ИИ для маркетплейсов: карта задач селлера

Продавцы на маркетплейсах автоматизируют не то, где теряют деньги, а то, что проще всего автоматизировать. Тексты карточек переписывает нейросеть, а дозаказ по-прежнему считается в таблице ночью перед отгрузкой — хотя именно там лежит разница между складом, забитым неликвидом, и упущенными продажами. ИИ для маркетплейсов — это набор агентов и моделей, которые готовят повторяющиеся решения продавца: прогноз спроса и дозаказа, изображения и тексты карточек, ответы на отзывы и вопросы, разбор рекламы, контроль плана по карточкам и объяснение цифр в отчётах. Дальше — карта этих задач: где у селлера ежедневно утекают деньги, что ИИ действительно делает сегодня, что нельзя отдавать модели ни при каких условиях, как выбрать первую задачу и по какой метрике понять, что пилот удался.

Карта задач селлера: где деньги теряются каждый день

Начинать разговор об ИИ с перечня инструментов — верный способ купить не то. Полезнее начать с карты потерь: в каких местах бизнес продавца теряет деньги ежедневно и незаметно, без единого громкого провала. У селлера таких мест четыре, и они устроены принципиально по-разному.

Склад. Здесь потери двусторонние, и это сбивает с толку. Дефицит — это продажи, которых не было: товар закончился, карточка просела в выдаче, восстановление позиций стоит времени и рекламного бюджета. Избыток — это замороженные деньги плюс хранение плюс скидки, которыми потом приходится разгонять залежавшийся товар. Продавец обычно видит только одну сторону: тот, кого недавно обожгло дефицитом, заказывает с запасом; тот, кто списывал неликвид, — впритык. Обе реакции эмоциональны и обе стоят денег.

Карточка. Потеря здесь выглядит как ничего: показы идут, заказов мало. Причина может быть в главном изображении, в первом экране описания, в неочевидном для покупателя размере, в отсутствии ответа на страх, который у него есть. Отличить одно от другого «на глаз» нельзя — можно только проверить сравнением вариантов.

Реклама. Самое дорогое место, потому что деньги уходят в реальном времени. Ставка живёт своей жизнью, аудитория подобрана по привычке, а связь между расходом на продвижение и выручкой по конкретной позиции восстанавливается вручную раз в неделю, если вообще восстанавливается.

Обслуживание. Неотвеченный вопрос — это покупатель, который ушёл выбирать дальше. Отзыв без ответа — это сомнение, которое читают все следующие. Возвраты и претензии съедают маржу и время, а причина возврата почти всегда была написана в отзывах за месяц до того, как стала заметна в отчёте.

Есть и пятая зона, которую продавцы редко записывают в потери: собственное время. Утренний обход кабинетов, сведение выгрузок в таблицу, перенос цифр из отчёта площадки в учётную систему — это часы владельца или менеджера, потраченные не на решения, а на подготовку к ним. Именно эта зона обычно и оказывается самой большой.

Полезное упражнение перед любым разговором об автоматизации: возьмите одну рабочую неделю и запишите не процессы, а решения — что и сколько дозаказать, какую цену поставить, какую ставку выставить, что ответить покупателю, какую карточку править. Напротив каждого решения — сколько минут ушло на подготовку и на чём оно было основано: на цифрах или на ощущении. Список получится короче, чем кажется, и почти наверняка окажется, что подготовка занимает в разы больше времени, чем само решение.

Читать таблицу стоит по последней колонке. Чем чаще принимается решение, тем дороже обходится его плохая подготовка и тем больше смысла в автоматизации именно этого участка. Разовое решение можно принять медленно и хорошо. Ежедневное — нельзя: на него просто не хватает внимания.

Что ИИ действительно делает на маркетплейсе сегодня

Разброс ожиданий здесь огромный: от «нейросеть напишет описание» до «робот будет вести магазин вместо меня». Правда посередине и она скучнее обеих крайностей. Удобнее разложить задачи не по инструментам, а по типу работы, которую выполняет модель.

Прогноз и планирование. Алгоритм разбирает историю продаж по каждой позиции, отделяет тренд от сезонности и разовых всплесков, учитывает срок поставки и предлагает, что и сколько дозаказать. Это не языковая модель — это статистика, и в этом её ценность: у прогноза есть проверяемая точность, а у таблицы с формулой «средние продажи за месяц умножить на два» её нет. Подробный разбор методики — в отдельной статье про прогноз спроса и дозаказ.

