AI для маркетплейсов и e-commerce: карточки, отзывы, аналитика

Где у продавца реально течёт время

Прежде чем говорить об инструментах, полезно посмотреть, из чего складывается рабочая неделя менеджера маркетплейсов. Практически всегда это четыре блока: заведение и правка карточек, ответы на вопросы и отзывы, разбор аналитики и работа с возвратами и претензиями. Каждый из них состоит из повторяющихся действий с текстом — и именно поэтому автоматизируется хорошо.

Обратите внимание: закупка, ценообразование и переговоры с поставщиками в этот список не входят. Там решение принимает человек, и AI даёт только материал для решения.

Карточки товара: генерация и оптимизация

Самая очевидная задача. Из набора характеристик модель собирает название, описание, список преимуществ и заполненные атрибуты — за минуты вместо получаса ручной работы на позицию. На ассортименте в несколько сотен SKU разница получается не в процентах, а в неделях.

Но именно здесь чаще всего получают посредственный результат. Причина одна: на вход подают мало уникального. Если модели дать «мужская футболка, хлопок, синяя», она напишет ровно то, что можно написать про любую синюю футболку. Ценность появляется, когда на вход идут:

• Полные технические характеристики — состав, плотность, размеры, допуски, совместимость.
• Отличия от аналогов — то, что вы сами знаете о товаре и что конкуренты не пишут.
• Вопросы покупателей под этой и похожими карточками — они прямо показывают, чего в описании не хватает.
• Формулировки из отзывов — язык, которым покупатели сами описывают товар. Это и есть ключевые слова, только настоящие.

Отдельная задача — оптимизация уже существующих карточек. Модель проходит по ассортименту и находит незаполненные атрибуты, противоречия между названием и описанием, повторяющиеся куски текста, отсутствие ответов на частые вопросы. Это скучная работа, которую вручную никто не делает по всей базе, — а эффект от неё зачастую больше, чем от новых карточек.

Отзывы и вопросы: скорость важнее красоты

Отзывы и вопросы под карточкой читают будущие покупатели. Неотвеченный вопрос — это потерянная продажа, а неотвеченный негатив — минус к доверию всей карточки. При этом ответы однотипны: благодарность, уточнение, отработка возражения.

Рабочая схема — разделение потока по тону и содержанию:

Разделение важнее самой генерации. Шаблонный автоматический ответ на серьёзную претензию раздражает сильнее, чем молчание, — и это видят все, кто зайдёт на карточку потом.

Аналитика ассортимента: от цифр к причинам

Отчёты площадок показывают что произошло: столько показов, столько заказов, такая доля выкупа. Они почти никогда не показывают почему. Ответ на «почему» лежит в текстах — отзывах, вопросах, комментариях к возвратам, — и вручную его собирают выборочно, по десятку прочитанных отзывов.

Модель разбирает весь массив и группирует по смыслу. На выходе получается картина вида: сорок процентов замечаний по позиции — про размер, двадцать — про несоответствие цвета фотографии, остальное разрозненно. Это уже не «плохая карточка», а конкретное действие: добавить таблицу размеров и переснять товар при нейтральном свете.

Что ещё осмысленно поручить аналитике:

• Кластеризация ассортимента по проблемам — какие группы товаров дают одинаковые жалобы.
• Сравнение своей карточки с лидерами категории по содержанию — каких блоков информации у вас нет.
• Раннее обнаружение сдвига — резкое изменение тона отзывов по позиции обычно означает смену партии или ошибку в комплектации.
• Подготовка сводки для собственника — короткий текст вместо десяти выгрузок. Смежные инструменты разобраны в материале про AI-инструменты для собственника.

Возвраты: где спрятаны деньги

Возврат стоит продавцу дважды: логистика плюс потерянная продажа, а иногда и потеря товарного вида. Часть возвратов неизбежна — покупатель передумал. Но существенная доля вызвана не товаром, а неточным ожиданием, которое сформировала карточка.

Схема работы простая. Комментарии при возврате и отзывы разбираются по смыслу и раскладываются на группы причин. Дальше группы делятся на два списка: то, что лечится товаром или поставщиком, и то, что лечится карточкой — таблицей размеров, честным фото, явным указанием комплектации. Второй список исправляется за день и работает сразу.

Честно про риски

Три вещи, из-за которых внедрение AI в e-commerce даёт разочарование.

Шаблонность

Тысяча карточек, написанных по одному промпту, читаются как одна. Покупатель это чувствует, а площадка не видит в них уникальной ценности. Лечится не сменой модели, а обогащением входных данных: у каждой позиции должны быть свои факты, а не только категория.

Выдуманные характеристики

Модель заполняет пробелы правдоподобным текстом. Если в исходных данных не указан состав, она может его «дописать». В e-commerce это не просто ошибка — это несоответствие описания товару со всеми вытекающими: возвраты, претензии, санкции площадки. Единственная защита — правило «только из переданных характеристик» и обязательная проверка человеком.

Автоматизация не того участка

Если карточки в порядке, а проблема в логистике или цене, то генерация текстов ничего не изменит. Поэтому выбор процесса делается по цифрам, а не по моде — общий подход описан в разборе о том, как внедрить AI в бизнес, а расширенный список кандидатов — в подборке 50 процессов для автоматизации.

В e-commerce AI выигрывает не там, где пишет красивее человека, а там, где делает то, что человек физически не успевает: проходит по всему ассортименту и по всем отзывам, а не по верхним двадцати. — команда Aivonix

С чего начать продавцу

1. Взять двадцать позиций с худшей конверсией в заказ и разобрать по ним все отзывы и вопросы.
2. Переписать карточки этих позиций, отвечая в описании на реальные вопросы покупателей.
3. Замерить через месяц конверсию и долю выкупа именно по этим двадцати позициям.
4. Подтвердилось — раскатать подход на категорию, потом на весь ассортимент.
5. Параллельно закрыть ответы на отзывы: сначала положительные и нейтральные, негатив оставить человеку.

Обязательное условие — зафиксировать показатели до старта, иначе доказать эффект будет нечем. Методика замера разобрана отдельно в статье о том, как измерить эффект от внедрения AI.

FAQ

Можно ли полностью доверить AI генерацию карточек товара?

Черновик — да, публикацию без проверки — нет. Модель не знает вашего товара и работает с тем, что вы ей передали; пробел в данных она заполнит правдоподобной формулировкой. Характеристики, размеры, состав и совместимость проверяет человек.

Стоит ли отвечать на отзывы с помощью AI?

Стоит, если нейтральные и положительные уходят на автоответ, а негатив, брак, безопасность и возврат денег попадают человеку. Шаблонный ответ на серьёзную претензию вредит сильнее молчания.

Не станут ли карточки одинаковыми?

Станут, если писать всё одним общим промптом. Лечится подачей уникальных данных по каждой позиции: реальные характеристики, отличия от аналогов, вопросы покупателей, формулировки из отзывов.

Чем AI помогает с возвратами?

Аналитикой причин. Комментарии при возврате разбираются по смыслу и группируются, после чего видно, какая доля возвратов вызвана не товаром, а неточной карточкой — это самая дешёвая для исправления часть.