Маркетплейсы / Понять просадку
Почему упали продажи на Wildberries: разбор причин с помощью ИИ
Падение продаж на Wildberries почти всегда имеет конкретную причину: изменился спрос, выросла конкуренция, просела карточка, закончились остатки или неэффективно настроена реклама. ИИ помогает не гадать, а проанализировать данные по всем этим направлениям и указать, где именно произошёл сбой, чтобы вы быстро приняли меры.
Проблема
Почему это важно
Продавцы на маркетплейсах часто замечают, что продажи падают, но не могут быстро понять, почему. Вручную приходится перебирать десятки отчётов: динамику спроса, позиции в поиске, цены конкурентов, рейтинг и отзывы, эффективность рекламы, остатки на складах. Без системного подхода уходит много времени, а решение принимается на основе догадок, что приводит к запоздалым или неверным действиям.
Почему возникает
- Слишком много разрозненных данных, которые сложно сопоставить вручную
- Отсутствие единой картины: изменения в одном канале (например, рекламе) не связывают с продажами
- Человеку сложно заметить аномалии на фоне естественных колебаний
- Реакция на симптомы вместо поиска корневой причины
Риски и потери
- Потеря выручки из-за медленной реакции на падение
- Неправильные решения: снижение цены, когда проблема в остатках или рейтинге
- Перерасход бюджета на неэффективную рекламу
- Упущенная доля рынка из-за действий конкурентов
Что влияет на результат
- Динамика спроса на категорию и товар
- Цены и акции конкурентов
- Позиции в поиске и рейтинг карточки
- Отзывы и вопросы покупателей
- Эффективность рекламных кампаний
- Наличие остатков и скорость поставок
Типичные ошибки ручного подхода
- Смотрение только на один показатель, например на продажи, без контекста
- Путаница между падением спроса и проблемами с карточкой
- Игнорирование сезонности и трендов
- Запоздалое обнаружение проблем с остатками
Определение
Что важно понимать
Root-cause analysis (RCA)
Метод поиска первопричины проблемы вместо устранения её симптомов. В контексте маркетплейса — выявление того, какой именно фактор (спрос, цена, рейтинг и т.д.) вызвал падение продаж.
Позволяет не тратить ресурсы на бесполезные действия, а сфокусироваться на реальной причине и быстро её устранить.Просадка продаж
Снижение объёма продаж за определённый период по сравнению с предыдущим или ожидаемым уровнем.
Сигнал для немедленного анализа, так как может указывать на проблемы, которые усугубятся, если их не решить.Данные
Какие данные нужны
Данные о продажах и заказах
Базовая метрика для определения факта и масштаба падения.
- дата
- SKU
- количество заказов
- выручка
- возвраты
Данные о спросе и поисковых запросах
Позволяет отличить падение спроса на категорию от проблем конкретного товара.
- частотность запросов
- динамика спроса по категории
- сезонность
Данные о конкурентах
Чтобы понять, не перехватили ли конкуренты трафик или не демпингуют ли цену.
- цены конкурентов
- наличие акций
- позиции в поиске
Данные о карточке товара
Рейтинг, отзывы и качество контента напрямую влияют на конверсию.
- рейтинг
- количество и тональность отзывов
- просмотры
- конверсия в заказ
Данные о рекламных кампаниях
Чтобы оценить, не снизилась ли эффективность рекламы и не упал ли трафик.
- расходы
- показы
- клики
- CTR
- CPC
- конверсия в заказ
Данные об остатках и поставках
Отсутствие товара на складе — частая причина падения продаж.
- остатки по складам
- даты поставок
- статус товара
Методология
Как ИИ помогает найти причину падения продаж
Принципы
- Сначала определить факт падения: сравнить продажи с прошлым периодом и ожидаемым трендом.
- Собрать данные по всем ключевым факторам: спрос, конкуренты, цена, карточка, реклама, остатки.
- Искать аномалии и резкие изменения в каждом факторе, сопоставляя их с динамикой продаж.
- Выделить наиболее вероятную причину на основе силы и времени корреляции.
- Дать рекомендацию по проверке и действию, а не просто констатировать факт.
Допущения
- Данные по продажам и факторам доступны в структурированном виде (выгрузки, API).
- Падение продаж не связано с разовыми событиями, которые невозможно предсказать (например, сбой на площадке).
- Для корректного анализа нужен достаточный объём данных за несколько периодов.
Ошибки
- Анализировать только продажи, игнорируя контекст (сезонность, тренды).
- Смотреть на абсолютные цифры без сравнения с прошлым периодом.