Порождение контента. Изображения для карточек, варианты описаний, тексты рекламных объявлений, видеокреативы. Это то, что генеративные модели делают лучше всего, и то, где их ценность чаще всего переоценивают: сгенерировать десять вариантов легко, а вот выбрать из них тот, который продаёт, без теста невозможно. Как ставить варианты карточки на сравнение и сколько ждать результата — в статье про A/B-тест карточки товара.

Диалог с покупателем. Ответы на отзывы и вопросы — работа, которую модель выполняет ровно и быстро, если у неё есть источник правды: условия, гарантии, габариты, сроки. Без такого источника она начинает придумывать, и об этом ниже. Тонкости жанра — негатив, шаблонность, момент передачи человеку — разобраны в материале про ответы на отзывы и вопросы на маркетплейсах.

Поиск отклонений. Задача, которую недооценивают чаще всех остальных. Алгоритм каждый день сравнивает факт с планом по каждой карточке и показывает не «всё хорошо», а список позиций, которые выпали: просела конверсия, кончился остаток на складе площадки, выросла доля возвратов, изменилась цена у конкурента. Человеку такой обход руками обходится в часы, а внимание всё равно заканчивается на двадцатой позиции.

Объяснение цифр. Модель читает готовые показатели и формулирует, что произошло и на что смотреть сегодня: утренняя сводка вместо обхода пяти кабинетов. Ключевое слово — «готовые»: числа считает не она. Как собрать связку «рекламный расход — заказ — выкуп — деньги», чтобы её можно было объяснять, — в статье про сквозную аналитику селлера.

Из нашей линейки этот набор задач закрывает раздел «Ритейл и маркетплейсы» в Везории: прогноз спроса и дозаказа, изображения карточек с A/B-тестом, тексты объявлений, отзывы и вопросы, здоровье карточек, дайджест дня, работа с рекламой и разбор конкурентов — с одной оговоркой, что заказ поставщику, запуск кампании и ответ покупателю уходят после подтверждения человека. Если задача сводится к визуальному контенту и регулярным креативам для внешних каналов, её решает Кира.

Чего ИИ на маркетплейсе не делает, хотя об этом часто спрашивают: он не «поднимает товар в выдаче» волшебным образом, не заменяет работу с поставщиком и закупочной ценой, не превращает плохой товар в хороший и не чинит юнит-экономику. Ранжирование определяет площадка по своим правилам, и никакая модель не имеет к нему прямого доступа. Всё, что ИИ может сделать с выдачей, — помочь карточке лучше конвертировать показы в заказы, а рекламе — точнее попадать в аудиторию.

Что нельзя отдавать модели: числа, цены, обязательства

Это самый важный раздел статьи, и он же самый неудобный для продавцов ИИ-решений. Языковая модель — прекрасный собеседник и очень плохой источник данных. Она порождает правдоподобный текст, а правдоподобие и правда совпадают не всегда: механику этого расхождения мы разбирали в статье о том, почему нейросеть уверенно выдумывает. Отсюда три границы, которые стоит провести до внедрения, а не после первого инцидента.

Первая граница — числа. Остатки, продажи, показы, расход на рекламу, выкуп, деньги к перечислению — всё это должно приходить интеграцией из кабинета площадки и учётной системы и попадать в отчёт без участия модели. Модель может объяснить цифру, сравнить с прошлым периодом, найти в ней странность и предложить гипотезу. Но если она пересказывает число своими словами, вы получаете отчёт, которому нельзя верить, и узнаете об этом в худший момент. Правило простое: данные собираются без ИИ, ИИ работает со знаниями.

Вторая граница — цена. Цена на маркетплейсе связана со всем сразу: с акциями площадки, с позицией в выдаче, с маржой, с ценой конкурента, иногда с договорённостями с поставщиком. Модель может подготовить коридор и объяснить, из чего он сложился. Решение о цене остаётся за человеком — не из консерватизма, а потому что ошибка в цене масштабируется мгновенно и на весь ассортимент. Автоматический переоценщик, работающий по прозрачному правилу, безопаснее, чем языковая модель, «которая подумала и решила»: у правила можно прочитать логику, у модели — нет.

