Рынок больше не двигается по расписанию. Утро селлера — это уведомления: конкурент просел по цене, «рекламник» съел бюджет, прогноз спроса пошёл вниз, а поставка везёт то, что вчера было «хитом». Когда решений десятки, ручной режим даёт сбой. В такой картине ИИ — не украшение, а инструмент, который собирает факторы (погода, курсы, промо, остатки, поведение покупателей, цены конкурентов) и подсказывает: что выставить в цене, где усилить скидку, какую акцию закрыть раньше. В профессиональной среде это уже не теория: трансформер‑модели для спроса и «read‑and‑react» прайсинг обсуждаются в профильных публикациях и пилотах ритейла.
Прежде чем говорить про сложные алгоритмы и прогнозы, есть смысл убедиться, что каждый товар в вашем каталоге вообще приносит прибыль. Ведь иногда главная «дыра» в марже — это не промо или курсы валют, а элементарно неверно посчитанная экономика позиции.
Я, например, использую простой способ, как за пару минут проверить прибыльность любого товара на Wildberries. Открываю сервис, вношу данные по себестоимости, комиссиям, стоимости логистики и промо — и сразу вижу чистую прибыль с учётом всех затрат. Такой экспресс-анализ помогает быстро понять, стоит ли дальше продвигать товар, или пора перераспределить бюджет на более рентабельные позиции.
Как я за пару минут — проверяю ПРИБЫЛЬ товара для Wildberries?
Читайте в новой статье 💰 как не уйти в минус, при выборе товара.
И быстро узнать прибыль.
Где сейчас болит — и почему это не решается «ещё одной таблицей»
Категорийный менеджмент исторически держался на классике: исторические ряды, экспертные правки, фиксированные правила. Для высокооборачиваемых позиций этого хватало. Проблема в том, что исходные условия изменились: ассортимент растёт, ввод новинок ускорился, каналов промо больше, спрос волатильнее из‑за внешних факторов — от курса валют до погоды и локальных инфоповодов. Статистические методы (авторегрессия, градиентный бустинг) дают прозрачный базовый прогноз, но «не видят» длинные отложенные эффекты и нелинейности: редкие покупки, события с лагом (неурожай, скачок курса), «состояние системы» и контекст. Итог — промахи по уходимости, неликвиды на складе и реакция на конкурента «через день». В материале РБК (28 июля 2025) это описано напрямую: чтобы держать темп, нужны модели, которые понимают последовательности, умеют учитывать десятки разнородных факторов и объяснять, почему спрос «гуляет» — из‑за цены, остатка или внешних сигналов.
Теперь посмотрите на внешнюю среду. Крупные ритейлеры встраивают погоду в прогнозы и промо‑календарь: не только закупки под сезон, но и локализацию рекламы, скидки на чувствительные к температуре категории. Это стало нормой, а не «фичой энтузиастов». Для нас это означает: если модели не учитывают климатические колебания и локальные события, цена и промо будут «опаздывать».
Отдельная боль — доверие покупателей к динамическим ценам. На мировом рынке волна обсуждений поднялась после заявлений о тестах dynamic pricing в QSR: тема вызвала раздражение аудитории и стала поводом для пояснений брендами, что речь скорее о гибких скидках, а не о «наценке за час пик». Для селлера это прямой сигнал: технологии — да, но без «сюрдж‑эффекта», который бьёт по NPS.
Наконец, инфраструктура WB быстро взрослеет. Платформа (через объединённую компанию РВБ) уже публично говорит о десятке+ ИИ‑моделей в антифроде: выявление и блокировка фейковых заказов на ранних этапах, защита ПВЗ. Если такие контуры в проде, значит, экосистема технически готова к более «острым» задачам — спрос, цена, промо, конкурентный мониторинг.
Что изменилось — ИИ как «операционный контур», а не игрушка
Современные модели работают с последовательностями и контекстом. В ритейле это означает: учитывать длинные зависимости и «память» поведения — от реакции на прошлые промо до эффекта цены конкурента с лагом в несколько недель. В работе для РБК объясняется, как attention‑модели (трансформеры) берут на вход внутренние и внешние признаки: историю продаж и промо, сезонность, трафик, остатки, планограмму, свойства товара; плюс внешние ряды — курсы валют, погоду, локальные события, соцтренды, мониторинг конкурентов. На такой архитектуре строится прогноз спроса и эластичности; в кейс‑оценке указывается высокая точность по WAPE на уровне SKU‑день при работе с промо‑товарами. Это не «отраслевой стандарт», а результат конкретной реализации, но направление понятное: больше факторов → меньше промахов по уходимости и складу, точнее планируются акции.
