Маркетплейсы / Увеличить выкуп
Как повысить выкуп на Wildberries с помощью ИИ
Выкуп на Wildberries можно повысить, если прогнозировать вероятность выкупа по каждому заказу и управлять ценой, рекламой и отзывами на основе прогноза. ИИ анализирует историю заказов и поведение покупателей, чтобы выявить факторы, влияющие на выкуп, и даёт конкретные рекомендации по каждому товару.
Проблема
Почему это важно
Продавец на Wildberries видит, что часть заказов не выкупается: покупатель заказывает, но потом отменяет или возвращает. Это снижает выкуп (buyout rate) и увеличивает расходы на логистику и хранение. Без анализа причин продавец действует вслепую: снижает цену, запускает рекламу, но не понимает, что именно влияет на решение покупателя.
Почему возникает
- Цена не соответствует ожиданиям покупателя после получения заказа
- Карточка товара не даёт полной информации: размер, состав, цвет, фото не совпадают с реальностью
- Отзывы негативные или их мало, что снижает доверие
- Реклама приводит нецелевую аудиторию, которая заказывает случайно
- Сроки доставки слишком долгие, покупатель передумывает
Риски и потери
- Снижение выкупа ведёт к росту комиссий и логистических издержек
- Низкий выкуп ухудшает позиции в поиске Wildberries, так как алгоритмы учитывают конверсию в выкуп
- Деньги заморожены в товаре, который возвращается, и не приносят прибыли
- Ручной анализ заказов занимает много времени и не даёт полной картины
Что влияет на результат
- Цена товара относительно средней по категории
- Количество и тональность отзывов
- Скорость доставки и наличие склада
- Соответствие фото и описания реальному товару
- История покупок покупателя: возвращал ли он ранее, его средний чек
- Сезонность и тренды
Типичные ошибки ручного подхода
- Продавец смотрит только на общий процент выкупа, не видя проблемные товары
- Не учитывает поведение конкретного покупателя, а только средние цифры
- Реагирует на падение выкупа постфактум, когда уже потеряны деньги
- Не разделяет причины: цена, отзывы, доставка — и применяет одно решение ко всем
Определение
Что важно понимать
Выкуп (buyout rate)
Доля заказов, которые покупатель выкупил, от общего числа оформленных заказов. Например, если из 100 заказов выкуплено 80, выкуп = 80%.
Высокий выкуп повышает доверие алгоритмов Wildberries, улучшает позиции в поиске и снижает издержки на логистику и хранение.Вероятность выкупа
Прогнозная оценка того, выкупит ли конкретный покупатель данный заказ, на основе его истории и характеристик товара.
Позволяет заранее выявить заказы с высоким риском невыкупа и принять меры: скорректировать цену, улучшить карточку, изменить рекламу.ИИ-прогноз выкупа
Применение моделей машинного обучения для предсказания вероятности выкупа по каждому заказу на основе исторических данных.
ИИ находит неочевидные закономерности, которые вручную не увидеть, и позволяет действовать на опережение, а не реагировать постфактум.Данные
Какие данные нужны
История заказов
Основа для прогноза: какие заказы были выкуплены, а какие нет, и при каких условиях.
- ID заказа
- ID товара
- Цена на момент заказа
- Дата заказа
- Дата выкупа/возврата
- Статус (выкуплен/возврат/отмена)
Данные о товаре
Характеристики товара влияют на вероятность выкупа: цена, категория, отзывы, рейтинг.
- ID товара
- Категория
- Цена
- Количество отзывов
- Средний рейтинг
- Наличие на складе
Данные о покупателе
Поведение покупателя в прошлом помогает предсказать его склонность к выкупу.
- ID покупателя
- История заказов
- Доля возвратов
- Средний чек
- Частота заказов
Данные о доставке
Сроки и стоимость доставки влияют на решение выкупить.
