Нейросети для маркетплейсов: где они помогают продавцу

Что поручать ИИ, а что оставлять человеку

Нейросеть быстро группирует текст, предлагает гипотезы и превращает таблицу в понятный план действий. Но она не знает вашу себестоимость, реальные остатки, правила конкретной категории и экономику акции, если вы их не дали. Поэтому ставьте задачу как аналитику: входные данные, расчёт, список допущений, решение за владельцем товара.

Если вам нужен именно дизайн карточки, читайте отдельный гайд по фото, описанию и инфографике. Здесь — работа с магазином после публикации карточек.

Отзывы и вопросы: из потока текста в список проблем

Выгрузите отзывы с артикулами и датами. Уберите телефоны, имена и другие личные данные. Попросите модель разнести жалобы по причинам: размер, качество, упаковка, доставка, ожидание от фото. Для каждого вывода требуйте число отзывов и 2–3 дословных примера. Если в конкретной категории большинство покупателей пишет про размер, правка таблицы размеров полезнее ещё одного рекламного креатива.

На Wildberries есть собственные ИИ-ответы на отзывы и вопросы: по справке площадки, нейросеть предлагает текст на основе карточки и обращения, а продавец может проверить его перед отправкой. Доступность опции и стоимость смотрите в своём кабинете. Особенно проверяйте ответы на претензии о браке, возврате и безопасности: шаблонная вежливость без решения только усилит раздражение.

Запрос: «Сгруппируй эти отзывы по причинам, не смешивай качество товара с доставкой. Выведи артикул, тему, число упоминаний, два примера, предлагаемое действие. Не делай выводов по группам с менее чем пятью отзывами».

Ассортимент и остатки: сначала данные, потом советы

Соберите таблицу по SKU: продажи за период, валовая маржа, возвраты, дни запаса, скорость продаж. Попросите ИИ найти сочетания: быстро продаётся и скоро закончится; много заказов, но мало прибыли; много возвратов после смены поставщика. Не просите «что продавать в следующем месяце» по одной таблице — сезонность и изменения рынка туда не попадут.

На WB встроенный «Помощник» умеет отвечать на вопросы по аналитическим отчётам и справке продавца — это описано в инструкции WB. Для регулярной работы удобен один и тот же формат отчёта: топ проблемных SKU, причина, источник данных, действие и ожидаемый эффект. Последний пункт оставляйте гипотезой, пока не проверили на продажах.

Цены и акции: считать прибыль, а не красивую скидку

Передайте модели закупочную цену, логистику, комиссию площадки, налоги и рекламный расход на заказ. Попросите составить таблицу чувствительности: что будет при снижении цены на 5%, росте возвратов или увеличении рекламного расхода. Вычисления обязательно перепроверьте в таблице: чат может ошибиться даже в простой арифметике.

Минимальная проверка: прибыль с заказа = цена продажи − закупка − комиссия − логистика − реклама − прочие переменные расходы. Если акция даёт отрицательный результат после всех вычетов, её нельзя оценивать по росту выручки. ИИ помогает быстро перечислить сценарии, но не должен автоматически менять цену в кабинете.

Реклама: превращать отчёт в проверяемые гипотезы

Для каждого рекламируемого товара соберите расход, показы, клики, заказы, выручку и возвраты за одинаковый период. Нейросеть может выделить группы с высоким расходом без заказов, товары с продажами без рекламы и резкие изменения после смены ставки. Разделяйте факт и совет: «расход вырос на 30%» — факт, «выключить кампанию» — гипотеза, которая требует проверки спроса и атрибуции.

Полезный запрос: «Вот отчёт за две недели. Найди аномалии, покажи строки-основания и предложи не более трёх тестов на следующую неделю. Для каждого укажи метрику успеха и условие остановки». Поисковую оптимизацию самой карточки разбираем отдельно в гайде по SEO маркетплейсов.

Пример: что делать с жалобами на размер

Представим, что у продавца 30 отзывов на одну модель одежды, и 12 из них говорят, что вещь мала. ИИ выделяет конкретную повторяющуюся причину. Затем продавец вручную смотрит эти 12 отзывов: какой размер указан, не относятся ли они к другой партии, одинаков ли поставщик. Только после этого можно менять размерную таблицу и пояснение в карточке. Рекламную ставку трогать рано: новые клики приведут к тем же возвратам.

Через две-три недели сравните долю жалоб на размер среди новых отзывов и долю возвратов по причине несоответствия. Если отзывов мало, вывод предварительный. Зафиксируйте дату правки и не меняйте одновременно лекала, описание и фотографию модели. Иначе не поймёте, что сработало.

Даже полезная аналитика не требует персональных данных покупателей. Удалите имена, телефоны, адреса, номера заказов и переписки, по которым можно узнать человека. Для отзывов оставьте артикул, дату, оценку и текст претензии без идентификаторов. Для экономики товара можно округлить или закодировать внутренние закупочные цены, если политика компании запрещает передачу точных данных стороннему сервису. Проверьте условия сервиса перед массовой загрузкой выгрузок.

Итог пилота — таблица из трёх строк: обнаруженная проблема, доказательство в исходных данных, действие владельца магазина. Если доказательства нет, совет пока остаётся идеей для проверки.

Как понять, что внедрение приносит пользу

Заранее выберите одну основную метрику под каждое действие. Для ответа на отзывы это может быть время до ответа и доля обращений, где проблема действительно решена. Для работы с размерной сеткой — доля возвратов по причине размера. Для рекламной гипотезы — прибыль после расходов, а не только число заказов. Если целевой показатель не определён до запуска, любой результат потом легко объявить успехом.

Сравнивайте одинаковые периоды и сопоставимые товары. Акция, сезонный всплеск или изменение доставки могут оказать большее влияние, чем новый сценарий ИИ. Для небольшого магазина полезно вести простой журнал: дата изменения, какие SKU затронуты, что изменили, показатель до и после, внешние события. На основе этого журнала нейросеть может подготовить краткий разбор, но причинность устанавливайте осторожно.

Начинайте с одной категории и одного процесса. Если команда одновременно меняет описания всех товаров, снижает цены и включает автоответы, результат невозможно приписать конкретному шагу. Удачный пилот можно расширять постепенно: сначала десять SKU, затем соседняя категория, потом регулярный отчёт. Автоматическую отправку ответов покупателям включайте только после ручной проверки типовых и сложных случаев.

Если показатель улучшился, не спешите масштабировать автоматизацию на весь каталог. Сначала проверьте, сохранился ли результат ещё неделю и не ухудшились ли соседние показатели: возвраты, маржа и жалобы. Лишь после этого переносите подход на похожие товары.

Пилот на неделю без сложной автоматизации

1. Выберите 20–30 SKU одной категории, чтобы товары были сравнимы.
2. Соберите отзывы и базовый отчёт по продажам за последние четыре недели.
3. Проверьте вручную десять строк исходных данных и удалите персональные сведения.
4. Спросите у ИИ три самые частые причины недовольства и три аномалии в цифрах; потребуйте ссылки на строки.
5. Выберите одно действие: уточнить размерную сетку, исправить упаковку или проверить ставку на одном SKU.
6. Через неделю сравните выбранную метрику с исходной. Не меняйте одновременно цену, фото и рекламу — иначе причину эффекта не узнать.

Если пилот полезен, автоматизируйте только сбор данных и повторяемый отчёт. Одноразовый «волшебный» промпт менее ценен, чем чистые данные и регулярная проверка.