ИИ-анализ продвижения на Wildberries и Ozon
Конспект мастер-класса от 22 июля 2026
Как один файл-скилл заменяет аналитика по продвижению: аудит портфеля, диагностика SKU, сценарное моделирование и антикризисные решения на живых данных.
Цифры мастер-класса
90% — точность выводов при верной настройке
12x — медианный ROAS в разборе портфеля
−50% — реклама после пожара, маржа просела всего на 1,5 п.п.
01. Где сейчас нейросети
С мартовского тренинга картина изменилась качественно. Селлеры массово смотрят уже не на «поговорить с чатом», а на автоматизацию и агентные сценарии.
Главный тезис. Узкое место больше не в возможностях моделей, а в умении их настраивать. При корректной настройке точность выводов — порядка 90%.
Если результат плохой, причина почти всегда одна из четырёх:
- мало контекста;
- плохо описаны данные;
- неправильно сделана выгрузка;
- проблемы в самих данных.
02. От промпта к скиллу
Было — Projects. Системная инструкция плюс отдельный файл с описанием полей. Контекст собираешь руками каждый раз. Модель путается в метриках.
Стало — Skill. Один файл, содержащий всё сразу. Версионируется, дорабатывается под себя. Сразу приходит к сути.
Скилл собран по гайду Anthropic по анализу данных и содержит правила работы, метрики и формулы, описание конкретной выгрузки, контекст маркетплейса и паттерны анализа. По сути — заменяет аналитика по продвижению.
03. Что зашито внутрь скилла
Эти правила можно повторить у себя на любой выгрузке.
- Гранулярность и ключи — артикул × период, объявленные явно.
- Полнота и свежесть — полная или неполная неделя, актуальность данных; модель это видит и учитывает.
- Разделение потоков — органика отдельно, внутренняя реклама отдельно, общий итог отдельно.
- ТАКОС — ДРР от всех заказов, а не только от рекламных. Получается из совмещения по дням органической и рекламной воронок.
- Баланс органики и рекламы — есть ли перелив в рекламу, или наоборот: органика тянет, ДРР мизерный, а товар недоинвестирован.
- Запрет «среднего от среднего» — CTR считается как сумма кликов / сумма показов, а не как среднее дневных CTR.
- Запрет додумывания — явные анти-галлюцинационные правила: что суммируем, что не суммируем.
- Формулы — ROAS, ROMI, ДРР, доля органики и доля рекламы.
- Остатки — сигнал, если реклама льётся на низкие остатки.
- Кластеризация — по тегам, категориям, брендам, кабинетам.
04. Сценарии применения
Ежедневный мониторинг
Выгрузка для AI из дашборда «Продвижение» → каждый день докидываете в диалог → модель сама подсвечивает аномалии и что именно изменилось по метрикам. Делает это внимательнее человека. Даже предположит, что вы меняли контент, а если фиксируете правки — свяжет их с результатом.
A/B-тесты по дням
По конкретному артикулу: конверсии по всем уровням воронки, выкуп, ДРР, вклад органики против рекламы.
Портфельный аудит: матрица «ROAS × выручка»
Бренды, категории и SKU раскладываются по квадрантам:
- Дойные коровы. ROAS высокий, ДРР около 10%, доля органики 60–80%. Бюджет почти не едят.
- Зона доливки. ДРР около 7%, органика 45–50%, при высоких бюджетах эффективность держится → можно разгоняться и забирать долю рынка.
- Стабильные. Около медианных значений.
- Перегретые. ROAS около 5x, ДРР около 20%, органика 20%, объёмы небольшие → вопрос, готовы ли инвестировать дальше.
- Рекламозависимые и аутсайдеры. Держатся только на рекламе.
Показано на бюджете в несколько десятков млн ₽ в месяц. Медианный ROAS в разборе — 12x. Задача менеджера: тянуть категории в правый верхний квадрант.
ABC-анализ по рекламным метрикам
Не по выручке и заказам, как все привыкли, а по эффективности продвижения. Готового такого инструмента на рынке не встречалось.
Пояснительные записки к цифрам
По каждому SKU: заказы, выкупы, воронка, CTR / CPC / ДРР / ROAS, динамика за 4 недели — человеческим языком, а не графиками.
Конкретная диагностика и действия
- Топ-5 аутсайдеров — плохой CTR, слабые позиции: 23-я, 35-я. Реклама не работает.
- Топ-5 недофинансированных — CTR хороший, позиция низкая → поднять ставку, есть потенциал роста.
- Прямые действия по артикулам — защитить героев, перелить бюджет из аутсайдеров, добрать освободившийся спрос.
