Нейросеть для аналитики маркетплейсов: что считать на WB и Ozon

Нейросеть в аналитике маркетплейсов работает с тем, что уже лежит в твоих выгрузках. Ты отдаёшь ей отчёт о реализации, остатки и расходы на продвижение, а получаешь сведённую маржу по каждому артикулу, долю рекламных расходов, оборачиваемость и процент выкупа. Скорость зависит от объёма файлов и выбранной модели: сотня строк уходит за секунды, сотня тысяч потребует предварительной свёртки в сводную таблицу.

Потолок у такого помощника вполне понятный. Данных о рынке, ценах конкурентов и ёмкости ниши в твоих отчётах нет, взять их модели неоткуда. Решения по цене, закупу и снятию товара тоже остаются на тебе: считать вы будете вдвоём, а отвечать перед деньгами придётся одному.

Почему выручка в шапке ничего не говорит о бизнесе?

Оборот приятно выглядит и почти ничего не объясняет. Из него ещё не вычтена комиссия площадки, логистика в обе стороны, хранение, платное продвижение, штрафы за неверную упаковку и возвраты, которые приедут через три недели после отгрузки. Селлер смотрит на два миллиона продаж и чувствует себя молодцом, а после сведения всех удержаний на руках остаётся сумма, от которой хочется отвернуться.

Вторая ловушка - усреднение. Кабинет показывает результат по всему ассортименту сразу, и внутри этой средней температуры спокойно живут артикулы с рентабельностью сорок процентов и артикулы, которые продаются себе в убыток. Прибыльные позиции молча финансируют убыточные, общий итог при этом выглядит терпимо, и обнаружить дыру по сводной цифре не получится никак.

Третья ловушка - разрыв во времени. Продажа случилась в понедельник, комиссия удержана в отчёте за неделю, реклама списана позавчера, возврат прилетел через месяц, а хранение считается посуточно и капает всё это время. Расходы по одной и той же единице товара размазаны по четырём разным отчётам с разными периодами, и вручную собрать их в одну строку долго и муторно. Именно эту сборку нейросеть забирает целиком, потому что там нет творчества - есть сверка колонок и арифметика.

Средний уровень работы с площадкой начинается там, где ты считаешь по артикулу. Если пока непонятно, какие вопросы вообще стоит задавать своим данным, посмотри разбор про вопросы для бизнес-аналитики - там разложено, с какой стороны заходить в цифры, чтобы получить ответ, а не красивый график.

Какие восемь метрик держат всю аналитику?

Показателей можно придумать три десятка, но для управления закупом и рекламой хватает восьми. Каждый из них считается в разрезе артикула и обновляется хотя бы раз в неделю.

Метрика	Что показывает	Откуда берётся
Маржа на единицу	Сколько ты реально зарабатываешь с продажи одного SKU	Цена продажи минус закуп, комиссия, логистика, хранение
ДРР (доля рекламных расходов)	Какую часть выручки съедает реклама	Расход на рекламу / выручка с этой рекламы
Оборачиваемость	За сколько дней распродаётся остаток	Остаток / средние продажи в день
Процент выкупа	Сколько заказов доходит до оплаты	Выкупы / заказы (важно для WB)
Возвраты	Какая доля уходит назад и по каким SKU	Отчёт по возвратам
ABC-анализ	Какие товары дают прибыль, а какие висят балластом	Продажи и маржа по SKU за период
Динамика заказов	Растёт или падает спрос по позиции	Заказы по дням и неделям
Расчёт до плана поставки	Хватит ли остатка до следующей поставки	Остаток / скорость продаж

Первые две метрики отвечают за деньги прямо сейчас, следующие три - за качество товара и карточки, последние три - за планирование. Пока хотя бы одна группа не посчитана, управление ассортиментом превращается в угадайку с большими ставками.

Как считается каждая метрика и где в ней прячется ошибка?