Третья граница — обязательства. Ответ покупателю — это не текст, это позиция компании. Фраза «вернём деньги», «заменим», «доставим до конца недели» в ответе на отзыв читается как обещание, и оспорить его потом словами «так ответил бот» не получится. То же касается характеристик в карточке: состав, размеры, сертификаты, условия гарантии. Здесь нужен не стиль, а сверка с документом.

Практический вывод из трёх границ один: у ИИ на маркетплейсе должен быть источник правды — описанные условия, прайс, регламенты, ответы на частые вопросы, список того, что компания не обещает. Без него модель будет достраивать недостающее сама, и делать это убедительно. С ним она перестаёт быть генератором и становится исполнителем, который цитирует ваши же правила.

И последнее в этом разделе, самое практичное. Всё, что уходит наружу — заказ поставщику, публикация карточки, запуск кампании, ответ покупателю, — должно проходить через подтверждение человека, пока по статистике правок не станет видно, что подтверждать нечего. Это не недоверие к технологии, а способ сделать ошибку дешёвой: пойманная до отправки, она стоит секунду внимания; ушедшая к покупателю или поставщику — денег и репутации.

Как выбрать первую задачу и не распылиться

Соблазн запустить всё сразу понятен: задач много, каждая раздражает. Но параллельный запуск пяти направлений даёт один результат — через месяц невозможно сказать, что сработало, а что нет, и разговор скатывается к ощущениям. Поэтому первая задача одна, и выбирается она по трём фильтрам.

Фильтр первый: частота. Решение должно повторяться. Дозаказ повторяется каждый цикл поставки, ответы покупателям — ежедневно, ставки в рекламе — ежедневно. Решение «выйти на новую площадку» принимается раз в год: автоматизировать его бессмысленно, даже если оно важнее всех остальных.

Фильтр второй: цена ошибки. Сколько стоит один промах на этом участке и как быстро он виден. Ошибка в дозаказе стоит дорого и видна через недели. Ошибка в ответе на отзыв стоит дёшево и видна сразу. Это не значит, что начинать надо с дорогого: это значит, что для дорогих участков нужен более строгий режим подтверждения, а для дешёвых можно быстрее ослабить контроль.

Фильтр третий: данные. Есть ли уже то, на чём алгоритм будет работать: история продаж нужной глубины, выгрузка остатков, тексты отзывов, описанные условия. Если данных нет, первый проект — это не ИИ, а наведение порядка в данных. Признать это честно дешевле, чем полгода объяснять, почему прогноз не сходится.

Дальше — простая арифметика приоритета. Пример расчёта: возьмите три задачи-кандидата и поставьте каждой три оценки от 1 до 3 — частота, цена ошибки, готовность данных. Перемножьте. Задача с максимальным произведением и есть первая. Если у двух задач результат совпал, выигрывает та, где короче цикл обратной связи: вы быстрее узнаете, работает ли это у вас. Цифры здесь — способ дисциплинировать разговор, а не измерение: важна не сумма, а то, что решение принято по явным критериям, которые можно оспорить.

Типичные первые задачи выглядят так. Если ассортимент вырос настолько, что таблица дозаказа перестала помещаться в голове, и владелец сводит её по ночам, — начинают с прогноза. Если отзывы и вопросы висят по несколько дней, а рейтинг медленно едет вниз, — с ответов покупателям. Если карточки писали давно и наспех, а показы есть, — с теста изображений и описаний на нескольких ключевых позициях. Если утро начинается с обхода пяти кабинетов и сведения выгрузок, — со сквозной аналитики и утренней сводки.

Антипаттерн, который встречается чаще всего: «перепишем ИИ все карточки». Объём работы огромный, эффект неизмерим, потому что переписали всё сразу и сравнивать не с чем, а половину правок потом откатывают. Если карточки действительно устарели, начните с десяти позиций, которые дают основную выручку, и с честного сравнения вариантов.

Отказ от второй задачи на старте — это не осторожность, а способ получить ответ. Две одновременные переменные превращают пилот в спор.

Пилот: цель, метрика, срок, что считать успехом

Пилот — это не «попробуем и посмотрим». Это проверка с заранее записанным ответом на вопрос «что мы признаем успехом». Мы в 404ai строим её по методу «Цель → метрика», описанному на странице «Как мы работаем», и на маркетплейсах он выглядит так.

