Chat GPT для Wildberries и Ozon. Анализ рекламы и воронки продаж

Сегодня расскажу, как мы можем использовать ChatGPT и вообще искусственный интеллект в работе с маркетплейсами, про то как можно его использовать для SEO, анализа рекламы, аналитики и любых больших массивов данных.

Я расскажу то, что мы с командой сами пробуем, что вижу полезным в работе и где, на мой взгляд, это реально экономит время и помогает быстрее решать задачи.

Искусственный интеллект не сделает работу за нас. Он не настроит рекламу, не примет окончательное решение и не заменит специалиста. Но он очень хорошо помогает делать 3 вещи: генерировать идеи, делать выводы и добираться до сути.

Меня зовут Вячеслав Алипов, я основатель «Путь торговли». Мы с командой ведем магазины под ключ на Wildberries и Ozon. Если вам нужна сильная команда на проект по цене одного сотрудника - контакты оставил в описании.

Давайте начнем с базовых настроек ChatGPT и с так называемых агентов. По сути, это надстройка, в которой мы заранее задаём чату роль, логику работы, входящие данные и формат ответа.
Почему это важно? Потому что ChatGPT очень сильно зависит от того, как мы его изначально настроили. Сегодня он может быть аналитиком, завтра маркетологом, послезавтра специалистом по воронке продаж. И от того, кем мы его назовём и какую задачу ему поставим, зависит качество ответа.
Мы заметили, что если не задать ему роль и не объяснить, что именно от него нужно, он начинает отвечать шаблонно. Он начинает лениться, экономить ресурсы. Он умный и старается не напрягаться лишнего, когда его не спрашивают. Как будто считывает: ты сам не очень подробно сформулировал задачу, значит и я отвечу поверхностно.

Поэтому я всегда рекомендую начинать работу с формулировки в духе: ты аналитик, ты маркетолог, ты должен делать так-то, анализировать так-то, выводы давать в таком-то формате.
Можно даже попробовать надавить на него, для этого в конце промпта добавляем, что этот вопрос жизненно важен и просите отнестись к нему серьёзно. Это, конечно, звучит забавно, но сам принцип верный: чем точнее и серьёзнее мы задаём рамку, тем полезнее ответ.

Агент — это уже готовый промпт внутри системы. В агент можно заранее заложить инструкции, описания файлов, структуру таблиц, нужную терминологию и даже дополнительные материалы, на которые он должен опираться.

Например, если мы регулярно анализируем воронку продаж, мы можем не вставлять каждый раз длинный промпт заново. Мы один раз прописываем, какие данные брать, какой период сравнивать, какие выводы нужны, на что обращать внимание, и дальше уже просто подгружаем новые данные.
То есть агент позволяет сократить рутину. Мы не повторяем одно и то же по десять раз, а работаем на уже готовой логике.

Это особенно полезно там, где отчёты повторяются каждую неделю или каждый месяц. Воронка продаж, анализ рекламы, разбор отзывов, SEO, анализ конкурентов — всё это можно упаковать в отдельные агентские сценарии.

В ChatGPT есть раздел, где можно создать своего помощника под конкретную задачу. Туда мы загружаем базовый промпт, прописываем, кто он, что он должен делать, какие файлы использовать и как интерпретировать данные.

Если, например, я делаю агента для анализа воронки продажи, я могу сразу загрузить описание показателей: что значит продажа, что значит продажа за предыдущий период, какие конверсии с чем связаны, какие метрики считаются хорошими, а какие — проблемными.

Это важно, потому что искусственный интеллект не всегда понимает бизнес-контекст так, как понимаем его мы. Если ему не объяснить, он может трактовать показатели неправильно.
Поэтому сила агента как раз в том, что мы не просто задаём вопрос, а заранее объясняем ему нашу систему координат.

Когда мы работаем с рекламой, у нас очень много цифр. CTR, клики, корзины, заказы, расход, ДРР, ставки, кластеры, показы. И в какой-то момент глаз реально замыливается.

Искусственный интеллект в этом случае полезен минимум по трем причинам. Во-первых, он помогает быстро собрать суть из большого количества строк и столбцов. То есть делает быстрые выводы.