Маржа на единицу. Берётся цена, по которой покупатель реально заплатил после всех скидок площадки и твоей собственной, из неё вычитается закупка с доставкой до склада, комиссия категории, прямая логистика, доля обратной логистики по возвратам, хранение и эквайринг. Самая частая ошибка - считать от розничной цены до скидок, потому что она красивая и лежит в карточке на видном месте. Разница между этими двумя подходами по итогам месяца легко достигает всей прибыли.

Доля рекламных расходов. В знаменателе должна стоять выручка, полученная именно с продвижения, а не весь оборот артикула. Когда селлер делит расход на общую выручку, ДРР выходит приличным, и в этот момент реклама может уже работать в минус, вытягивая органические продажи в отчёт как свою заслугу. Разделяй эти два потока сразу, иначе цифра будет успокаивать вместо того, чтобы предупреждать.

Оборачиваемость. Остаток на складах делится на среднюю дневную скорость продаж за последние две-три недели. Средняя за квартал ломается на сезонном товаре: пуховик в сентябре и пуховик в декабре продаются с разной скоростью, и усреднение подскажет привезти партию ровно к концу спроса.

Процент выкупа. Тут важна привязка к дате: заказ оформлен сегодня, а выкуп или отказ случится через несколько дней после доставки. Если считать по свежей неделе, показатель всегда будет выглядеть провальным просто потому, что половина заказов ещё едет. Бери период с отставанием и сравнивай одинаковые окна между собой.

Возвраты. Кроме доли нужна причина: брак упаковки, пересорт, несоответствие размерной сетки или обычное «не подошло» в одежде. Первые три лечатся руками на складе и в карточке, последняя - нормальная часть категории, которую надо просто заложить в юнит-экономику.

ABC-анализ. Строить его лучше по прибыли. Выручка в этой роли обманывает: дешёвый ходовой товар с околонулевой маржой уверенно займёт группу A и получит рекламный бюджет, который заработает за него кто-то другой.

Динамика заказов. Смотри недельными срезами и сравнивай с тем же периодом прошлого года, если история есть. Дневные графики шумят из-за выходных, акций площадки и случайных всплесков от блогеров, и по ним легко принять шум за тренд.

Запас до поставки. Остаток делится на скорость продаж, а из результата вычитается срок производства, доставки и приёмки на складе площадки. Приёмка на WB и Ozon в высокий сезон растягивается, и партия, отгруженная «впритык», приезжает на пустую карточку с просевшими позициями в выдаче.

Разбор с нуля, как собрать себе такого помощника и довести его до понятного регламента, мы даём на бесплатном обучении - там сборка показана по шагам, на живых задачах, без предварительной подготовки.

Какие выгрузки нужны из Wildberries и Ozon?

Модель считает ровно по тем данным, которые ты положил ей в контекст, а всё недостающее она допишет сама и оформит складно. Набор файлов получается небольшим.

С Wildberries:

• Отчёт о реализации (еженедельный) - продажи, комиссия, логистика, штрафы.
• Отчёт по остаткам - что и сколько лежит на складах.
• Воронка продаж - показы, клики, заказы, выкупы по артикулам.
• Расходы на рекламу - в разрезе кампаний.

С Ozon:

• Начисления и отчёт о реализации - выручка после всех удержаний.
• Аналитика по товарам - заказы, конверсия, остатки.
• Отчёт по продвижению (Performance) - расход и продажи с рекламы.

Отдельно готовится файл с твоими собственными константами: закупочная цена по каждому артикулу, стоимость доставки до склада, ставка комиссии в категории и целевая рентабельность. Этих данных у площадки нет, они живут в твоей голове или в бухгалтерской таблице, и передавать их нужно каждый раз. Хранить такой файл удобно рядом с промптами, как небольшую базу знаний для нейросети, которую ты обновляешь при смене поставщика или тарифов.