- Путать корреляцию с причинностью: например, рост рекламных расходов совпал с падением продаж, но причина может быть в другом.
- Принимать решение на основе одного источника данных, не проверив остальные.
Роль ИИ
Как ИИ решает задачу
Выявление аномалий в динамике продаж и факторов
Данные на входе: Исторические данные о продажах, спросе, ценах, рейтингах, рекламе, остатках
Что делает модель: Сравнивает текущие значения с историческими трендами и сезонными паттернами, находит резкие отклонения.
Результат: Список аномалий с указанием даты, показателя и степени отклонения.
Как используется: Продавец видит, какие показатели выбились из нормы, и может сфокусироваться на них.
Поиск корреляций между падением продаж и изменениями факторов
Данные на входе: Временные ряды продаж и факторов (цена, рейтинг, реклама, остатки)
Что делает модель: Рассчитывает корреляцию и временные лаги между падением продаж и изменениями каждого фактора.
Результат: Ранжированный список факторов по степени связи с падением продаж.
Как используется: Продавец понимает, какой фактор наиболее вероятно является причиной.
Классификация причин падения по типу
Данные на входе: Данные о продажах, конкурентах, карточке, рекламе, остатках
Что делает модель: На основе выявленных паттернов относит падение к одной из типовых причин: снижение спроса, рост конкуренции, проблема с карточкой, неэффективная реклама, отсутствие остатков.
Результат: Вероятная причина с пояснением, какие данные на неё указывают.
Как используется: Продавец получает готовую гипотезу для проверки, а не перебирает всё подряд.
Формирование рекомендаций по действиям
Данные на входе: Выявленная причина, текущие значения показателей, доступные данные о конкурентах
Что делает модель: Генерирует конкретные шаги: скорректировать цену, улучшить карточку, перераспределить рекламный бюджет, пополнить остатки.
Результат: Список рекомендуемых действий с приоритетом и ожидаемым эффектом.
Как используется: Продавец получает план действий, который можно сразу внедрить.
Разбор
Как это работает
- 1
Вход: данные о продажах за последние 3-6 месяцев. Действие: система строит базовый тренд и сезонную модель. Результат: ожидаемый уровень продаж на каждый день.
- 2
Вход: фактические продажи за последние 2-4 недели. Действие: система сравнивает факт с ожидаемым уровнем и выявляет отклонения. Результат: список дней с аномальным падением.
- 3
Вход: данные по факторам (цена, рейтинг, реклама, остатки, конкуренты) за тот же период. Действие: система ищет резкие изменения в каждом факторе. Результат: перечень изменений с датами.
- 4
Вход: временные ряды продаж и факторов. Действие: система рассчитывает корреляцию и временные лаги. Результат: ранжированный список факторов по степени связи с падением.
- 5
Вход: выявленные аномалии и корреляции. Действие: система классифицирует вероятную причину. Результат: гипотеза о причине (например, снижение спроса или проблема с рейтингом).
- 6
Вход: гипотеза и текущие данные. Действие: система формирует рекомендации по проверке и действиям. Результат: конкретный план действий для продавца.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Степень отклонения продаж от тренда
- Наличие аномалий в факторах (цена, рейтинг, реклама, остатки)
- Корреляция и временной лаг между изменениями факторов и продажами
- Сила и достоверность данных по каждому фактору
Какие риски учтены
- Ложная корреляция: изменение фактора совпало с падением, но не является причиной
- Недостаток данных для надёжного вывода
- Рекомендация, основанная на устаревших данных
Какие варианты рассматривались
- Ручной анализ отчётов — медленный и подвержен ошибкам
- Проверка только одного фактора (например, цены) — может пропустить реальную причину
- Обращение к внешнему аналитику — дорого и не всегда оперативно
ИИ-подход позволяет обработать все факторы одновременно, выявить аномалии и корреляции, что повышает точность и скорость диагностики.
Если данных мало или они неполные, рекомендация будет менее точной. В таких случаях ИИ может предложить собрать дополнительные данные или провести ручную проверку.
Результат
Что видит пользователь
Дашборд с динамикой продаж и факторов
Графики продаж, спроса, цен, рейтинга, рекламы и остатков с подсвеченными аномалиями.
Быстро увидеть, какие показатели выбились из нормы, и перейти к детальному анализу.Отчёт с вероятной причиной падения
Список факторов с оценкой вероятности влияния и пояснением, какие данные на это указывают.