Во-вторых, он даёт свежий взгляд и иногда подсвечивает то, что ты сам уже перестал замечать. То есть он генерирует гипотезы.

И в третьих - он помогает докопаться до сути. Когда Chat gpt присылает вам ответ, вы можете начать задавать вопросы, углубиться в конкретные метрики, в конкретные товары и зайти в глубину.
Например, можно загрузить выгрузку по рекламной кампании и попросить его показать, какие ключи или кластеры работают слабо, какие съедают бюджет, но не приносят заказов, где завышена ставка, а где есть потенциал.

То есть по сути мы используем его как помощника для первичного разбора данных и поиска гипотез.
Например по аналитике рекламы на Wildberries. Бывает так, что рекламная кампания крутится давно, ставка по кластеру поднимается всё выше, а результата больше не становится. То есть мы упираемся в потолок.

И вот здесь очень полезно выгружать аналитику по конкретному кластеру: какая была ставка, сколько было кликов, сколько заказов, какой CTR, какие были корзины и конверсии.
Когда этот файл загружаешь в ChatGPT, он может помочь увидеть, в какой момент рост ставки перестал давать линейный рост результата.

Иногда он прямо формулирует это очень понятно: рост ставки не дал линейного роста результатов, сегмент оказался слабым по экономике. И дальше уже расписывает, при каких ставках были лучшие показатели, где ставка завышена и почему дальнейший рост бессмысленен.
Мне в этом нравится то, что он не просто выдаёт вывод, а ещё и объясняет логику: почему он так считает и какие гипотезы можно проверить дальше.

Я бы выделила несколько задач, где он реально полезен.
Первая задача — быстрая сводка по большому файлу. То есть у тебя есть огромная выгрузка, и ты просишь его коротко показать главное: какие запросы съедают бюджет, где слабая конверсия, где высокий расход без заказов, где есть явные проблемные зоны.

Вторая задача — докопаться до сути через уточняющие вопросы. Сначала он даёт общую сводку, а потом ты спрашиваешь глубже: почему именно этот кластер слабый, какая ставка была оптимальной, какие товары лучше выделить в отдельную кампанию, что выключить, а что оставить.

Третья задача — гипотезы. Он может предложить, что попробовать: снизить ставку, ограничить дорогие ключи, перераспределить бюджет, оставить определённые запросы только на минимальной ставке, выделить товары в отдельные кампании.

Вы можете взять готовые промты - у меня в телеграм канале, ссылка в описании.
Если говорить про Ozon, там логика немного другая, так как структура рекламных компаний отличается от WB. Здесь искусственный интеллект можно использовать для разбора того, какие товары в этой кампании реально отрабатывают, а какие просто расходуют бюджет.

Например, мы загружаем файл по аналитике продвижения. В нём есть расходы, ДРР, продажи, заказы, CTR, показы, клики, корзины, конверсии и стоимость.

Дальше можно попросить ChatGPT показать товары, у которых уже заметный расход, но нет заказов. Или товары, где слабый CTR и слабая конверсия в корзину. Или наоборот — товары, которые выглядят перспективно, но им может не хватать трафика.

Это удобно, потому что в таблице мы вроде всё это и так видим. Но когда данных много, ИИ может быстро собрать проблемные артикулы в одну сводку, чтобы не проваливаться руками в каждую строку.
Мне особенно нравится, как он работает с воронками. Потому что воронка — это обычно просто массив цифр. А когда магазин большой, увидеть в нём главное глазами очень сложно.

Например, мы часто просим его подсветить артикулы, у которых хорошие конверсии, но мало трафика. Логика тут понятна: если товар хорошо конвертит, но получает мало целевого трафика, значит есть вероятность, что при увеличении трафика он даст рост заказов.

И вот такие вещи он действительно помогает находить быстрее. Не потому что он умнее, а потому что он быстрее собирает закономерности из большого файла.

Но! важный момент! Нельзя слепо верить ответам ИИ. ChatGPT надо перепроверять. Всегда.
Он может красиво говорить, логично строить текст, уверенно делать выводы — и при этом ошибаться в цифрах или вообще додумать то, чего в данных нет.

