ежедневном мониторинге, >3,5 млн отзывов в месяц, аналитика за 15 секунд. На рынке обычно есть либо big data без скорости, либо быстрые отчёты по одному продукту — здесь и то и другое.
Семантика по продуктовым аспектам, а не только по тональности.
ИИ разбирает текст до уровня конкретных характеристик — эффективность, аромат, цена, упаковка, дозирование. Это даёт точечную реакцию: не «у продукта проблема», а «26% негатива — про дозирование».
Доказанный результат на конкретном продукте.
Кейс TRESemmé: доля негатива ×2, рейтинг 4,8 → 4,9, проблема найдена в день запуска. На маркетплейсах разница между 4,8 и 4,9 — это реальная конверсия и продажи.
Воспроизводимая модель.
«Арнест ЮниРусь» не строила систему внутри, а взяла платформу Спикс и докрутила под свои задачи — такую конструкцию может повторить любой FMCG-игрок.
Возможно ли кейс масштабировать в компании и применить для других участников рынка?
Для рынка — модель воспроизводима. «Арнест ЮниРусь» и «Спикс» докрутили функционал под свои бизнес-задачи. Такую конструкцию может повторить любой FMCG-игрок с подобной задачей.
На стороне Спикс — 155 брендов на ежедневном мониторинге и >3,5 млн отзывов в месяц, что подтверждает технологическую готовность платформы к масштабированию.
Результат
Кейс TRESemmé: проблема найдена в первую неделю, доля негатива снижена в 2 раза, рейтинг 4,8 → 4,9