Ещё стоит следить за периодом. Отчёт о реализации на WB закрывается неделей, реклама выгружается по дням, а остатки показывают срез на момент нажатия кнопки. Складывать эти три источника в один расчёт можно только после того, как все они сведены к общему окну дат. Иначе рекламный расход за месяц наложится на продажи за неделю, и ДРР получится страшным без всякой причины.

Как подготовить файлы, чтобы модель не потеряла строки?

Формат - CSV или XLSX, заголовки в первой строке, никаких объединённых ячеек, шапок с логотипом и пустых строк между блоками. Всё, что человек читает как оформление, модель читает как данные и честно пытается уложить в таблицу.

Крупные выгрузки сворачивай заранее. Отчёт на двадцать тысяч строк с детализацией до каждой отправки превращается сводной таблицей в несколько сотен строк уровня «артикул - неделя - количество - сумма», и качество расчёта от этого только растёт. Заодно экономится контекст, а вместе с ним и деньги на запросах. Если сводные таблицы для тебя пока тёмный лес, посмотри сравнение подходов в материале про макросы VBA против ИИ - там же видно, какую часть работы разумнее оставить самому Excel.

Названия столбцов лучше переименовать в человеческие: «Цена продажи», «Комиссия», «Логистика» вместо технических кодов площадки. Модель понимает и коды, но на длинной таблице начинает путать похожие поля, а понятная шапка эту путаницу снимает.

Ещё один момент - единый ключ. Один и тот же товар в разных отчётах может фигурировать под артикулом продавца, номенклатурой площадки и внутренним ID. Приведи всё к одному идентификатору до загрузки, иначе сборка развалится на первом же соединении файлов.

Из чего собирается рабочий запрос к нейросети?

Запрос «проанализируй мои продажи» вернёт общие слова с подзаголовками. Рабочий промпт состоит из четырёх частей: роль, данные, константы, формат ответа.

Ты аналитик маркетплейсов. Прикреплён отчёт о реализации WB за месяц и таблица закупочных цен по артикулам. Константы: комиссия категории 17%, прямая логистика 55 рублей за единицу, хранение брать из колонки отчёта, обратную логистику считать 50 рублей на каждый возврат. Посчитай маржу на единицу и итоговую прибыль по каждому артикулу. Выведи таблицей с колонками: артикул, продано штук, выручка, все удержания, маржа на единицу, прибыль. Отсортируй по убыванию прибыли. Отдельным блоком перечисли артикулы с отрицательной маржой.

Три вещи, без которых расчёт превращается в фантазию:

1. Закупочная цена. Её нет ни в одном отчёте маркетплейса, и без неё маржа считается от воздуха.
2. Комиссия и логистика. Зависят от категории, габаритов и склада отгрузки, поэтому задаются явно.
3. Формат вывода. Просьба про таблицу и сортировку экономит тебе десять минут разбора текстовой простыни.

Полезная привычка - просить модель показать формулу расчёта на одной строке до того, как она посчитает весь файл. Формула проверяется за полминуты, и если в ней перепутаны местами комиссия и логистика, ты узнаешь об этом сразу, а не после закупа. Модели с сильной работой по таблицам справляются заметно лучше остальных, разница между ними разобрана в сравнении Claude и ChatGPT под рабочие задачи.

Какие пять промптов закрывают недельную рутину?

Убыточные позиции. «По приложенной выгрузке и таблице закупок посчитай маржу на единицу. Покажи все артикулы, где маржа ниже нуля или ниже 15% от цены продажи. Для каждого укажи, какая статья расходов съедает больше всего.»

Реклама в минус. «Собери по каждой кампании расход, выручку с продвижения и ДРР. Отметь кампании, где ДРР выше 20%. Для отмеченных посчитай, сколько денег ушло сверх этого порога за период.»

Остатки и поставка. «По остаткам и продажам за последние три недели посчитай, на сколько дней хватит товара по каждому артикулу. С учётом срока поставки 30 дней покажи позиции, которые закончатся раньше, чем приедет новая партия.»

