«Почему упала маржа?» — хороший вопрос для ИИ. «Измени цены на все товары» — уже опасное поручение.
Польза ИИ в аналитике маркетплейсов появляется, когда он решает узкую задачу поверх проверяемых данных: находит отклонение, объясняет факторы, расставляет приоритеты и предлагает следующий шаг. Источник цифр, права доступа и окончательное действие остаются под контролем человека.
Правило 1. Один вопрос — одно решение
Начните с вопроса, который ведёт к конкретной проверке:
- почему снизилась прибыль по SKU;
- где выросли возвраты;
- какие товары приближаются к дефициту;
- какие аномалии нужно разобрать утром;
- что изменилось в здоровье карточки товара.
Заранее укажите пользователя результата, период, кабинет, допустимую задержку, цену пропуска и ложной тревоги. Если модель недоступна, должен существовать понятный ручной или расчётный маршрут.
Правило 2. Ответ начинается с доказательств
До запроса к модели определите:
- метрику и её формулу;
- период и часовой пояс;
- кабинет, склад или SKU;
- дату обновления данных;
- отчёт или карточку, где можно проверить результат.
ИИ не должен считать контрольные суммы, признавать выручку или придумывать отсутствующие значения. Эти операции выполняются детерминированно. Модель получает ограниченный контекст и помогает его интерпретировать.
Правило 3. Отделяйте факт от гипотезы
Хороший ответ состоит из четырёх слоёв:
| Слой | Пример |
|---|---|
| Наблюдение | маржа SKU снизилась с одного периода к другому |
| Драйверы | выросла логистика, доля возвратов и рекламные расходы |
| Ограничения | часть операций ещё не вошла в завершённый отчёт |
| Следующая проверка | открыть детализацию затрат и сверить три крупнейшие строки |
Фраза «причиной стала реклама» требует доказательства. Без эксперимента или надёжной модели причинности это гипотеза, которую нужно проверить.
Правило 4. Показывайте уверенность и альтернативы
Одинаково уверенный тон при полном и неполном наборе данных вводит в заблуждение. Ответ должен показывать:
- покрытие данных;
- свежесть источников;
- известные пропуски;
- уверенность в выводе;
- альтернативные объяснения;
- условие, при котором рекомендацию нужно пересмотреть.
Для прогноза полезнее увидеть базовый, низкий и высокий сценарии, чем одну красивую цифру без диапазона.
Правило 5. Человек подтверждает чувствительное действие
ИИ может ранжировать SKU, подготовить сводку или черновик решения. Изменение цены, рекламного бюджета, поставки, доступа или финансового признания требует отдельного подтверждения, журнала и возможности отката.
Текстовый интерфейс не расширяет права пользователя. Если сотрудник не имеет доступа к кабинету, бренду или финансовому отчёту, ассистент также не должен раскрывать эти данные.
Практический сценарий: «Почему упала прибыль?»
Допустим, продавец спрашивает о SKU за последние две недели. Безопасный аналитический поток выглядит так:
- Система фиксирует workspace, кабинет, SKU и периоды сравнения.
- Profit Engine рассчитывает прибыль по утверждённым формулам.
- Product 360 добавляет продажи, возвраты, остатки и состояние товара.
- ИИ ранжирует изменения и формирует объяснение со ссылками на показатели.
- Пользователь открывает исходный отчёт и подтверждает следующий шаг.
Пример ответа: «Маржа снизилась на фоне роста логистики и возвратов; рекламная доля почти не изменилась. Данные за последние два дня могут быть неполными. Проверьте три крупнейшие логистические операции и причины возврата». Это полезнее уверенного, но непроверяемого совета «снизить рекламу».
Как оценивать качество ИИ
Сравнивайте модель с простым контрольным методом: сортировкой по порогу, правилом или ручным разбором. Оценивайте точность найденных отклонений, пропуски, ложные тревоги, время до решения и долю ответов, которые пришлось отклонить.
Проверяйте модель на прошлом периоде, затем в теневом режиме без действий, и только после этого допускайте к рабочим подсказкам. Изменение модели, промпта или входной схемы требует повторной оценки.
Где помогает ProfitVena AI
ProfitVena AI отвечает на вопросы по разрешённым данным продавца, объясняет изменения прибыли, остатков, возвратов и здоровья товара, показывает ограничения и готовит следующие шаги. Он работает поверх прав workspace, тарифных лимитов и подключённых источников; reasoning-слой использует Yasnora за серверной границей.
Live-контур данных сейчас относится к Wildberries. Forecast Center готовится к интеграции, а другие маркетплейсы остаются в дорожной карте до подтверждения подключения. Публичный сценарий не означает автоматическое изменение цен или размещение поставок.
Техническая часть обновлена в ProfitVena.
ProfitVena и Yasnora развиваются в экосистеме Виксора.
Подробная образовательная методика: «ИИ-аналитика для продавца на маркетплейсах».
Предыдущая статья: «От API до прибыли».
Следующая: как раздельно планировать остатки FBO и FBS.
