Мы строим систему, которая 24/7 собирает данные по кабинетам, следит за показателями, применяет знания о работе с маркетплейсами и превращает это в конкретные действия и самостоятельно добивается результата.
Селлер получает не еще один срез в аналитике, а операционных помощников которые знают правила площадок, замечают отклонения, могут предложить решение или принять его самостоятельно. В конце дня — отчет о проделанной работе.
Селлеру нужно постоянно следить за контентом, ценами, акциями, рекламой, остатками, комиссиями, возвратами, позициями, сертификатами и правилами площадок.
Даже если на проверку одного SKU уходит 5-10 минут, то 300 SKU превращаются в 25-50 часов на один полный обход. При регулярной работе это вынуждает нанимать целый отдел продаж.
На практике человек неизбежно фокусируется на топ-товарах, а длинный хвост остается без внимания, хотя именно там часто копятся потери, ошибки и недополученная прибыль.
MPStats и похожие системы показывают данные, но требуют, чтобы человек сам понял причину, нашел действие и потратил свои минуты на каждый SKU.
Это полезно для спеца-аналитика, но плохо масштабируется как ежедневная операционная работа для остальных сотрудников. Не-специалист может делать неправильные выводы или быть предвзятым.
Внутренние ассистенты маркетплейсов тоже не закрывают задачу: они ограничены интересами своей площадки и вряд ли будут честно говорить, где селлеру выгоднее продавать, где маржа хуже и где стоит перераспределить усилия между Ozon, WB и Яндекс Маркетом.
Как устроен AI-seller:
В результате: не селлер учит бота продавать в каждом новом чате, а бот сам показывает селлеру, что делать дальше.
AI-операционист начинается не с чата, а с надежного слоя данных и знаний.
Если данные неполные или сырые, AI будет отвечать общими словами. Если данные собраны, нормализованы и связаны с правилами площадок, AI может на них положиться.
Когда клиент подключает кабинет, система сразу начинает собирать необходимые данные:
Мы не просто забираем все подряд из API. Мы склеиваем товар между площадками, убираем шум, считаем производные метрики, готовим паспорт товара и контекст, который AI может реально использовать.
Не все важное доступно через API кабинета продавца.
Мы заходим на витрины маркетплейсов и получаем то, что видит покупатель: реальные цены на сайте, позиции в выдаче, отображение карточек, состояние контента и другие внешние сигналы.
Это позволяет сравнивать кабинетные данные с рыночной реальностью и находить расхождения, которые напрямую влияют на продажи.
У нас есть оцифрованная документация по Ozon, Wildberries и Яндекс Маркету.
У каждого специалиста есть доступ к этой базе знаний и обновлениям правил площадок. Это не универсальный чат-бот обо всем на свете, а специалист, который знает тонкости работы с каждым маркетплейсом и держит эти знания актуальными.
Когда система работает с разными клиентами и категориями, она может видеть повторяющиеся закономерности:
Глобальные знания дополняют личные данные кабинета и со временем делают рекомендации сильнее.
Дальше слой знаний будет пополняться статьями, курсами, практиками агентств и опытом самих селлеров.
Можно загрузить свой курс или статью.
Поверх данных мы строим не один чат, а seller harness: среду, где AI-специалисты знают свои роли, имеют доступ к инструментам, помнят контекст и могут выполнять работу по процессу.
Пользователю не нужно объяснять, куда зайти и что проверить. Он общается с экспертом, который лучше него разбирается в его же магазине и уже подготовил отчет.
В системе работают не абстрактные ассистенты, а специалисты:
У каждого специалиста свои знания, навыки, инструменты и права доступа. Может быть несколько конкурирующих специалистов в одной области, например продавцы с разным характером: старт продаж, удержание лидерства, ликвидация стока
Специалисты помнят важное не только в рамках одного чата.
Система сохраняет контекст по товарам, карточкам, брендам, тегам, кабинетам, задачам, заказам и документам.