ABC по прибыли. «Раздели ассортимент на группы A, B и C по вкладу в общую прибыль за период. По группе C дополнительно покажи оборачиваемость и объём замороженных в остатках денег.»

Сравнение недель. «Сравни две приложенные выгрузки за соседние недели. Покажи артикулы, где заказы упали больше чем на 30%, и рядом выведи, менялась ли по ним цена и рекламный бюджет.»

Эти пять запросов сохраняются один раз и дальше используются без изменений. Постоянство формулировки важнее её изящества: одинаковый промпт даёт сопоставимые ответы неделя к неделе, а каждая переформулировка добавляет разброс, который потом читается как изменение в продажах.

Как выглядит типовая поломка расчёта маржи?

Дальше собирательный сценарий, который повторяется у новичков с завидной регулярностью.

Селлер выгружает отчёт о реализации на несколько сотен артикулов и просит посчитать прибыль. Закупочных цен в файле нет, ставка комиссии не задана, про обратную логистику никто не вспомнил. Модель берёт то, что видит: цену продажи и удержания из колонок отчёта. Получается бодрая маржа, аккуратная таблица и вывод в конце про перспективные позиции. Селлер выбирает три лидера по этой таблице и заказывает у поставщика крупную партию.

Через полтора месяца выясняется, что два артикула из трёх сидят в минусе. Закупка у них выше, чем модель предположила по умолчанию, категория оказалась с комиссией на пять пунктов больше, а по одной позиции треть заказов возвращается из-за размерной сетки, и обратная логистика съедает остаток маржи. Деньги при этом уже лежат на складе в виде коробок.

Дыра тут не в модели. Ей не передали три константы, и она честно закрыла пробел правдоподобной догадкой, как и устроена любая языковая модель. Когда тот же селлер приложил таблицу закупок отдельным файлом и прописал ставки, расчёт по той же самой выгрузке показал другую картину: лидеры по обороту оказались в середине списка по прибыли, а наверх поднялись две позиции, на которые он раньше не смотрел.

Проверка второго захода заняла минут двадцать: сверка двух строк на калькуляторе, сравнение итоговой выручки с цифрой в кабинете и отдельный список артикулов, которым не нашлось закупочной цены. В последнем списке обнаружились восемь позиций со старыми кодами от прежнего поставщика, они выпадали из соединения файлов и тихо тянули итог вниз, пока коды не привели к общему виду.

Вывод простой: проверять надо не ответ модели, а полноту входных данных. Ответ она соберёт всегда, вопрос только в том, из чего.

Где нейросеть ломается и как это ловить?

Рынка она не видит. Цены конкурентов, ёмкость ниши, сезонный спрос по категории, новые игроки - ничего этого в твоих отчётах нет. На вопрос «стоит ли заходить в нишу» придёт аккуратно оформленное рассуждение общего характера, которое можно применить к любому товару и потому нельзя применить ни к одному.

На больших таблицах она подтекает. При файле в десятки тысяч строк часть данных теряется или молча усредняется, а ответ при этом выглядит собранным и уверенным. Лечится контрольной суммой: попроси сначала назвать количество строк и итог по одной колонке, сверь с Excel и только потом переходи к расчёту.

Константы она додумывает. Признания «я не знаю твою комиссию» от модели ждать не стоит, вместо этого появится правдоподобное число, встроенное в таблицу вместе с выводом и рекомендацией. На этом горят чаще всего, потому что подделка выглядит спокойно и не отличается на глаз от настоящего расчёта.

Схемы отгрузки она смешивает. Один и тот же товар может ехать со склада площадки и напрямую от тебя, а тарифы логистики и хранения у этих схем свои. В выгрузке такие продажи лежат соседними строками под одинаковым кодом товара, и без пометки о схеме модель раскатает одну ставку на весь объём. Добавь в файл колонку с признаком схемы до расчёта, тогда удержания сойдутся с отчётом площадки.

