Маркетплейсы / Category CVR
Как оптимизировать категории с ИИ
Оптимизация категорий с ИИ — это процесс повышения Category CVR (конверсии категории) за счёт анализа поведения покупателей, структуры товаров и качества поиска. ИИ помогает находить проблемные подкатегории, выявлять товары, которые не соответствуют запросу, и подсказывать, какие фильтры или порядок выдачи улучшить.
Проблема
Почему это важно
Без системной оптимизации категорий маркетплейс теряет продажи: покупатели заходят в категорию, но не находят нужный товар, долго листают нерелевантные карточки и уходят. Category CVR остаётся низким, а рекламный бюджет тратится впустую.
Почему возникает
- Товары в категории плохо структурированы: нет чётких подкатегорий или фильтров.
- Поиск внутри категории не учитывает синонимы и особенности запросов покупателей.
- Карточки товаров неинформативны: мало фото, нет ключевых характеристик.
- Нет регулярного анализа, какие подкатегории проседают по конверсии.
Риски и потери
- Снижение выручки из-за низкой конверсии категории.
- Рост затрат на привлечение трафика без роста продаж.
- Ухудшение позиций в поиске маркетплейса из-за слабой поведенческой метрики.
- Потеря лояльности покупателей, которые не могут быстро найти товар.
Что влияет на результат
- Релевантность товаров в категории запросу покупателя.
- Удобство фильтров и сортировки.
- Качество карточек товаров (фото, описание, цена).
- Скорость загрузки страницы категории.
- Сезонность и актуальность ассортимента.
Типичные ошибки ручного подхода
- Оценка категории по среднему CVR без учёта структуры подкатегорий.
- Игнорирование аномалий: резкое падение конверсии в одной подкатегории остаётся незамеченным.
- Ручной перебор товаров для поиска проблемных — долго и субъективно.
- Отсутствие регулярного пересмотра фильтров и структуры категории.
Определение
Что важно понимать
Category CVR
Конверсия категории — доля просмотров категории, завершившихся заказом.
Показывает, насколько категория эффективно превращает трафик в продажи.Подкатегория
Узкая группа товаров внутри категории, объединённая общим признаком (бренд, тип, размер).
Анализ по подкатегориям позволяет найти точечные проблемы, скрытые за средним CVR.Релевантность
Соответствие товаров в категории ожиданиям покупателя, который туда зашёл.
Нерелевантные товары снижают CVR, так как покупатель не находит нужное и уходит.Данные
Какие данные нужны
Данные о просмотрах и заказах по категориям
Для расчёта Category CVR и его динамики.
- id категории
- дата
- число просмотров
- число заказов
Данные о товарах в категории
Для анализа структуры ассортимента и выявления нерелевантных позиций.
- id товара
- название
- цена
- подкатегория
- рейтинг
- число просмотров
- число заказов
Поисковые запросы внутри категории
Чтобы понять, что ищут покупатели и находят ли они это.
- запрос
- число показов
- число кликов
- число заказов
Данные о поведении пользователей
Для выявления аномалий: резкие скачки или падения активности.
- время на странице
- глубина прокрутки
- использование фильтров
- отказы
Методология
Методика оптимизации категорий с ИИ
Принципы
- Начинать с расчёта Category CVR по каждой подкатегории, а не только по категории в целом.
- Сравнивать динамику CVR по периодам и между подкатегориями.
- Использовать ИИ для сегментации товаров и выявления аномалий, а не для замены человеческого решения.
- Проверять гипотезы на фактических данных после внедрения изменений.
Допущения
- Данные о просмотрах и заказах собираются корректно и регулярно.
- Подкатегории выделены достаточно узко, чтобы различия были значимыми.
- ИИ-модель обучается на исторических данных и не содержит систематических смещений.
Ошибки
- Ориентироваться только на средний CVR категории, игнорируя разброс по подкатегориям.
- Не учитывать сезонность при сравнении периодов.
- Внедрять изменения без предварительного анализа причин падения CVR.
- Считать, что ИИ сам решит все проблемы — нужен человеческий контроль.
