Чтобы жизнь в большом городе не останавливалась, работают десятки муниципальных служб. Каждый день они обрабатывают уйму жалоб от горожан, но уследить сразу за всем просто невозможно. Мы помогли одной из таких организаций: каждый месяц находили и обрабатывали по миллиону упоминаний в соцсетях, которые превращались в чистые дороги, вывезенный мусор и замененные лампочки. Подробности раскрываем в статье.
С нами связались специалисты одного из правительственных ведомств Москвы. Они отсматривают, как в городе работают службы ЖКХ и благоустройства: отрабатываются ли жалобы, как расходуют средства на благоустройство, насколько быстро реагируют на запросы и жалобы жителей. Организация занимается обыденными вещами: от перекладывания плитки и состояния детских площадок до уборки снега и вкручивания лампочек.
Специалисты ведомства пришли с большой задачей. Им хотелось понять, все ли жалобы жителей удается отследить и отработать, и для этого требовался мониторинг соцмедиа. Мы настроили такую систему и вручную обрабатывали до миллиона сообщений в месяц. Как мы это сделали и что из этого получилось — в статье.
Настроили сбор 25 000 сообщений в день
Недовольные граждане первым делом обращаются не в сервисы для жалоб на городские службы, а пишут в районные сообщества и чаты. Там они задают вопросы городским властям, а заодно жалуются на благоустройство и ЖКХ. И зачастую недовольство так и оседает в постах, потому что городские службы просто не замечают подобные обращения. Мы взялись это исправлять при помощи мониторинга соцмедиа.
Подключили источники для мониторинга. Мы собрали большой список из районных пабликов и чатов Москвы во ВКонтакте и Telegram и подключили к ним систему сбора упоминаний. В нее попадали посты, комментарии и сообщения пользователей, которые писали о состоянии города.
Массив данных аналитики проверяли вручную: среди уймы постов нужно было вычленить только те, что относятся к делам организации. Наши сотрудники отсеивали сотни постов с фото из окна, селфи жителей, обсуждения собачьего корма, рекламу — на выходе из 800 000 упоминаний мы оставляли примерно 3 500 конкретных жалоб жителей.
Количество сообщений в моменты пиковой нагрузки могло достигать миллиона в месяц. Например, когда в Москве начались снегопады, местные паблики разрывались от числа жалоб на плохую уборку снега и сосулек, и упоминания мониторили 10 сотрудников одновременно.
Отбраковали жалобы в пустоту
Чтобы ведомство могло работать с жалобой, требовалась конкретика, поэтому не каждое сообщение подходило под нужные критерии. Мы просматривали упоминания и отсеивали часть из них. Какие критерии использовали:
- Жалоба относится к одной из нужных категорий. Среди них благоустройство, ЖКХ и некоторые другие темы — дела, за которые отвечает ведомство-заказчик.
- Жалобу можно привязать к конкретному адресу или месту. Брали сообщения с адресом, описанием локации или указанием района, иначе проблему нельзя было решить или хотя бы проверить на месте.
Если жалоба была абстрактной — вроде «мэрия ни черта не делает», — мы не брали ее в работу. Также мы не добавляли в мониторинг упоминания без локаций, ведь устранить проблему не получится, не зная места.
Для оценки жалоб мы разработали индекс важности. Такая метрика пригодилась, чтобы выделять среди всех найденных жалоб самые значимые и требующие приоритета. На что мы смотрели:
- Вовлеченность пользователей: количество лайков, комментариев, репостов, обсуждений. Если их много, значит, проблема актуальная.
- Характер источника — чтобы отсеивать одиноких активистов, которые могут оставлять много однотипных жалоб, но при этом их никто не поддерживает.
Жалобы, которые подходили под критерии, мы заносили в базу. Каждому из сообщений присваивали категорию, адрес или локацию, описание, время, вовлеченность и источник. В таком виде с ними могли работать городские власти.
Локализовали жалобы и передавали в ведомства
Иногда встречались такие сообщения, которые жалко отбраковывать просто так. В них содержится много полезной информации, но при этом не указан точный адрес. В таких случаях мы находили локацию сами.
Наши специалисты вглядывались в фотографии и искали ориентиры, за которые можно зацепиться. Это могли быть узнаваемые здания, вывески, торговые центры или дорожные знаки. Когда удавалось заприметить такую деталь, мы искали точное место на картах Яндекса:
Данные с точной локацией мы заносили в дашборд. Это центральный инструмент, который сделали для заказчика. В таком виде он мог работать с жалобами не в качестве сырых сообщений, а как с удобной визуальной системой управления. Дашборд собрали на «Яндекс DataLens» и адаптировали под задачи департамента.
У нас получилась интерактивная карта с данными: датой, районом и округом, точным адресом (если есть), категорией жалобы, краткой аннотацией, индексом важности, источником сообщения и вовлеченностью. Жалобы и предложения жителей попадали на интерактивную карту фактически в режиме реального времени.
В дашборд встроили фильтры, чтобы было проще находить жалобы по конкретным критериям. Например, можно отследить, где хуже стригут деревья, а где некачественно чистят снег. В таком формате специалисты ведомства могли быстро понимать, какие территории требуют внимания.
Решать проблемы города стали быстрее и проще
Оперативные данные помогли распределять силы туда, где они требуются больше всего. К тому же с таким большим объемом информации можно анализировать, как именно стоит изменить городскую среду в ближайшее время. Какие результаты принес проект:
Собрали данные для решения системных проблем. Мы проанализировали темы, которые наиболее часто всплывают в публичном поле, и смогли обратить на них внимание. Например, мы выяснили, что почти 10% всех жалоб приходится на детские площадки. Эта информация поможет в планировании городской среды. Смогли найти однотипные жалобы в разных районах города на новую напольную плитку в подъездах, на которой очень скользко зимой.
Выявили проблемные районы. Аналитика показала, в каких частях города возникает больше всего жалоб и где концентрируются однотипные сообщения. Например, в Печатниках зафиксировали множество различных жалоб, например, на качество спортплощадок. Для того, чтобы убедиться в том, что жалобы — реальны, проводились в том числе и выездные проверки:
Помогали решать кризисные ситуации. Визуализация жалоб жителей при кризисных ситуациях помогает и упрощает работу соответствующих служб. С помощью этих данных можно не только контролировать решение проблем, но и использовать эти данные для прогнозов и улучшения работы в будущем. Например, данные о жалобах на плохую уборку снега во дворах и сосулек с крыш могут быть использованы и для планирования работ по уборке при будущих снегопадах.
Установили допконтроль за местными властями. Во время сбора сообщений мы отслеживаем, сколько из них обработали городские службы, а какие остались без внимания. При помощи этой информации власти могут следить за тем, как специалисты на местах выполняют свою работу.
Мы помогли ведомству увидеть то, что раньше ускользало: выявили жалобы, которые не доходили до официальных сервисов, локализовали десятки ситуаций по фотографиям, отфильтровали шум и превратили хаотичные упоминания в понятную карту городских проблем. Благодаря этому жалобы стали быстрее доходить до исполнителей, контроль за районными службами усилился, а жители получили комфортную и удобную городскую среду.
Напишите нам, если тоже хотите подключить мониторинг соцмедиа. Мы настроим сбор упоминаний и вручную проанализируем каждое сообщение. Данные переведем в удобный формат, который можно использовать для бизнеса, городского управления или девелопмента.