Как управлять продажами на OZON/WB в формате «data-driven» алгоритмы против интуиции

В своих проектах по цифровой трансформации я часто сталкиваюсь с мнением, что для успешного запуска продаж на маркетплейсах, достаточно сделать крутые товарные карточки, и заказы пойдут. Когда же задаёшь вопрос, а что означает термин «крутые», обычно объясняют, что это качественные фотографии товаров, описания, инфографика и УТП, которые выделят предложения компании на фоне конкурентов. Спорить с этим сложно. Однако, данные критерии относятся, скорее, к гигиеническому минимуму присутствия на маркетплейсах, чем к управляемой модели продаж.

А поскольку так делают все более-менее системные сейлеры, то возникает вопрос, а как же выделиться в поисковой выдаче OZON/WB, и какие есть ещё инструменты для повышения эффективности eCom бизнеса? Об этом мы и поговорим в данной статье.

Unit-экономика

Душа просит креатива, а генеративный ИИ предоставляет для этого шикарные возможности. Однако, начинать надо не с этого, а с самой скучной вещи на свете– с цифр. Или, проще говоря, с unit-экономики. Я разберу данный раздел на примере OZON, поскольку, именно на этой площадке, на мой взгляд, самая запутанная логика начислений и выплат.

Система баллов, штрафов и соинвеста OZON построена таким образом, что неподготовленному продавцу крайне сложно понять сколько денег он получит за каждый SKU. В таблице «Экономика магазина» из кабинета seller.ozon итоговая выплата за артикул не лежит в одной конкретной строке отчёта. Продажа, комиссия, логистика, возвраты, скидки и корректировки отражаются отдельно и по разной логике. Чтобы понять, сколько реально заработал конкретный товар, приходится сначала собрать его финансовый «пазл».

* Данные на картинках изменены в целях конфиденциальности (NDA)

Кто-то скажет, – зачем так сложно? Ведь, по итогам каждого месяца OZON предоставляет официальный документ о реализации в ценах конечного покупателя, плюс, акты за маркетинг и корректирующие проводки. Из суммы «Продажи и возвраты» вычитаем «Начисления» и «Прочие», получаем «Итого». И всё сходится.

Если вы готовы не замечать локальных потерь, и узнавать о финансовом результате постфактум, по закрытии месяца, то детальная unit-экономика вам, вероятно, не нужна.

Если же ваша маржа ограничена и продажами нужно управлять оперативно, вас должно заинтересовать, почему данный конкретный SKU был продан на 15% дешевле от цены РРЦ, или по каким позициям был выставлен штраф за просрочку поставки, тогда, разбираться в деталях всё же придётся.

ROI рекламных кампаний

Рассмотрим кейс, когда данные по каждому SKU нужны именно в моменте.

На OZON существует несколько маркетинговых механик: оплата за клик, оплата за заказ, бейдж оригинал, ускоренный сбор отзывов и др. Предположим, что мы хотим запустить кампанию с оплатой за клик. Тогда, эффективность рекламы можно оценить так:

ROI = 100 x [(Наценка – Маркетинговые_расходы) / (Маркетинговые_расходы)]

Если ROI > 0, значит, реклама генерирует положительную наценку. Чем выше % ROI, тем более эффективно наша маркетинговая стратегия генерирует прибыль. Если ROI < 0, значит, реклама генерирует убыток. Такая стратегия тоже может быть оправдана, если компания осознанно инвестирует в развитие продаж на меркетплейсе, и умеет контролировать динамику продаж на фоне маркетинговых расходов.

Допустим, мы выбрали серединный путь. Нуль-стратегия означает, что маркетинговые расходы должны совпадать с наценкой от реализации товаров. Мы сформировали список SKU для продвижения, и установили для них минимальную рекламную ставку 8 руб. за клик. Далее, кампания стартует, и наша задача будет заключаться в удержании ROI = 0. По мере роста продаж и, соответственно, суммы наценки по определенным позициям, мы должны постепенно увеличивать их рекламные ставки, согласно выбранной стратегии. Если же напротив, по ряду позиций мы уходим в минус, рекламные ставки необходимо снижать.

Но на площадке мы продаём не вакууме. Конкуренты так же динамично пересчитывают ставки, кто-то выходит из аукциона, а кто то, наоборот устанавливает «конскую» ставку. В этом случае, может наблюдаться насыщение, когда увеличение нашей ставки не приводит к значимому росту продаж. И наоборот, если сильный игрок выключит рекламу или выйдет в out-of-stock мы получим существенный прирост продаж без изменения бюджета.

На маркетплейсе у любого управленческого решения довольно короткий срок годности. Если ваша реакция запаздывает, вчерашняя эффективная стратегия уже сегодня начинает генерировать убыток. Поэтому задача data-driven системы — не найти оптимальное решение один раз, а непрерывно пересчитывать его вслед за изменением рынка.

При этом, автоматизацию всегда необходимо дополнять инструментами визуального контроля. И здесь простых табличных отчётов уже недостаточно. Нужен своего рода «пульт управления», где по каждой товарной группе видно, как изменение рекламных настроек связано с динамикой продаж, ROI и ДРР на разных временных интервалах.

Управление вниманием клиента

цвет в борьбе за клик

Если CPA-маркетинг на OZON/WB строится на данных об экономике и рекламных ставках, то работа с контентом — на данных о визуале и текстовом наполнении. Задача контент-менеджмента — понять, что именно заставляет покупателя кликнуть на товарную карточку, и как выиграть борьбу за его внимание в многоголосой поисковой выдаче.

Допустим, магазин компании на OZON уже настроен, весь базовый контент залит. Как можно увеличить продажи, помимо стимуляции рекламой? Очевидно, что через рост конверсии. Для простоты, будем считать, что в поисковой выдаче на экране клиента высвечиваются несколько товарных карточек с близкой ценой, сроками поставки и качеством инфографики.