Цель формулируется в деньгах или времени, а не в технологии. Не «внедрить ИИ-прогноз», а «перестать терять продажи на днях без остатка по топ-позициям и сократить неликвид». Не «автоматизировать отзывы», а «отвечать на вопросы в день поступления и снять эту работу с менеджера». Формулировка в деньгах сразу отсекает половину лишних хотелок: под неё видно, какие функции к цели не ведут.

База записывается до первого действия. Это самая пропускаемая часть и самая важная. Для дозаказа: сколько дней за прошлый квартал топ-позиции стояли без остатка, какая доля запасов не продалась за период, сколько часов в неделю уходит на расчёт заказа. Для карточек: текущая конверсия из показа в заказ по выбранным позициям. Для отзывов: среднее время ответа и доля вопросов, оставшихся без ответа. Для аналитики: сколько часов уходит на сведение отчёта и сколько времени занимает ответ на вопрос «почему вчера упала выручка».

Срок задаётся циклом задачи, а не календарём. Это тот пункт, на котором ломается большинство пилотов. Прогноз дозаказа нельзя оценить за две недели: нужен хотя бы один полный цикл поставки, а лучше два, иначе вы оцениваете не прогноз, а погоду. Тест карточки длится столько, сколько нужно, чтобы на каждый вариант набралось достаточное число показов, — при слабом трафике это может быть месяц, и с этим приходится считаться. Ответы покупателям оцениваются быстро, за пару недель: там обратная связь почти мгновенная.

Условие остановки записывается вместе с целью. Например: если за два цикла поставки число дней без остатка по выбранным позициям не сократилось, а доля залежавшегося товара не уменьшилась, работа останавливается и разбирается причина. Чаще всего причина не в алгоритме, а во входных данных: истории продаж не хватило глубины, срок поставки в реальности плавает сильнее, чем в договоре, часть продаж шла с акций, которые прогноз принял за спрос.

Две ловушки измерения, о которых стоит знать заранее. Первая — сезонность. Сравнивать сентябрь с августом бессмысленно почти в любой категории; сравнивать нужно либо с тем же периодом прошлого года, либо параллельно — половина ассортимента по-новому, половина по-старому. Вторая — подмена метрики. Когда прямой показатель сдвинуть не удалось, в отчёт незаметно переезжает что-то похожее: не конверсия, а «стало больше контента»; не дни без остатка, а «прогноз стал точнее». Метрика, выбранная после результата, — это уже не метрика.

Хороший признак честного пилота — возможность его провалить. Если по условиям остановки не может получиться «нет», вы проводите не проверку, а презентацию.

Отдельная задача — чтобы товар выбирал не только человек на витрине, но и ИИ-ассистент, которого покупатель просит подобрать покупку. Что для этого нужно карточке, разметке и фиду, разобрано в статье об ИИ-покупателе.

Роли и ответственность: кто принимает решение агента

Технический вопрос «что умеет агент» почти всегда оказывается проще организационного «кто за это отвечает». В маленьком магазине все три роли ниже совмещает владелец, и это нормально; важно, чтобы он понимал, что переключается между ними.

Владелец метрики. Человек, который сформулировал цель, помнит базу и раз в период смотрит, сдвинулась ли цифра. Он же принимает решение продолжать, менять подход или останавливаться. Когда такой роли нет, внедрение живёт по инерции: агент работает, отчёты приходят, а на вопрос «что изменилось» никто не отвечает.

Хозяин решения. Тот, кто подтверждает действие: отправляет заказ поставщику, утверждает цену, запускает кампанию, публикует ответ покупателю. Для разных типов действий это могут быть разные люди — и это нормально, если записано заранее. Ненормально другое: когда подтверждение формально, и человек нажимает «ок», не глядя. Формальное подтверждение опаснее автоматического действия, потому что создаёт иллюзию контроля. Как устроен работающий контроль и почему полная автономия — антипаттерн, разобрано в статье про human-in-the-loop.

Хранитель правил. Тот, кто отвечает за источник правды: актуальный прайс, условия гарантии и возврата, характеристики, список того, что нельзя обещать, тон общения с покупателем. Эта роль выглядит скучной, пока не выяснится, что агент отвечал по прошлогодним условиям, потому что их так никто и не обновил.

Уровни доступа удобно задать явно, от слабого к сильному: агент читает данные и ничего не меняет; агент предлагает действие, человек выполняет; агент выполняет после подтверждения; агент выполняет сам в заранее очерченных границах. Начинать разумно со второго уровня, переходить к третьему по мере накопления статистики правок, а четвёртый оставлять только для действий, где ошибка обратима и дёшева.