Сценарное моделирование
«Проведи 5 сценариев с шагом цены +2%». Если цена в последний месяц двигалась — модель вытащит эластичность из истории РНП и сбалансирует юниты. Для качества стоит подкинуть цены и заказы конкурентов.
Живой аудит кабинета Ozon. Верхнеуровневые цифры выглядели ровно, но по неделям: заказы упали, выручка упала, расходы упали, CPO вырос, ДРР вырос.
Модель нашла причину: цена выросла с ~1000 до ~1400 ₽, медианное изменение +25%, у 65 артикулов — рост. Ассортимент стабилен, значит поднимал продавец, а не платформа. Клики в корзину идут, а выкупа нет.
Вывод: цена перестала проходить порог принятия решения. Плюс средняя позиция в девяностых при продолжающемся расходе, плюс новые SKU при неизменном бюджете — бюджет размазали, результата не получили.
Итоговый вопрос к клиенту: это осознанная стратегия придержать остатки или ошибка менеджера?
05. Антикризисный кейс
Самое прикладное из мастер-класса. Селлер с сезонным товаром на остатках после пожара.
- Цену снизили примерно на 12%.
- Рекламный бюджет срезали на 50%.
Результат через два дня: −1,5 п.п.
Именно настолько просела маржинальность относительно допожарного уровня. Валовая прибыль в абсолюте — минус 10–15%, но выпадающие заказы компенсировали срезанной расходной частью. Здоровье бизнеса сохранено, сезонка допродаётся.
Логика момента. Выдача сейчас драматически перебалансируется. Если у вас остались остатки — есть шанс забрать выпавшую долю рынка. Для этого нужно взять свежую выдачу, отдать модели, описать события (ваши остатки, остатки конкурентов) и пересобрать связку «цена × реклама × воронка».
Про поставки. Отдельным файлом можно дать данные «в пути» с WB → модель прикинет, через сколько дней приедет на склад, скажет, где прибрать рекламу, и поставит напоминания на конкретные даты проверить поставку, чтобы потом продолжить бустить.
06. Куда это едет: автономные агенты
Личный опыт со связкой «скиллы + MCP-серверы + агент» на Яндекс.Директе: агент проходит по каждой рекламной кампании, оценивает семантическое ядро, статистику и лендинг, и вносит правки в ядро и ставки. Для маркетплейсов путь будет тот же.
Целевой контур управления: агент анализирует → предлагает действия → вы согласовываете → он выполняет и пишет в реестр → на следующий день смотрим результат. Цикл замыкается.
Дальше — не репрайсер, который двигает цену, а система, которая управляет валовой прибылью: с широким контекстом (300+ метрик), с памятью во времени (что делали неделю и месяц назад) и с загруженной стратегией — вход в сезон, выход из сезона, распродажа.
Честное ограничение. Главный барьер сейчас не инструментальный, а психологический — отпустить ручной контроль. Инструментально многие уже готовы.
07. Технические ответы из эфира
- Работает не только в Claude. Инструкции общего характера — специфичны они под выгрузку, а не под конкретную модель. ChatGPT, Gemini, Kimi справятся. Своя выгрузка — переделывайте скилл под себя: это реально, но займёт время, и основная трудоёмкость именно в сборе данных.
- Почему нет ленты заказов. На уровне одного заказа управлять нечем. Чтобы корректно сопоставить воронку, рекламу, заказы и продажи между собой, данным нужно отлежаться сутки. Отсюда модель T−1.
- Частота обновления. РНП — 3–4 раза в день. Воронка — с 8:00 до 14:00 примерно раз в два часа, плюс вечернее обновление около 20–21:00.
- Генерация контента. Скилл этим не занимается — это другой класс систем. Но можно забрать логи сервиса генерации за вчера и попросить оценить, насколько сделанные действия привели к результату.
08. Отдельно — для небольших селлеров
В массовых нишах доминируют бренды и крупные игроки, поэтому малым нужны узкие ниши, уникальный товар или уникальные условия. Но есть и обратная сторона.
Гибкость как преимущество. Подписка ~5 000 ₽ плюс нейросеть ~$20 — и один человек управляет кабинетом на уровне команды из пяти. Крупная компания будет идти к этому полгода-год. Вы можете сделать это сейчас: внедрение — примерно один день.
Автоматизация быстрее придёт к малышам.
Смотреть запись целиком
В записи — демонстрация на экране: как подключаются скиллы, как выглядит выгрузка, как модель строит матрицу и пишет аналитическую записку.
Серию мастер-классов продолжаем: будем разбирать антикризисные меры и кейсы селлеров. Хотите разобрать свою выгрузку в эфире — напишите нам.