6 кейсов автоматизации продаж на маркетплейсах: 55 новых SKU за день, продающая инфографика без дизайнера, биддер вместо убыточной рекламы

Полная версия статьи на VC

Любой маркетплейс ― это экосистема, в которой искусственный интеллект играет важную роль. Алгоритмы анализируют множество факторов для ранжирования товара в поисковой выдаче, поведение покупателей ― для создания персонализированных предложений. Селлерам AI подсказывает, куда лучше сделать следующую поставку и в каком количестве, составляет рекомендации по ценообразованию и позволяет автоматизировать рекламные кампании.

Кроме того, селлер может использовать внешние сервисы, работа которых тоже основана на использовании искусственного интеллекта, а также нейросети для генерации контента. Если делать это с умом, вы получите преимущество перед конкурентами и быстрее адаптируетесь к изменениям на рынке. Но полностью полагаться на алгоритмы опасно…

Расскажем, как решить бизнес-задачи селлеров за счет использования умных алгоритмов трех типов:

1. Собственно нейросетей.
2. Алгоритмов маркетплейсов.
3. Внешних сервисов со встроенным искусственным интеллектом.

Проблема: продавцу материалов для маникюра нужно как можно скорее подготовить описания и УТП для инфографики, чтобы начать продажи новых товаров. Ассортимент пополнился сразу 55 позициями, готовить контент вручную займет примерно две недели ― это долго.

Решение: мы использовали нейросети, чтобы выделить и подсветить активные компоненты в составе продукта, а не искать в интернете информацию о каждом из них. Вводили запрос о том, чем полезен ингредиент, и получали готовый ответ.

Еще сгенерировали необычные формулировки для описаний товаров, чтобы отстроиться от конкурентов. Например, другие селлеры указывали в описаниях гель-лаков одни и те же свойства: плотное покрытие, не затекает в боковые валики и под кутикулу, а оттенки описывали парой-тройкой синонимов.

Решили усилить эмоциональный посыл. Плюсом к УТП и преимуществам, которые тоже включили в воронку, попросили нейросеть составить креативное и цепляющее описание коллекции гель-лаков.

Результат: всего за один день мы подготовили продающий контент для 55 товаров, сократив время минимум в 10 раз. Сразу запустили продажи и настроили рекламу на карточки.

Проблема: у магазина косметики были изображения самих товаров, но не было ресурсов, чтобы организовать предметную съемку с красивыми фонами для карточек на Яндекс Маркете.

Решение: стали генерировать изображения во встроенном редакторе маркетплейса YandexArt. Сначала загрузили фото товаров на темном фоне. Получилось не очень: нейросеть не смогла органично вписать предметы в сгенерированное изображение, на коробках появились зеленые блики. Тогда использовали фото другого товара на светлом фоне. Результат оказался лучше.

Результат: ИИ помог селлеру получить качественные иллюстрации за короткий срок, за который невозможно организовать, провести съемку, выбрать и обработать фотографии. При этом он не оплачивал фотосессию.

Проблема: селлер производит и продает на Wildberries горнолыжную одежду, а хочет запустить в продажу еще и новую категорию ― классические женские брюки для офиса. Товар популярный, но сойдется ли экономика?

Решение: проанализировали через сервис MarketGuru категорию женских брюк. Учли частотность запросов, цены на продукцию, конкуренцию и объемы продаж у других игроков.

Увидели ярко выраженную сезонность. Пик спроса приходится на август, когда покупатели начинают готовиться к школе или подбирают одежду в офис. С сентября до ноября продажи падают, так как покупка легких моделей становится неактуальной, а для более теплых сезон еще не наступил.

Еще обнаружили высокий уровень конкуренции: в категории женских брюк 202 806 товаров и почти 2000 брендов. Средняя цена брюк ― 2000 рублей.

Результат: мы не рекомендовали запускать продажи. Будет трудно выделиться на фоне 2000 брендов, особенно если нет явных УТП, которые могли бы зацепить целевую аудиторию. Продвигаться тоже будет сложно: селлер рискует слить весь бюджет и не получить прибыль. Средняя цена брюк в категории достаточно низкая и оставляет мало возможностей для маневров.

Проблема: селлер продвигал платья на Wildberries, но реклама была убыточной: продажи на 200 000 руб., ДРР достигает 38%. С учетом себестоимости товаров и расходов прибыли практически не оставалось.

Решение: проанализировали показатели и увидели, что автоматические ставки в рекламных кампаниях слишком высоки. При средней цене платья в 4000 рублей реклама не окупается.

Проанализировали ставки с помощью автобиддера MarketGuru. Этот инструмент работает по тому же принципу, что и автоматическая РК, но отличие в том, что можно задать максимальную стоимость ставки и желаемую позицию в поисковой выдаче. AI опирается на эти значения и подбирает оптимальную ставку. Мы учли рекомендации биддера и настроили параметры кампании так, чтобы ДРР не превышал 10-15%.

Результат: за месяц получили 98 заказов на общую сумму 389 312 рублей. При этом больше половины выручки, или 220 тыс. рублей, принесли так называемые ассоциированные конверсии — покупки других платьев после перехода в карточку продвигаемого товара. За них деньги из бюджета кампании не списываются. ДРР снизился в 3 раза с 38% до 12%, что позволяет селлеру сохранять достаточную прибыльность продаж.

Проблема: селлер выводил на Wildberries и Ozon термосы. Нужно было рассчитать цены так, чтобы и не зарубить продажи, и получить прибыль.

Решение: с помощью сервиса Mpstats мы проанализировали ценовую политику в нише и определили наиболее актуальную цену на каждом маркетплейсе.

Распределение продаж и выручки по сегментам на WB показывает, что лучше всего продаются термосы с ценой от 1133 до 1284 руб., а также от 1335 до 1563 рублей. На Ozon самая топовая группа — термосы со стоимостью от 1016 до 1524 рубля.

Результат: мы рассчитали экономику и установили цены на Wildberries на уровне начала второго сегмента — 1389 руб., на Ozon — ближе к верхней границе, 1439 рублей. Таким образом мы дали сигнал WB, что на этом маркетплейсе термос дешевле, чем на Ozon, а значит, больше шансов на повышение позиций карточки в выдаче.

Проблема: продавец женской одежды больших размеров недоволен выручкой на Ozon. Он продает товары в центральной части России, в основном в Москве. В другие регионы поставляет единицы позиций.

Решение: мы рассчитали количество товаров с учетом трех факторов — показатели воронки продаж, поведение пользователей и рекомендации Ozon по поставкам в кластеры. Площадка анализирует продажи товаров в каждом регионе и на основе этих данных рекомендует количество позиций к отгрузке. На практике получается, что если у товара есть хотя бы одна продажа в любом регионе, система автоматически рекомендует поставить туда одну единицу этой позиции.

Система предложила отгрузить 2 единицы на Восток и в дальние регионы. Мы учли советы по отгрузке в кластерах и грамотно распределили ассортимент по регионам.

Результат: выручка выросла в 7 раз — с 5148 до 35 675 рублей.