- Срок доставки
- Стоимость доставки
- Склад отправки
- Регион доставки
Методология
Методика повышения выкупа с помощью ИИ
Принципы
- Прогнозировать вероятность выкупа по каждому заказу, а не только считать средний процент
- Использовать исторические данные о заказах, товарах и покупателях
- Выявлять факторы, которые сильнее всего влияют на выкуп, и управлять ими
- Действовать на опережение: корректировать цену, рекламу и карточку до того, как заказ будет оформлен
Допущения
- Данные о заказах и покупателях доступны и структурированы
- Исторические закономерности сохраняются в будущем (стабильность поведения)
- Модель обучается на достаточном объёме данных (минимум несколько тысяч заказов)
Ошибки
- Считать только общий выкуп, не разделяя по товарам и сегментам
- Игнорировать поведение конкретного покупателя
- Применять одинаковые меры ко всем товарам, не понимая причин
- Не проверять модель на новых данных и не переобучать
Роль ИИ
Как ИИ решает задачу
Прогноз вероятности выкупа по каждому заказу
Данные на входе: История заказов, Данные о товаре, Данные о покупателе, Данные о доставке
Что делает модель: Обучаемая модель (например, градиентный бустинг) оценивает вероятность выкупа для каждого нового заказа на основе исторических закономерностей
Результат: Число от 0 до 1 — вероятность выкупа для каждого заказа
Как используется: Система ранжирует заказы по риску невыкупа и предлагает меры для самых рискованных
Выявление ключевых факторов, влияющих на выкуп
Данные на входе: История заказов с признаками товара, покупателя, доставки
Что делает модель: Анализ важности признаков в модели (например, SHAP) показывает, какие факторы сильнее всего влияют на прогноз
Результат: Список факторов с их вкладом в вероятность выкупа
Как используется: Продавец видит, что цена или отзывы критичны, и фокусируется на их улучшении
Сегментация заказов по риску невыкупа
Данные на входе: Прогнозные вероятности по заказам
Что делает модель: Кластеризация или пороговые правила делят заказы на группы: высокий, средний, низкий риск
Результат: Группы заказов с рекомендациями для каждой
Как используется: Менеджер принимает решения по группам: для высокого риска — проверить цену, для среднего — улучшить карточку
Формирование рекомендаций по повышению выкупа
Данные на входе: Прогнозные вероятности, Ключевые факторы, Текущие значения цены, отзывов, доставки
Что делает модель: Генеративный ИИ на основе правил и данных предлагает конкретные действия: снизить цену на X%, улучшить описание, изменить рекламную кампанию
Результат: Текстовые рекомендации по каждому товару или группе
Как используется: Продавец получает готовые действия и применяет их
Разбор
Как это работает
- 1
Вход: история заказов за последние 6-12 месяцев. Действие: собираются данные о заказах, товарах, покупателях, доставке. Результат: структурированный датасет для обучения.
- 2
Вход: датасет с признаками. Действие: обучается модель машинного обучения для прогноза вероятности выкупа. Результат: модель, которая для нового заказа выдаёт вероятность от 0 до 1.
- 3
Вход: новый заказ. Действие: модель вычисляет вероятность выкупа. Результат: число, например 0.72.
- 4
Вход: вероятности по всем заказам. Действие: заказы ранжируются по риску невыкупа (низкая вероятность). Результат: список заказов от самого рискованного к самому надёжному.
- 5
Вход: список рискованных заказов. Действие: анализируются ключевые факторы для этих заказов (цена, отзывы, доставка). Результат: понимание, что именно снижает вероятность.
- 6
Вход: факторы и текущие значения. Действие: формируются рекомендации (например, снизить цену на 5%, добавить фото). Результат: конкретные действия для каждого товара.
- 7
Вход: рекомендации. Действие: продавец применяет изменения в карточке, цене, рекламе. Результат: повышение вероятности выкупа для будущих заказов.
- 8
Вход: новые данные о заказах после изменений. Действие: модель переобучается или обновляется. Результат: прогноз становится точнее.
Расчет
Формула выкупа и прогноза
Основной показатель — выкуп (buyout rate). Для прогноза используется модель машинного обучения, но базовая формула выкупа помогает понять суть.
Выкуп (buyout rate)
Выкуп = (Количество выкупленных заказов / Количество оформленных заказов) × 100%- Количество выкупленных заказов — заказы, которые покупатель оплатил и не вернул
- Количество оформленных заказов — все заказы, включая отмены и возвраты
Условный пример: Из 100 заказов выкуплено 80. Выкуп = (80 / 100) × 100% = 80%.
