Маркетплейсы / Оценить потенциал новой карточки
Стоит ли заводить новый SKU: оценка потенциала с ИИ
ИИ помогает оценить потенциал нового SKU, прогнозируя спрос, маржинальность и конкуренцию на основе исторических данных и внешних сигналов. Это позволяет рассчитать ожидаемый ROI и принять решение о запуске на основе данных, а не интуиции.
Проблема
Почему это важно
Без оценки потенциала нового SKU запуск товара на маркетплейсе похож на лотерею: часть средств уходит на закупку, продвижение и логистику, а результат неизвестен. Многие продавцы действуют по интуиции или копируют чужие успешные карточки, не учитывая свою нишу, аудиторию и экономику.
Почему возникает
- Нет исторических данных по новому товару, поэтому сложно прогнозировать спрос.
- Ручной анализ конкурентов и трендов занимает много времени и субъективен.
- Не учитываются скрытые затраты: возвраты, хранение, реклама, комиссии.
- Отсутствует единая методика сравнения разных SKU между собой.
Риски и потери
- Закупка товара, который не будет продаваться, — заморозка денег в остатках.
- Запуск без прогноза спроса ведет к кассовым разрывам и упущенной выгоде.
- Неверная оценка маржинальности может сделать SKU убыточным даже при высоких продажах.
- Ресурсы (бюджет, время команды) тратятся на неперспективные товары вместо перспективных.
Что влияет на результат
- Исторические продажи аналогичных товаров в категории
- Сезонность и тренды
- Ценовой диапазон и маржа
- Конкуренция (число карточек, их рейтинг, цена)
- Затраты на запуск: закупка, логистика, продвижение, комиссии
- Поведение аудитории: поисковые запросы, клики, конверсия
Типичные ошибки ручного подхода
- Оценка спроса «на глаз» без учета сезонности
- Игнорирование скрытых затрат (возвраты, хранение)
- Сравнение с конкурентами без учета их рекламного бюджета
- Неучет динамики цен и маржинальности
- Отсутствие четкого порога ROI для решения о запуске
Определение
Что важно понимать
SKU
Артикул товара, уникальный идентификатор позиции в ассортименте магазина на маркетплейсе.
Каждый SKU требует вложений в закупку, продвижение и логистику, поэтому важно оценить его потенциал до запуска.Потенциал SKU
Прогнозируемая способность товара приносить прибыль с учетом спроса, маржинальности и конкуренции.
Позволяет сравнивать разные товары между собой и принимать решение о запуске на основе данных.ROI (Return on Investment)
Возврат на инвестиции — отношение чистой прибыли от SKU к затратам на его запуск и продвижение.
Ключевой показатель для решения: если ROI ниже целевого, запуск нецелесообразен.Данные
Какие данные нужны
Исторические продажи по категории и похожим товарам
Для прогноза спроса на новый SKU на основе аналогов.
- товар
- категория
- дата
- количество продаж
- выручка
- цена
Данные о конкурентах
Для оценки конкуренции: число карточек, их рейтинг, цена, объем продаж (если доступен).
- название товара
- цена
- рейтинг
- число отзывов
- продажи за период
Затраты на запуск и продвижение
Для расчета ROI: закупка, логистика, комиссии маркетплейса, реклама.
- себестоимость единицы
- стоимость логистики
- комиссия маркетплейса
- бюджет на рекламу
- прочие затраты
Поисковые запросы и поведение аудитории
Для оценки спроса: частотность запросов, клики, конверсия в покупку.
- ключевой запрос
- частотность
- CTR
- конверсия в заказ
Сезонность и тренды
Для корректировки прогноза спроса с учетом времени года и моды.
- месяц
- коэффициент сезонности
- тренд
Методология
Методика оценки потенциала нового SKU
Принципы
- Оценка строится на данных, а не на интуиции: исторические продажи, конкуренты, затраты.
- Прогноз спроса — база для всех расчетов: от него зависят выручка и ROI.
- Учитываются все затраты: закупка, логистика, комиссии, реклама, возвраты.