Периоды у площадок разные. WB и Ozon по-своему определяют дату продажи и дату начисления, а отчёт о реализации живёт своими неделями. Смешение двух периодов даёт результат, где всё сходится и всё неверно, поэтому границы дат стоит проговаривать в промпте явно.

Округления накапливаются. На единице товара разница в копейки незаметна, на партии в несколько тысяч штук она превращается в ощутимую сумму. Проси считать без промежуточных округлений и округлять только итог.

Как проверять цифры за моделью?

Ручная сверка двух артикулов закрывает почти все риски. Берёшь первую строку и одну случайную из середины, считаешь маржу на калькуляторе по своим ставкам и сравниваешь с таблицей. Совпало - остальным строкам можно верить, потому что формула применяется ко всем одинаково. Разошлось - смотришь, какое поле модель взяла не оттуда.

Вторая проверка - итоговые суммы. Сумма выручки по всем артикулам обязана совпадать с итогом в отчёте площадки до рубля. Расхождение означает потерянные или задвоенные строки, и дальше считать бессмысленно.

Третья проверка нужна на стыке файлов. Когда модель соединяет отчёт о реализации с таблицей закупок, часть артикулов может не найти пару из-за лишнего пробела или другого регистра в коде. Попроси отдельно вывести список позиций, которым не нашлось соответствия, - обычно там прячется десяток строк, тихо выпавших из расчёта.

Привычка проверять по трём точкам занимает пять минут в неделю и убирает главный страх работы с ИИ в деньгах. Тот же принцип работает и в других задачах автоматизации, о нём подробнее в материале про то, с каких задач начинать автоматизацию рутины.

Какие возражения звучат чаще всего?

«У меня всё уже считает сервис аналитики». Внешние сервисы сильны в данных о рынке и конкурентах. Твою закупочную цену, договорённости с поставщиком и реальную себестоимость с доставкой они не знают, поэтому маржу показывают приблизительно. Нейросеть работает с твоими цифрами и объясняет результат словами, а сервис показывает нишу целиком. Эти инструменты закрывают разные вопросы и спокойно живут рядом.

«Проще нанять аналитика». Человек нужен там, где надо думать о стратегии и разговаривать с поставщиком. Сборка пяти отчётов в одну таблицу каждую неделю выматывает живого сотрудника и обходится дороже, чем стоит подписка на модель. Разумное разделение выглядит так: механика на ИИ, интерпретация и переговоры на человека. Похожая логика разобрана в подборке задач для ИИ-ассистента в малом бизнесе.

«Я боюсь загружать финансовые данные». Опасение здравое. Выгружай обезличенные данные: артикулы, количества, суммы. Названия юрлиц, договоры с поставщиками и персональные данные покупателей в аналитике маржи не нужны совсем. Для чувствительных задач подойдут корпоративные тарифы с отключённым обучением на твоих данных.

«Площадка поменяет форму отчёта, и всё развалится». Колонки в кабинетах действительно переименовывают, добавляют новые виды удержаний и меняют порядок полей. Промпт от этого страдает мало: в нём описан смысл расчёта на языке полей, привязки к номерам столбцов там нет. После обновления формы достаточно один раз глянуть, откуда теперь берётся комиссия, и поправить одну строку описания. Жёсткая формула в таблице Excel в такой ситуации ломается молча, и находят поломку через месяц по странному итогу.

«Один раз попробовал, получил ерунду». Почти всегда причина в промпте без констант и в неподготовленном файле. Модель без закупочных цен считает маржу от догадки, а на сыром отчёте с объединёнными ячейками теряет структуру. Второй заход с нормальным входом обычно снимает вопрос.

«У меня три артикула, мне это ни к чему». На трёх позициях всё считается в Excel за десять минут. Инструмент начинает окупаться примерно с полусотни артикулов и нескольких рекламных кампаний, когда сведение отчётов съедает половину субботы.

Как выглядит недельный регламент аналитика?