Это постоянно происходит. Особенно когда долго ведёшь один и тот же диалог и каждую неделю докидываешь туда новые файлы. В какой-то момент он как будто устаёт, у него смешивается контекст, и он начинает фантазировать.

Также это часто бывает на бесплатных чатах и дешевых тарифах.

Поэтому я всегда советую: цифры перепроверять, выводы перечитывать, и если видите, что он начал путаться — лучше открывать новый диалог.

Особенно аккуратно нужно с суммами, итогами и арифметикой. Он может корректно разобрать структуру файла, но при этом неправильно сложить A и B. Так что на слово ему верить нельзя.
Чтобы chat gpt не галюцинировал. Нужно дать грамотную входящую информацию. Чем лучше входящая информация, тем выше шанс, что результат будет полезным.

Если просто написать что-то вроде: проанализируй продажи на Ozon в такой-то категории, без выгрузок и нормальных исходных данных, он либо ничего толкового не сделает, либо начнёт искать что-то в интернете и может принести устаревшую или нерелевантную информацию.

Поэтому правило простое: сначала качественные входящие данные, потом хороший промт инструкция, потом анализ. Чем больше правильного контекста мы ему дадим, тем меньше он будет фантазировать.

Вот у вас была одна стратегия рекламной компании и вы ее поменяли. Если у вас есть корректные выгрузки за нужный период и вы понимаете, на основании каких метрик он должен делать вывод - вы можете поставить задачу сравнить периоды и сделать выводы по стратегии. Ему нужно дать данные по этим периодам и сразу прописать, по каким показателям оценивать результат: заказы, ДРР, CTR, конверсия, расход, стоимость заказа.

Когда оборот в магазине не большой, ты ещё можешь жить в разрезе недельного планирования. Но когда оборот большой, когда товары лидируют в категории, за неделю может произойти очень много.
И тогда уже нужен более точечный, почти ежедневный контроль. Нужно быстро видеть, что произошло с каждым SKU: где упал трафик, где снизилась конверсия, где изменилась маржинальность, где просела реклама.

Вручную это всё делать невозможно. Поэтому в связке с ежедневными выгрузками и отчетами рука на пульсе - искусственный интеллект может очень сильно помогать — просто быстро подсвечивать, чему именно сегодня нужно уделить внимание.

Если обобщить, то для меня у искусственного интеллекта в аналитике сейчас есть три главные функции.
Первая — собрать суть из большого массива данных. Когда у тебя тысяча товаров, много показателей и руками это быстро не просмотрить.

Вторая — помочь докопаться до сути через диалог. То есть не просто дать общий вывод, а позволить за счёт уточняющих вопросов дойти до конкретной причины проблемы.
Третья — предложить гипотезы. Не окончательные решения, а именно гипотезы: что проверить, куда посмотреть, что может сработать.

Внедрить ИИ не просто. Нужно сформировать привычку пользоваться им. В начале когда нет опыта и хороших промтов сделать аналитику самому оказывается быстрее. Нужна привычка, и челлендж сделать реально трудную задачу, которую сам ты без GPT не сделаешь.
Но важно помнить. Он не заменяет голову. Он не заменяет специалиста. Он не делает работу вместо нас. Он помогает освободить время на конкретные действия.

Думаю через год эта история станет только сильнее. Ещё полгода назад многие использовали искусственный интеллект максимум для простых текстовых задач. Сейчас мы уже анализируем большие объёмы данных, создаём агентов и делаем довольно сложные сценарии.

Думаю, дальше будут появляться модели, которые изначально лучше обучены под конкретные задачи. Будет меньше необходимости вручную объяснять очевидные для нас вещи. Аналитика станет глубже.
Если вы ищите сильных менеджеров на маркетплейсах. Мы с командой ведем магазины на Ozon и Wildberries под ключ. Решим все операционные задачи по кабинету: посчитаем грамотно все комиссии и цены, создадим поставки, увеличим конверсию, снизим долю рекламных расходов. Занимаем четвертое место в рейтинге Рунета по продвижению на маркетплейсах. Работаем без предоплаты. Наши контакты в описании под видео. Благодарю за внимание.