Отдельно стоит договориться о том, как выглядит переход к человеку. Покупатель, который написал претензию, эмоциональный отзыв или вопрос, выходящий за рамки описанных условий, должен попадать к живому сотруднику — и не через сутки. Правило передачи пишется до запуска: по каким признакам агент останавливается, кому передаёт, в какой срок ждёт ответа. Без этого правила автоматизация обслуживания рано или поздно даст громкий публичный конфликт, который будет стоить дороже всей экономии.

И ещё одно, что легко упустить: статистика правок — это не отчёт для подрядчика, а инструмент продавца. Доля предложений агента, которые человек принял без изменений, показывает, насколько хорошо описаны правила. Если она не растёт от недели к неделе, проблема не в модели, а в том, что правки исправляют вручную, вместо того чтобы превращать их в записанные правила.

Когда ИИ на маркетплейсе не нужен

Агентство, у которого ИИ подходит всем, заслуживает ровно столько доверия, сколько врач, который всем выписывает одно и то же. Вот ситуации, в которых мы честно говорим, что начинать рано, — и иногда теряем на этом сделку.

• Ассортимент небольшой и стабильный. Пока позиции помещаются в голове и в одну таблицу, а спрос ровный, формулы и здравый смысл работают дешевле любого алгоритма. Прогноз начинает окупаться там, где ручной перебор перестал помещаться в рабочий день.
• Истории продаж ещё нет. Новому магазину прогнозировать не из чего. Первые месяцы — это сбор данных, ручные решения и проверка спроса; алгоритм на трёх неделях истории даст не прогноз, а случайное число с уверенным видом.
• Проблема в экономике товара. Если после комиссий, логистики, хранения и возвратов позиция не зарабатывает, ИИ не спасёт: он лишь быстрее и аккуратнее доведёт её до покупателя. Сначала юнит-экономика, потом операционка.
• Некому принимать решения. Агент производит предложения: дозаказать, поменять цену, ответить. Если их некому рассматривать, предложения копятся, а эффекта нет. Это тот же тупик, что и с любым внедрением без владельца, о котором мы писали в статье «Когда AI не нужен».
• Данные в беспорядке. Разные названия одной позиции в учёте и в кабинете, остатки, которые не сходятся, отсутствие связки «артикул — себестоимость». Пока этого нет, любой отчёт будет красивым и неверным.
• Ожидание «ИИ поднимет продажи». Если предложение не меняется — тот же товар, та же цена, та же фотография, — автоматизация меняет скорость работы, а не результат на рынке. Рост продаж приходит от лучшего предложения; ИИ помогает его быстрее найти и точнее донести, но не заменяет.

Есть и промежуточный случай, который встречается чаще всех перечисленных: задача реальная, но решается проще. Сводный отчёт из двух кабинетов делается выгрузкой и формулой. Шаблон ответа на типовой вопрос пишется один раз руками. Напоминание о том, что остаток подходит к концу, настраивается правилом. Если задача решается правилом, её не нужно решать моделью: правило прозрачнее, дешевле и не ошибается творчески.

Проверочный вопрос перед стартом: что именно вы перестанете делать руками и сколько это стоит в часах и деньгах? Если ответа нет, внедрять рано, каким бы убедительным ни было демо.

Куда идти дальше

Эта статья — карта. Каждая из четырёх задач, с которых чаще всего начинают, разобрана отдельно и подробно:

• Прогноз спроса и дозаказ — как устроен прогноз по позиции, что делать с сезонностью и сроком поставки, как проверить точность на своей истории.
• A/B-тест карточки товара — как сравнивать варианты изображений и описаний, сколько ждать и как не обмануться случайным результатом.
• Ответы на отзывы и вопросы — источник правды для ответов, работа с негативом, момент передачи человеку и то, чего в ответе быть не должно.
• Сквозная аналитика селлера — как собрать цепочку от рекламного расхода до денег и почему числа в ней не должен пересказывать ИИ.

Если выбирать одно действие на ближайшую неделю, то вот оно: выпишите решения, которые принимаете каждый день, и напротив каждого — на чём оно основано. Строки, где вместо цифры стоит «на опыте», и есть ваш список кандидатов на автоматизацию. Дальше это уже не вопрос технологии, а вопрос порядка в данных и готовности отвечать за решение, которое подготовил алгоритм.