- Решение принимается по целевому ROI: если прогнозный ROI ниже порога, SKU не запускаем.
- Оценка итеративна: после запуска фактические данные уточняют прогноз.
Допущения
- Исторические данные по аналогичным товарам репрезентативны для нового SKU.
- Конкурентная среда не изменится кардинально за период прогноза.
- Затраты на запуск известны с достаточной точностью.
- Прогноз спроса строится на горизонте 3-6 месяцев.
Ошибки
- Не учитывать сезонность при прогнозе спроса.
- Считать только прямые затраты, забывая о возвратах и хранении.
- Сравнивать свой товар с конкурентами, у которых большой рекламный бюджет.
- Использовать среднюю цену без учета динамики и скидок.
- Принимать решение по одному показателю (например, только спрос), игнорируя маржу.
Роль ИИ
Как ИИ решает задачу
Прогноз спроса на новый SKU
Данные на входе: Исторические продажи аналогичных товаров, Сезонность, Тренды, Поисковые запросы
Что делает модель: Обучаемая модель прогнозирует ожидаемый объем продаж на основе паттернов спроса.
Результат: Прогноз количества продаж по месяцам на горизонте 3-6 месяцев.
Как используется: Используется для расчета выручки и ROI, а также для планирования закупок.
Оценка конкурентоспособности
Данные на входе: Данные о конкурентах: цена, рейтинг, число отзывов, продажи
Что делает модель: Классифицирует конкурентов по уровню угрозы и определяет ценовой диапазон, в котором новый SKU может быть конкурентоспособен.
Результат: Оценка конкурентной позиции: слабая, средняя, сильная.
Как используется: Помогает скорректировать цену и бюджет продвижения.
Расчет ожидаемого ROI
Данные на входе: Прогноз спроса, Затраты на запуск, Цена и себестоимость
Что делает модель: По бизнес-правилу рассчитывает ROI: (прогнозная выручка - затраты) / затраты.
Результат: Числовое значение ROI и вывод о целесообразности запуска.
Как используется: Используется для принятия решения: запускать или нет.
Выявление рисков и аномалий
Данные на входе: Исторические данные по запускам аналогичных товаров, Текущие рыночные сигналы
Что делает модель: Обнаруживает нетипичные паттерны: резкий рост конкуренции, падение спроса, изменение цен.
Результат: Список рисков с оценкой вероятности и влияния.
Как используется: Позволяет заранее скорректировать план запуска или отказаться от него.
Формирование рекомендаций по запуску
Данные на входе: Прогноз спроса, Оценка конкуренции, ROI, Риски
Что делает модель: Генеративный ИИ формирует текстовые рекомендации: оптимальная цена, бюджет продвижения, сезон запуска.
Результат: Краткое резюме с обоснованием решения и конкретными шагами.
Как используется: Руководитель получает готовый план действий, который можно скорректировать.
Разбор
Как это работает
- 1
Вход: исторические продажи по категории, данные о конкурентах, затраты на запуск. Действие: система собирает и очищает данные из разных источников. Результат: единая база для анализа.
- 2
Вход: очищенные данные. Действие: модель прогнозирует спрос на новый SKU по месяцам. Результат: прогноз продаж на 3-6 месяцев.
- 3
Вход: прогноз спроса, цена, себестоимость, затраты. Действие: система рассчитывает ожидаемую выручку, маржу и ROI. Результат: числовые показатели эффективности.
- 4
Вход: данные о конкурентах. Действие: модель оценивает конкурентную позицию нового SKU. Результат: уровень конкуренции (слабая/средняя/сильная).
- 5
Вход: прогноз, ROI, конкуренция. Действие: система выявляет риски (сезонность, демпинг конкурентов). Результат: список рисков с оценкой.
- 6
Вход: все показатели. Действие: генеративный ИИ формирует рекомендации: запускать или нет, с какой ценой и бюджетом. Результат: готовое решение с обоснованием.
Расчет
Формула оценки потенциала SKU
Ключевой расчет — ожидаемый ROI. Он показывает, сколько прибыли принесет каждый вложенный рубль.