Допущение: Это базовая формула для контроля. Для прогноза по каждому заказу используется модель машинного обучения, которая учитывает множество факторов.
Доступная мощность команды для обработки заказов
Доступная мощность = Количество сотрудников × Рабочие часы в смене × Коэффициент доступности- Количество сотрудников — число сотрудников, работающих с заказами
- Рабочие часы в смене — количество часов работы одного сотрудника в смену
- Коэффициент доступности — доля рабочего времени, доступного для обработки заказов (например, 0.8)
Условный пример: Если 5 сотрудников работают по 8 часов в смену с коэффициентом доступности 0.8, доступная мощность = 5 × 8 × 0.8 = 32 часа в смену.
Допущение: Расчёт помогает понять, сколько часов команда может уделить обработке заказов.
Прогнозная нагрузка по заказам
Прогнозная нагрузка = Ожидаемое количество заказов × Среднее время обработки одного заказа- Ожидаемое количество заказов — прогнозируемое число заказов за период
- Среднее время обработки одного заказа — среднее время, необходимое сотруднику для работы с заказом
Условный пример: Если ожидается 100 заказов, а среднее время обработки — 0.3 часа, прогнозная нагрузка = 100 × 0.3 = 30 часов.
Допущение: Расчёт показывает, сколько часов потребуется для обработки всех заказов.
Разрыв между нагрузкой и мощностью
Разрыв = Прогнозная нагрузка − Доступная мощность- Прогнозная нагрузка — часы, необходимые для обработки заказов
- Доступная мощность — часы, доступные сотрудникам
Условный пример: Если прогнозная нагрузка 30 часов, а доступная мощность 32 часа, разрыв = 30 − 32 = −2 часа (мощности хватает).
Допущение: Положительный разрыв означает нехватку ресурсов, отрицательный — достаток.
Пример расчета
Как это выглядит в цифрах
Условный пример: прогноз выкупа для товара А
- Допущение: Товар А: цена 1500 руб., 12 отзывов, рейтинг 4.2, доставка 3 дня
- Допущение: Покупатель: средний чек 2000 руб., доля возвратов 15%
- Допущение: Исторические данные: 5000 заказов по категории
Модель оценивает вероятность выкупа для этого заказа как 0.65. Это ниже среднего по категории (0.75). Ключевые факторы: цена выше средней на 10%, отзывов мало (12), рейтинг 4.2 ниже среднего 4.5.Заказ имеет повышенный риск невыкупа. Рекомендуется снизить цену на 5% (до 1425 руб.), добавить 2-3 фото с деталями и стимулировать отзывы (например, через бонус). После изменений вероятность выкупа прогнозируется на уровне 0.78.
Условный пример: Пример расчёта мощности команды и разрыва
- Допущение: Количество сотрудников: 5
- Допущение: Рабочие часы в смену: 8
- Допущение: Коэффициент доступности: 0.8
- Допущение: Ожидаемое количество заказов: 100
- Допущение: Среднее время обработки одного заказа: 0.3 часа
Доступная мощность = 5 × 8 × 0.8 = 32 часа; Прогнозная нагрузка = 100 × 0.3 = 30 часов; Разрыв = 30 − 32 = −2 часа.Доступная мощность команды превышает прогнозную нагрузку на 2 часа, значит ресурсов хватает для обработки заказов. Если бы разрыв был положительным, нужно было бы увеличить штат или оптимизировать процессы.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Вероятность выкупа ниже среднего по категории
- Цена выше средней
- Мало отзывов и низкий рейтинг
- Доля возвратов покупателя выше средней
Какие риски учтены
- Снижение цены может снизить маржу
- Стимулирование отзывов может привести к неискренним отзывам
- Изменения могут не повлиять, если причина в качестве товара
Какие варианты рассматривались
- Улучшить описание и фото без снижения цены
- Изменить рекламную кампанию на более целевую
- Ускорить доставку, если это возможно
Снижение цены и улучшение карточки напрямую влияют на ключевые факторы, выявленные моделью, и имеют быстрый эффект.
Если бы цена была ниже средней, а отзывов достаточно, рекомендация была бы сосредоточена на доставке или качестве товара.