Это важно для доверия: пользователь не объясняет заново особенности товара, приоритеты бренда, историю решений и внутренние правила команды.
Специалисты могут делегировать задачи друг другу, задавать уточняющие вопросы, возвращать результат, общаться через задачи и ставить тикеты админу, если для работы не хватает инструмента или доступа.
Это превращает AI из одиночного ответа в управляемый операционный процесс.
Селлер видит не только финальный совет, но и путь: кто проверял, какие данные использовал, какое действие предложено и что требует согласования.
Каждый специалист имеет настраиваемый набор функций которые может использовать — либо по своему усмотрению, либо пропускать через согласование.
Более 900 методов для работы, включая внутренние
Система может объяснить, что происходит с товаром и что делать дальше:
Сигналы нужны не только для фиксации того, что уже стало плохо.
Их потенциал в ранней реакции: заметить падение CTR, ухудшение позиции, расхождение цены, риск out-of-stock, рост возвратов, снижение рейтинга или просадку маржи до того, как это станет большой потерей.
AI не устает и не выбирает только топ-товары. Для него каждый товар может быть проверен одинаково внимательно.
Более 20 сигналов уже реализовано
AI видит цену в кабинете, цену на витрине, динамику продаж, расходы, маржу, акции и рекламные показатели.
На этой базе он может:
Уже закрываем важный контур работы с карточками:
Бизнес-смысл: быстрее улучшать карточки и CTR без постоянной ручной работы дизайнера и контент-менеджера.
Если товар уже есть на Ozon, система помогает подготовить карточку для WB.
Это сокращает ручную работу при выходе на новые площадки и снижает стоимость масштабирования ассортимента.
В beta это становится первым шагом к полноценному мультиплощадочному управлению карточками из одного центра.
Результат доступен там, где удобно селлеру:
Это один интеллект и одна база данных, а не разрозненные интерфейсы.
Ценность для клиента считается через сэкономленное время и предотвращенные потери.
Если у селлера 300 SKU и на один осознанный обход нужно 3-5 минут на SKU, это 15-25 часов работы. При еженедельном контроле получается 60-100 часов в месяц.
Даже при внутренней стоимости операционной работы 500 ₽/час это 30-50 тыс. ₽ в месяц только на ручной контроль, без учета потерь от незамеченных проблем.
| Сценарий | Клиенты | Средний чек | MRR | ARR |
|---|---|---|---|---|
| Ранние платные пилоты | 20 | 15 000 ₽ | 300 000 ₽ | 3,6 млн ₽ |
| Ниша SMB-селлеров | 200 | 10 000 ₽ | 2 млн ₽ | 24 млн ₽ |
| Агентства и команды | 100 | 30 000 ₽ | 3 млн ₽ | 36 млн ₽ |
| Смешанный масштаб | 1 000 | 7 000 ₽ | 7 млн ₽ | 84 млн ₽ |
Текущие тарифы MVP можно оставить ниже для входа, но ценность продукта лежит в Business/Agency-пакетах: ежедневный AI-операционист дешевле ручной проверки ассортимента и масштабируется лучше.
Мы собрали основу AI-операциониста:
Это уже не набор отдельных фич, а каркас операционной системы для селлера.
Ближайший фокус — довести ежедневный операционный сценарий до боевого уровня. Система должна каждый день находить проблемы и возможности, объяснять причины, предлагать действия и применять их, оставаясь эффективнее по затратам чем рядовые сотрудники.
→ Данные. Доработать синхронизацию данных по маркетингу, видимости, аналитике
→ Парсер. Довести до рабочего состояния инструмент или найти и интегрировать существующий для снятия цен и позиций на трех маркетплейсах
→ Знания. Доработать базу знаний для правильной интерпретации контекста. Разобраться с данными о ценах, акциях, эффективности карточек
→ Автономность. Запустить боевой пилот на реальных товарах (50-100 различных sku), ежедневные сигналы, аудит карточек, действия по контенту, цене, акциям и рекламе (TDX).