Если предположить, что у клиента заранее нет жёстких предпочтений по выбору бренда, тогда клик по конкретной товарной карточке — это скорее лотерея, где присутствует высокий процент неопределенности. А раз так, то имеет смысл бороться не только за рациональные аргументы, но за подсознание клиента. И здесь одним из элементов управления вниманием становится цветовая гамма.

Как известно, лучший выбор дизайнера – бронебойный красный. Спойлер: по-настоящему, нет. Цвет работает не сам по себе, а на контрасте с окружением.

Рассмотрим поисковую выдачу OZON по запросу «масло моторное 5w30 4л». Произведём грубую пикселизацию области выдачи, или процедуру агрегации изображения по доминирующему цвету. Для такой задачи можно использовать инструменты компьютерного зрения: они анализируют цветовую структуру изображения, выделяют преобладающие оттенки и преобразуют выдачу в упрощённую цветовую карту.

Ниже на картинке представлена исходная выдача и её пикселизация.

А теперь поставим обратную задачу: определить цветовую гамму, которая реже всего встречается у конкурентов. Задача на математическом языке звучит так: найти цветовую область с максимальной дистанцией от общей палитры.

Для данного примера получилась фиолетово-розовая гамма. В итоге, необходимо вписать в данный пантон дизайн нашей оригинальной канистры.

Понятно, что в общем случае задача не является тривиальной, поскольку палитра инвертированного «пиксель-прототипа» может конфликтовать с фирменным стилем продукта. Но кто сказал, что будет легко? Даже в эпоху ИИ не обойтись без кожаного мешка с креативом и продуктовой чуйкой.

Основной принцип – разделить товар и его визуальную среду. Сохранить фирменные цвета и реальный дизайн канистры, а найденную палитру перенести на фон и инфографику.

Конечно, в реальном проекте всё гораздо сложнее. Необходимо организовать автоматизированный анализ поисковой выдачи по разным запросам, шаблонизацию дизайна для оперативной смены фона и инфографики, A/B-тестирование и оценку конверсии на разных этапах воронки — от клика до корзины и заказа.

Но главная идея здесь в том, что цветовая гамма перестаёт быть исключительно вопросом дизайнерской интуиции и вкуса, и становится одним из управляемых параметров товарной карточки, который можно анализировать, тестировать и оптимизировать по фактической конверсии.

LLM и маркетплейсы

Важную роль в рейтинге магазина на OZON/WB играет скорость ответов на вопросы клиентов. В запчастях значительная часть обращений связана с подбором или уточнением технических параметров деталей.

Для автоматизации таких ответов можно использовать LLM, обогатив базовую модель корпоративными данными. Как это работает на практике, на примере решения «ПодбИИратор»:

• Дешифровка и очистка: LLM выступает не справочником, а «переводчиком» с естественного языка. Она распознает сленг, например, понимает запросы «нужен фильтр на фф 2», исправляет раскладку, извлекает VIN или параметры из неструктурированного зашумленного текста.
• Поиск и инженерная проверка: извлечённые данные передаются в инженерный контур. С помощью RAG система получает необходимые данные по автомобилю и детали: связывает VIN с Build Sheet (картой комплектации), определяет OEM-номер и формирует список возможных кроссов. Затем аналоги дополнительно проверяются по геометрии и техническим параметрам.
• Генерация ответа: только после подтверждения технической совместимости LLM формирует понятный человеку ответ с подходящими аналогами и ссылками на карточки товаров.

Принципиальный момент: LLM здесь не заменяет каталог и не «угадывает» применимость детали. Её задача — перевести человеческий запрос на язык структурированных данных, а полученный результат — обратно на язык клиента.

На тестовой выборке из 1000 VIN-запросов с заранее известным «эталонным» результатом алгоритм показал точность более 98%, включая китайские автомобили и модели российской сборки. В наших тестах результат оказался существенно лучше классического каталожного поиска.

Помимо маркетплейсов, тот же принцип можно использовать на сайте, в соцсетях. CRM и корпоративных мессенджерах. AI-агент обрабатывает типовые обращения, а сложные случаи передаёт менеджеру вместе с контекстом диалога и уже найденными техническими данными.

Матрица зрелости eCom-системы

Data-driven в eCom — это не просто расчёт ROI, удачная палитра товарной карточки или LLM-бот, а бесшовная связка юнит-экономики, рекламы, визуала с собственным ИТ-контуром компании. В такой системе каждое действие порождает новые данные: ставка — продажи, дизайн — CTR, вопрос клиента — потребность.

Настоящее управление данными начинается не там, где аналитика фиксирует прошлые результаты, а там, где алгоритмы принимают решения в реальном времени. Именно тогда маркетплейс перестаёт быть набором товарных карточек и превращается в самосогласованную систему управления продажами.

В своих проектах по развитию eCom-систем я использую «Матрицу зрелости» — как инструмент диагностики текущего статуса и формулировки стратегии трансформации.

Большинство компаний, заходящих на маркетплейсы, застревают на стыке Level 1 и Level 2. Годами они инвестируют в красивую инфографику и рекламу, но управляют бизнесом на основе бух-отчётности в ретро-режиме. Задача архитектора изменений — перевести систему на Level 3–4, где юнит-экономика пересчитывается в моменте, визуал оптимизируется алгоритмами, а большую часть клиентских коммуникаций берёт на себя ИИ.

В условиях постоянно меняющейся конкурентной среды выигрывает не тот, кто однажды нашёл идеальное решение, а тот, кто построил систему, которая работает на автопилоте и постоянно учится на новых данных.