Ожидаемый ROI нового SKU
ROI = (Прогнозная выручка − Полные затраты) / Полные затраты × 100%- Прогнозная выручка = Прогноз продаж (шт) × Цена продажи
- Полные затраты = Затраты на закупку + Логистика + Комиссии + Реклама + Прочие
- Прогноз продаж — результат ИИ-модели
Условный пример: Прогноз продаж: 500 шт/мес, цена 1000 руб, выручка = 500 000 руб/мес. Затраты: закупка 300 000, логистика 50 000, комиссия 100 000, реклама 50 000, прочие 20 000 = 520 000 руб. ROI = (500 000 − 520 000) / 520 000 × 100% = −3,8%.
Отрицательный ROI означает убыток. Для решения о запуске нужен целевой ROI, например, не ниже 20%.
Пример расчета
Как это выглядит в цифрах
Условный пример: оценка SKU «умная кружка»
- Допущение: Рассмотрим условный пример: продавец техники на маркетплейсе хочет запустить новую умную кружку с подогревом.
- Допущение: Исторические данные по похожим товарам (термокружки) показывают сезонный спрос: пик в октябре-декабре.
- Допущение: Конкуренция: 15 карточек, средняя цена 1500 руб, у лидеров рейтинг 4.8 и более 500 отзывов.
- Допущение: Затраты на запуск: закупка 200 000 руб, логистика 30 000, комиссия 15% с продаж, рекламный бюджет 50 000 руб на первый месяц.
ИИ-модель прогнозирует спрос: 300 шт в первый месяц, 400 во второй, 500 в третий (с учетом сезонности). Цена продажи 1500 руб. Выручка за 3 месяца = (300+400+500) × 1500 = 1 800 000 руб. Затраты: закупка 200 000 + логистика 30 000 + комиссия 270 000 (15% от выручки) + реклама 50 000 = 550 000 руб. ROI = (1 800 000 − 550 000) / 550 000 × 100% = 227%. Прогнозный ROI высокий, запуск целесообразен.Прогнозный ROI 227% значительно выше целевого порога 20%, что говорит о высоком потенциале SKU. Однако нужно учесть риски: конкуренция сильная, поэтому для достижения прогноза потребуется активное продвижение.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогнозный ROI
- Уровень конкуренции
- Сезонность спроса
- Маржинальность товара
- Затраты на продвижение
Какие риски учтены
- Сильная конкуренция может снизить фактические продажи
- Сезонный спад после пикового периода
- Рост стоимости рекламы
- Возвраты и брак
Какие варианты рассматривались
- Не запускать SKU, если ROI ниже целевого
- Запустить с меньшим объемом закупки для теста
- Скорректировать цену или себестоимость
- Выбрать другой сезон для запуска
Выбран запуск, так как прогнозный ROI значительно выше целевого, а риски можно смягчить увеличением рекламного бюджета и оптимизацией карточки.
Если бы конкуренция была еще выше (например, более 50 карточек с высоким рейтингом), или прогнозный ROI был бы ниже 20%, рекомендация была бы отложить запуск или изменить параметры.
Результат
Что видит пользователь
Дашборд с оценкой потенциала SKU
Прогноз спроса по месяцам, ROI, уровень конкуренции, список рисков, рекомендации по цене и бюджету.
Принять решение о запуске, скорректировать бюджет и цену, спланировать закупки.Уведомление о превышении порога ROI
Система автоматически уведомляет, когда прогнозный ROI выше целевого, и предлагает запустить SKU.
Быстро запустить перспективный товар, не дожидаясь ручного анализа.Отчет по рискам
Список рисков с оценкой вероятности и влияния, а также предложения по их снижению.