Роль ИИ
Как ИИ решает задачу
Сегментация товаров в категории по поведенческим и атрибутивным признакам
Данные на входе: история просмотров и заказов по товарам, атрибуты товаров (цена, бренд, подкатегория)
Что делает модель: Кластеризует товары на группы со схожей конверсией и характеристиками
Результат: Список сегментов с метриками CVR и составом товаров
Как используется: Менеджер видит, какие сегменты проседают, и решает, что менять: ассортимент, цены или описание
Выявление аномалий в динамике Category CVR
Данные на входе: ежедневные/еженедельные значения CVR по категориям и подкатегориям
Что делает модель: Сравнивает текущие значения с историческим диапазоном и сигнализирует о резких отклонениях
Результат: Уведомление о подкатегориях с аномальным падением или ростом CVR
Как используется: Менеджер получает алерт и проверяет причину: изменение цен, сбой в выдаче, сезонность
Анализ поисковых запросов внутри категории
Данные на входе: логи поисковых запросов, кликов и заказов
Что делает модель: Группирует запросы по темам и определяет, какие из них приводят к заказам, а какие — к отказам
Результат: Отчёт по темам запросов с конверсией и примерами формулировок
Как используется: Менеджер видит, что покупатели ищут, но не находят, и добавляет нужные фильтры или товары
Формирование рекомендаций по улучшению категории
Данные на входе: результаты сегментации, аномалий и анализа запросов
Что делает модель: На основе выявленных проблем генерирует конкретные предложения: изменить порядок сортировки, добавить фильтр, переписать описание
Результат: Список приоритизированных рекомендаций с ожидаемым эффектом
Как используется: Менеджер выбирает рекомендации для внедрения и отслеживает их влияние на CVR
Разбор
Как это работает
- 1
Вход: данные о просмотрах и заказах по категориям за последние 90 дней. Действие: рассчитывается Category CVR по каждой подкатегории. Результат: таблица с CVR по подкатегориям и динамикой.
- 2
Вход: данные о товарах (атрибуты, просмотры, заказы). Действие: ИИ сегментирует товары на группы со схожей конверсией. Результат: сегменты с метриками и составом.
- 3
Вход: ежедневные значения CVR. Действие: модель выявляет аномалии — резкие отклонения от исторического диапазона. Результат: список подкатегорий с аномалиями.
- 4
Вход: логи поисковых запросов. Действие: ИИ группирует запросы по темам и считает конверсию по каждой теме. Результат: отчёт по темам с проблемными зонами.
- 5
Вход: результаты шагов 2-4. Действие: генеративная модель формирует рекомендации по улучшению. Результат: приоритизированный список действий.
- 6
Вход: выбранные рекомендации. Действие: менеджер вносит изменения в категорию (сортировка, фильтры, описания). Результат: обновлённая категория.
- 7
Вход: данные после внедрения. Действие: через 2-4 недели повторно рассчитывается CVR и сравнивается с базовым. Результат: оценка эффекта изменений.
Расчет
Формула Category CVR
Основной показатель для оптимизации категорий — Category CVR. Он показывает, какая доля посетителей категории совершает заказ.
Category CVR
Category CVR = (Число заказов / Число просмотров категории) × 100%- Число заказов — количество заказов, оформленных из этой категории за период
- Число просмотров — количество просмотров страницы категории за тот же период
Условный пример: За неделю категория «Смартфоны» получила 10 000 просмотров и 250 заказов. Category CVR = (250 / 10 000) × 100% = 2,5%.
Допущение: CVR можно считать по подкатегориям, чтобы найти точки роста.
Пример расчета
Как это выглядит в цифрах
Условный пример: оптимизация категории «Смартфоны»
- Допущение: Категория «Смартфоны» имеет 5 подкатегорий: бюджетные, средний сегмент, флагманы, с большим экраном, с хорошей камерой.
- Допущение: Общий Category CVR за месяц — 2,5%.
- Допущение: Подкатегория «с хорошей камерой» показывает CVR 1,2%, остальные — около 3%.
- Допущение: Анализ поисковых запросов показал, что пользователи часто ищут «смартфон с оптическим зумом», но в подкатегории нет такого фильтра.
Подкатегория «с хорошей камерой»: 5000 просмотров, 60 заказов → CVR = 1,2%. При среднем CVR 3% ожидалось бы 150 заказов. Разрыв — 90 заказов в месяц.Подкатегория «с хорошей камерой» проседает из-за отсутствия фильтра по оптическому зуму и нерелевантных товаров в выдаче.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Category CVR по подкатегориям — выявление проседающих сегментов
- Динамика CVR — резкие изменения сигнализируют о проблемах
- Поисковые запросы — что ищут, но не находят
- Релевантность товаров — соответствие запросу
Какие риски учтены
- Изменение структуры категории может временно снизить CVR из-за непривычной навигации
- Нерелевантные товары могут быть удалены, что сократит ассортимент
- Сезонные колебания могут быть ошибочно приняты за аномалию
Какие варианты рассматривались
- Полная переработка категории — рискованно, лучше точечные изменения
- Ручной анализ — медленно и субъективно
- Игнорирование проблемы — продолжение потерь
ИИ позволяет быстро обработать большие объёмы данных и выявить скрытые закономерности, а человек принимает финальное решение на основе рекомендаций.