Сфокусироваться на проверке наиболее вероятной причины, не тратя время на всё подряд.Рекомендации по действиям
Конкретные шаги с приоритетом и ожидаемым эффектом.
Внедрить план действий и отследить результат.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и консолидация данных из разных источников (отчёты маркетплейса, рекламные кабинеты, внешние сервисы)
- Расчёт трендов и сезонности
- Выявление аномалий в продажах и факторах
- Расчёт корреляций и формирование гипотез о причине
Требует настройки
- Настройка подключения к источникам данных
- Определение порогов аномалий (например, отклонение более чем на 20% от тренда)
- Настройка правил классификации причин
- Шаблоны для генерации рекомендаций
Остаётся за человеком
- Проверка гипотезы на основе дополнительного контекста (например, информация о логистике, внешних событиях)
- Выбор окончательного действия из предложенных вариантов
- Внедрение изменений (корректировка цены, улучшение карточки, перераспределение бюджета)
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить данные о продажах и ключевых факторах в Excel/Google Sheets за последние 3 месяца.
- Построить простые графики и визуально сравнить динамику продаж с изменениями факторов.
- Использовать условное форматирование для выделения аномальных значений.
Рабочая система
- Настроить автоматическую выгрузку данных из личного кабинета маркетплейса и рекламных кабинетов.
- Создать базу данных для хранения истории показателей.
- Разработать скрипты для расчёта трендов, аномалий и корреляций.
- Построить дашборд с ключевыми метриками и уведомлениями о резких изменениях.
Расширенный вариант
- Подключить данные о конкурентах через API или парсинг.
- Внедрить ML-модели для прогнозирования продаж и классификации причин падения.
- Настроить генеративные рекомендации на основе выявленных причин.
- Интегрировать с системой управления задачами для автоматического создания поручений.
Подготовка
Чек-лист перед запуском
- 1
Определить период анализа (минимум 3 месяца для учёта сезонности).
- 2
Собрать данные по всем ключевым факторам: продажи, спрос, конкуренты, цена, рейтинг, реклама, остатки.
- 3
Проверить качество данных: наличие пропусков, ошибок, дублей.
- 4
Построить базовый тренд и сезонную модель для продаж.
- 5
Выявить аномалии в продажах и факторах.
- 6
Рассчитать корреляции между падением продаж и изменениями факторов.
- 7
Сформулировать гипотезу о наиболее вероятной причине.
- 8
Проверить гипотезу на дополнительных данных (например, отзывы, логистика).
- 9
Разработать план действий и назначить ответственных.
- 10
Установить срок повторного измерения для оценки эффективности.
Вывод
Главное
Падение продаж на маркетплейсе — это сигнал для системного анализа, а не повод для паники. ИИ помогает структурировать данные и найти корневую причину быстрее, чем ручной перебор.
Основные данные: продажи, спрос, цены конкурентов, рейтинг карточки, рекламные метрики, остатки. Ключевые расчёты: тренды, аномалии, корреляции.
ИИ автоматизирует выявление аномалий, поиск корреляций и классификацию причин, а также генерирует рекомендации. Он не заменяет решение продавца, но даёт обоснованную основу для него.
Начните с выгрузки данных о продажах и ключевых факторах за последние 3 месяца и постройте простые графики, чтобы увидеть, какие показатели изменились одновременно с падением.
Метод ReMetod
На чем основан вывод
Метод ReMetod учит выстраивать путь от бизнес-проблемы к работающему решению через модель, данные и автоматизацию. В контексте анализа падения продаж это означает: сначала чётко сформулировать проблему (просадка), затем определить, какие данные нужны, и построить модель, которая свяжет факторы с продажами, а затем автоматизировать расчёты и выводы.
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 товара и рынка.
ИИ не заменяет экспертизу, а дополняет её. Он обрабатывает данные и находит закономерности, а вы интерпретируете их с учётом своего опыта. Настройка модели под вашу нишу возможна, если дать ей достаточно данных.
У меня мало данных, ИИ будет бесполезен.
Даже с небольшим объёмом данных можно начать с простого анализа: сравнить продажи с прошлым периодом, посмотреть на изменения цены, рейтинга, остатков. Постепенно, накапливая данные, вы сможете использовать более сложные методы.
Это слишком сложно и дорого внедрять.
Можно начать с малого: использовать Excel или Google Sheets для первичного анализа, затем постепенно автоматизировать. ReMetod предлагает практикум, где вы за 4 недели создадите работающее решение без навыков программирования.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться выявлять причины падения продаж с помощью ИИ? Приходите на бесплатный вебинар или запишитесь на диагностику.