Результат
Что видит пользователь
Дашборд с прогнозом выкупа по каждому товару
Список товаров с вероятностью выкупа, цветовая индикация риска, ключевые факторы
Продавец видит, какие товары требуют внимания, и принимает мерыСписок рекомендаций по каждому товару
Конкретные действия: снизить цену на X%, добавить фото, изменить описание
Продавец применяет рекомендации и отслеживает изменение прогнозаУведомления о заказах с высоким риском невыкупа
Мгновенное оповещение о заказе с вероятностью ниже порога
Продавец может связаться с покупателем или скорректировать условия до выкупаАвтоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и обработка данных о заказах, товарах, покупателях
- Обучение и обновление модели прогноза
- Расчёт вероятности выкупа для каждого нового заказа
- Формирование рекомендаций на основе правил и модели
Требует настройки
- Настройка порогов риска (например, вероятность ниже 0.6 — высокий риск)
- Определение перечня факторов для анализа
- Настройка интеграции с Wildberries API для получения данных
Остаётся за человеком
- Принятие решения о снижении цены или изменении карточки
- Оценка качества товара, если модель указывает на него
- Выбор, какие рекомендации применять, с учётом маржи и стратегии
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить историю заказов из личного кабинета Wildberries в Excel
- Рассчитать выкуп по каждому товару вручную по формуле
- Выявить товары с выкупом ниже среднего и проанализировать их карточки
Рабочая система
- Настроить автоматическую выгрузку данных через API Wildberries
- Создать базу данных для хранения заказов и признаков
- Обучить модель машинного обучения на исторических данных
- Разработать дашборд с прогнозом и рекомендациями
Расширенный вариант
- Добавить данные о поведении покупателя на сайте (клики, корзина)
- Использовать генеративный ИИ для автоматического улучшения описаний
- Внедрить сценарный анализ: как изменится выкуп при изменении цены, отзывов и т.д.
Подготовка
Чек-лист перед запуском
- 1
Собрать историю заказов минимум за 6 месяцев
- 2
Определить перечень факторов, влияющих на выкуп
- 3
Настроить выгрузку данных из Wildberries
- 4
Обучить модель прогноза выкупа
- 5
Установить пороги риска
- 6
Разработать дашборд для визуализации
- 7
Настроить уведомления о рискованных заказах
- 8
Проверить точность модели на отложенной выборке
- 9
Внедрить процесс регулярного переобучения модели
- 10
Обучить команду работе с рекомендациями
Вывод
Главное
Повышение выкупа на Wildberries — это управление вероятностью выкупа каждого заказа, а не только средним процентом.
Основные данные — история заказов, товары, покупатели, доставка. Ключевой расчёт — прогноз вероятности выкупа с помощью модели машинного обучения. Для управления нагрузкой рассчитывается доступная мощность команды и прогнозная нагрузка по заказам.
ИИ прогнозирует вероятность выкупа, выявляет ключевые факторы и формирует рекомендации, позволяя действовать на опережение.
Начните с выгрузки истории заказов и расчёта выкупа по каждому товару, чтобы выявить проблемные позиции. Одновременно оцените доступную мощность команды и прогнозную нагрузку для планирования ресурсов.
Метод ReMetod
На чем основан вывод
Метод ReMetod строится вокруг пути: бизнес-проблема → модель решения → данные → автоматизация → интерфейс → работающее решение. Практикум рассчитан на собственников и руководителей малого и среднего бизнеса без требования уметь программировать, что позволяет внедрить описанный подход к прогнозу выкупа.
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
У меня мало заказов, ИИ не сможет обучиться
Для обучения модели нужно минимум несколько тысяч заказов. Если данных мало, начните с простых правил: анализируйте выкуп по товарам вручную и выявляйте очевидные проблемы. По мере накопления данных можно переходить к машинному обучению.
Это слишком сложно, я не программист
Метод ReMetod не требует программирования. На практикуме вы научитесь настраивать готовые инструменты и строить работающее решение без кода. Основное — понять логику и данные.
ИИ не сможет учесть все нюансы моего товара
Модель учитывает множество факторов, но не все. Важно дополнять прогноз экспертным мнением. ИИ помогает выявить закономерности, а финальное решение остаётся за вами.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться строить такие прогнозы? Приходите на бесплатный вебинар ReMetod.