Разовый анализ раз в квартал не меняет ничего, потому что решения принимаются каждую неделю. Регулярность даёт больше, чем глубина отдельного разбора.

• Понедельник. Выгрузка отчёта о реализации за прошлую неделю, расчёт маржи и ДРР по артикулам, список позиций в минусе.
• Среда. Проверка остатков и скорости продаж, отметка позиций под срочную поставку и под затоварку.
• Первая неделя месяца. ABC-анализ по прибыли, ревизия ассортимента, сравнение месяца с предыдущим.

Один и тот же набор выгрузок, один и тот же промпт, одинаковая структура ответа. При таком раскладе недели становятся сопоставимыми, и изменения видно сразу. В этом и суть цифрового сотрудника: закреплённый участок, инструменты и понятный распорядок вместо разового фокуса с нейронкой. Пошаговая сборка такой роли разобрана в материале про то, как собрать ИИ-сотрудника с нуля.

Когда регламент прижился и перестал требовать напоминаний, есть смысл автоматизировать выгрузки через API площадок, чтобы файлы собирались сами. Для этого хватает визуального сценария, подход описан в руководстве про освоение n8n с нуля. Порядок тут важен: сначала работающая ручная процедура, потом её автоматизация, иначе автоматизируешь хаос.

Разборы связок, готовые промпты и шаблоны ролей цифровых сотрудников мы выкладываем в закрытый канал ИИмперии - оттуда проще взять готовый каркас роли, чем собирать его с нуля.

Чем нейросеть отличается от сервисов аналитики?

Сервисы вроде MPStats и аналогов собирают данные с витрины площадки: позиции в выдаче, оценки продаж конкурентов, динамику цен в категории. Такую картину они дают быстро и в удобных дашбордах, а твоей внутренней экономики у них нет.

Нейросеть заходит с другой стороны. Она берёт твои личные выгрузки, соединяет их с твоими константами и отвечает на вопрос про конкретный артикул словами, которые можно сразу пересказать поставщику. Плюс она умеет обсуждать результат: попроси объяснить, почему позиция ушла в минус, и получишь разбор по статьям расходов вместо очередной таблицы.

Ограничение у неё честное: никакой внешней информации без твоего файла. Это делает её надёжной там, где данные есть, и бесполезной там, где их нет. Более широкая картина того, какие процессы имеет смысл отдавать ИИ, а какие оставить как есть, собрана в карте возможностей автоматизации с ИИ.

С чего начать ближайшие выходные?

Возьми одну выгрузку - отчёт о реализации за прошлый месяц. Собери рядом таблицу закупочных цен по тем же артикулам, даже если придётся вспоминать цифры по накладным. Открой модель, вложи оба файла и попроси посчитать маржу с сортировкой по прибыли.

Дальше сверь две строки руками и посмотри на конец списка. Там обычно находятся две-три позиции, которые ты уверенно считал рабочими, а они полгода тихо съедали прибыль соседей. Первого такого открытия хватает, чтобы регламент прижился без всякой мотивации.

Следующий шаг - превратить разовый расчёт в роль с расписанием и добавить туда рекламу и остатки. Когда механика перестанет требовать усилий, можно смотреть в сторону автономных сценариев, о которых написано в разборе про ИИ-агентов для бизнеса.

Так кто здесь аналитик?

Модель считает быстро, не устаёт к вечеру пятницы и не спорит про формат таблицы. Она же спокойно подставит выдуманную комиссию и не подаст виду. Аналитиком в этой схеме остаёшься ты, только теперь без права сказать, что не нашлось времени свести отчёты.

Источники

• Портал для продавцов Wildberries - где брать отчёт о реализации, остатки и воронку продаж по артикулам.
• Портал для продавцов Ozon - начисления, аналитика по товарам и отчёты по продвижению Performance.
• Документация Ozon для продавцов - описание отчётов, полей и API для автоматической выгрузки данных.