Если бы CVR был низким во всех подкатегориях, проблема была бы в общем качестве трафика или юзабилити, а не в отдельных подкатегориях.
Результат
Что видит пользователь
Дашборд с Category CVR по категориям и подкатегориям
Таблица с CVR, динамикой и цветовой индикацией проблемных зон
Быстро определять, какие категории требуют вниманияОтчёт по поисковым запросам
Список тем запросов с конверсией и примерами формулировок
Понимать, какие фильтры или товары добавитьУведомления об аномалиях
Алерт о резком падении CVR в конкретной подкатегории
Своевременно реагировать на проблемыСписок рекомендаций
Приоритизированные действия с ожидаемым эффектом
Выбирать, что внедрять в первую очередьАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и агрегация данных о просмотрах и заказах
- Расчёт Category CVR по категориям и подкатегориям
- Выявление аномалий в динамике CVR
- Сегментация товаров по поведенческим признакам
- Анализ поисковых запросов и группировка по темам
Требует настройки
- Настройка порогов для аномалий (например, отклонение более чем на 20% от среднего)
- Определение состава подкатегорий
- Настройка прав доступа к дашборду
Остаётся за человеком
- Выбор рекомендаций для внедрения
- Изменение структуры категории, фильтров, описаний
- Оценка влияния изменений на бизнес-показатели
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить данные о просмотрах и заказах по категориям в Excel
- Рассчитать Category CVR по каждой подкатегории вручную
- Выявить подкатегории с CVR ниже среднего
Рабочая система
- Настроить автоматический сбор данных из CRM/аналитики
- Создать дашборд с CVR и динамикой
- Подключить ИИ-модель для сегментации и аномалий
- Настроить уведомления о резких изменениях
Расширенный вариант
- Внедрить прогнозную модель для предсказания CVR
- Подключить несколько источников данных (поиск, реклама, поведение)
- Использовать сценарный анализ для оценки эффекта изменений
Подготовка
Чек-лист перед запуском
- 1
Определены категории и подкатегории для анализа
- 2
Настроен сбор данных о просмотрах и заказах
- 3
Рассчитан базовый Category CVR по каждой подкатегории
- 4
Выявлены подкатегории с CVR ниже среднего
- 5
Проведён анализ поисковых запросов внутри проблемных категорий
- 6
Определены возможные причины низкого CVR (фильтры, релевантность, описание)
- 7
Сформирован список рекомендаций с приоритетами
- 8
Внедрены первые изменения (например, добавлен фильтр)
- 9
Настроено повторное измерение CVR через 2-4 недели
- 10
Назначен ответственный за контроль и анализ результатов
Вывод
Главное
Оптимизация категорий с ИИ — это постоянный цикл: измеряй Category CVR, находи проблемные подкатегории, внедряй точечные изменения и проверяй результат.
Основные данные — просмотры и заказы по категориям; ключевой расчёт — Category CVR по подкатегориям и его динамика.
ИИ автоматизирует анализ больших объёмов данных: сегментирует товары, выявляет аномалии, анализирует поисковые запросы и формирует рекомендации.
Начните с расчёта Category CVR по каждой подкатегории в Excel — это займёт пару часов и сразу покажет, где сосредоточить усилия.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как строить обучение вокруг пути: бизнес-проблема → модель решения → данные → автоматизация → интерфейс → работающее решение. Оптимизация категорий с ИИ следует этому же принципу: сначала определяем проблему (низкий Category CVR), затем строим модель решения (расчёт и анализ), подключаем данные, автоматизируем и получаем работающий инструмент.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
ИИ не сможет понять специфику моего маркетплейса
ИИ обучается на ваших данных: истории просмотров, заказов, поисковых запросах. Он выявляет закономерности именно вашего ассортимента и поведения покупателей, а не абстрактные правила.
У нас мало данных, ИИ не будет работать
Для начала достаточно данных о просмотрах и заказах за 2-3 месяца. Даже простая сегментация по подкатегориям и расчёт CVR дают ценную информацию. По мере накопления данных точность моделей растёт.
Это слишком сложно и дорого внедрять
Можно начать с малого: рассчитать CVR в Excel и вручную проанализировать проблемные подкатегории. Затем постепенно подключать автоматизацию и ИИ-модели. ReMetod учит делать это без программирования.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться оптимизировать категории с ИИ? Приходите на бесплатный вебинар ReMetod.