Заранее подготовить план Б: изменить поставщика, заложить бюджет на возвраты.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах, конкурентах, затратах
- Прогноз спроса с помощью ML-модели
- Расчет ROI по формуле
- Оценка конкурентной позиции
- Выявление рисков и аномалий
- Формирование рекомендаций генеративным ИИ
Требует настройки
- Настройка источников данных (выгрузки с маркетплейса, прайсы, рекламные кабинеты)
- Определение целевого ROI и пороговых значений
- Настройка модели прогноза на исторических данных
- Задание правил для классификации конкурентов
Остаётся за человеком
- Финальное решение о запуске SKU
- Корректировка рекомендаций ИИ с учетом нечисловых факторов (бренд, стратегия)
- Утверждение бюджета на продвижение
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать данные по 10-20 аналогичным товарам в Excel: продажи, цена, затраты.
- Рассчитать ROI вручную по формуле для каждого товара.
- Выбрать SKU с максимальным ROI и запустить тестовую партию.
Рабочая система
- Настроить автозагрузку данных с маркетплейса и рекламных кабинетов.
- Обучить ML-модель прогноза спроса на исторических данных.
- Создать дашборд с расчетом ROI и рисков в реальном времени.
- Настроить уведомления при превышении порога ROI.
Расширенный вариант
- Подключить несколько источников данных: внешняя аналитика, поисковые тренды.
- Использовать сценарный анализ: оптимистичный, базовый, пессимистичный прогноз.
- Внедрить генеративный ИИ для автоматической подготовки карточек товара и рекламных текстов.
Подготовка
Чек-лист перед запуском
- 1
Определить целевой ROI для запуска нового SKU.
- 2
Собрать исторические данные по аналогичным товарам за 1-2 года.
- 3
Выгрузить данные о конкурентах: цены, рейтинги, число отзывов.
- 4
Рассчитать полные затраты на запуск: закупка, логистика, комиссии, реклама, возвраты.
- 5
Проверить сезонность и тренды в категории.
- 6
Настроить модель прогноза спроса (или использовать простую формулу на основе средних).
- 7
Рассчитать прогнозный ROI и сравнить с целевым.
- 8
Оценить риски: конкуренция, сезонный спад, рост рекламных ставок.
- 9
Принять решение: запускать, отложить или изменить параметры.
- 10
После запуска сравнить фактические продажи с прогнозом через 30 дней.
Вывод
Главное
Решение о запуске нового SKU должно основываться на прогнозном ROI, рассчитанном на основе данных о спросе, затратах и конкуренции, а не на интуиции.
Основные данные: исторические продажи, данные о конкурентах, затраты. Ключевой расчет — ожидаемый ROI: (прогнозная выручка − полные затраты) / полные затраты.
ИИ автоматизирует прогноз спроса, оценку конкуренции, выявление рисков и формирование рекомендаций, что ускоряет и повышает точность решения.
Начните с малого: соберите данные по 10-20 аналогичным товарам в Excel и рассчитайте ROI вручную. Это даст первичную оценку и покажет, какие данные нужны для более точного анализа.
Метод ReMetod
На чем основан вывод
Метод ReMetod строится вокруг пути: бизнес-проблема → модель решения → данные → автоматизация → интерфейс → работающее решение. Практикум рассчитан на собственников, руководителей, аналитиков и менеджеров малого и среднего бизнеса без требования уметь программировать. Это позволяет освоить описанный подход к оценке SKU и внедрить его в своей компании.
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 нет исторических данных по новому товару, как ИИ может оценить потенциал?
ИИ использует данные по аналогичным товарам в категории, а также внешние сигналы: поисковые запросы, тренды, данные конкурентов. Даже без истории по конкретному SKU можно построить прогноз на основе похожих позиций.
Это слишком сложно, я не программист.
Метод ReMetod не требует программирования. На практикуме вы освоите инструменты автоматизации и сможете настроить оценку SKU с помощью готовых решений и ИИ-сервисов.
Насколько точен прогноз ИИ?
Точность зависит от качества и объема данных. Прогноз — это оценка, а не гарантия. Поэтому важно после запуска сравнивать факт с прогнозом и корректировать модель. ИИ снижает риск ошибки по сравнению с интуитивной оценкой.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться оценивать потенциал новых SKU с помощью ИИ? Приходите на бесплатный вебинар ReMetod.