Основываясь на статье РБК Компании мы выявили важный момент: динамическое ценообразование и сценарии «что если». Модель аппроксимирует кривую спроса под цели (маржа, выручка, доля категории) и предлагает диапазоны цен/скидок. Можно проигрывать сценарии: конкурент снижает цену на 7% — что делать? Ускоряем распродажу с 25% до 17% или меняем механику (набор, 2+1)? Если нужна уходимость за пять недель, алгоритм считает необходимую скидку; если важно удержать маржу, находит коридор, где цена «держит» объём без каннибализации внутри категории. Это описанный в источнике для РБК процесс: от прогноза с учётом промо до рекомендаций по «глубине» скидки и частоте акций.
Ключевой сдвиг — скорость реакции. В консалтинговой практике AI‑pricing строится как «read‑and‑react»: лента цен конкурентов и внешних сигналов → ценовые правила и пороги → публикация новой цены через API → контроль эффекта. Это не обязательно «сюрдж», это скорее автоматизированная дисциплина реакции, сравнимая с тем, как крупные сети с электронными ценниками мгновенно меняют выкладку и прайс. Для маркетплейса это выглядит мягче: коридоры цен, «стоп‑листы» для социально чувствительных категорий, ночные окна обновления, прозрачные правила. Смысл — быть в темпе рынка, не подрывая доверие.
Наконец, маркетинг. В описанной архитектуре ИИ учитывает не только цену, но и тип рекламной активности — ТВ, онлайн, офлайн — и умеет считать сценарии эффективности в будущем. Это позволяет планировать промо‑микс заранее и убирает бессмысленные траты на «громкую акцию» без эффекта на уходимость. На глобальном поле эту идею поддерживает тренд на погодные и локальные фичи в плане промо: модели подсказывают, где работает скидка «здесь и сейчас», а где эффект будет лучше через неделю.
Приземлённые выводы для селлера WB на сегодня:
- без учёта внешних рядов (погода, курсы, локальные события) прогноз и цена будут «опаздывать»;
- сценарный анализ промо и «коридоры» цен снижают риск ценовой войны;
- автоматизированная реакция на конкурента — это не про агрессию, а про скорость без хаоса;
- любые цифры точности — это функция ваших данных: категория, горизонт прогноза, качество признаков.
Возможности для тех, кто решится
ИИ в продажах на маркетплейсах — это не история «когда-нибудь потом». Уже сейчас модели позволяют работать на том же горизонте и с той же скоростью, что и крупные сети с электронной ценой на полке.
Сокращение неликвида и контроль оборачиваемости.
Когда модель видит, что товар начинает «застаиваться», она не ждёт ежемесячного отчёта. Она рассчитывает, какую скидку дать сейчас, чтобы освободить склад без распродажи «в ноль» через месяц. Для скоропортящихся категорий это критично: промах в неделе — и вся партия уходит на списание.
Оптимизация промо под конкретную цель.
Не все акции должны «лить» объём. Иногда задача — удержать маржу, иногда — вытащить новую позицию в топ категории. В таких случаях модель помогает подобрать механику:
- для маржи — мягкая скидка и кросс-промо с дополняющим товаром;
- для вывода новинки — агрессивная цена в паре с рекламой и временным выходом в ноль по прибыли.
Прогнозирование с учётом внешних шоков.
Если курс валюты сдвинулся или прогноз погоды обещает похолодание на неделю раньше, ИИ обновляет прогноз и корректирует цены/промо заранее. У крупных ритейлеров это уже стандарт: FMCG-бренды планируют промо на сезон холодных напитков не только по календарю, но и по фактическим температурным трендам.
Локальные решения, а не «средняя температура».
Вместо того чтобы снижать цену по всей стране, модель может предложить коррекцию только для регионов, где конкурент действительно активен. Для селлера WB это значит, что скидка не «съест» маржу в городах, где её можно не давать.
В результате даже простые эксперименты в одной-двух категориях показывают, что автоматизация сокращает время на ценовые решения и даёт возможность сосредоточиться на стратегических задачах — например, выборе новых товарных направлений или проработке бренда.
Риски, о которых стоит помнить
Репутационные эффекты.
История с динамическими ценами в QSR показала, что покупатель может воспринять гибкое ценообразование как «наценку за то, что я пришёл не вовремя». На маркетплейсе эта реакция выражается в отзывах и оценках. Поэтому важно иметь понятные «коридоры» цен, исключения для социально чувствительных категорий и прозрачную коммуникацию.
Качество данных.
ИИ не волшебник: если в систему попадают неполные или неверные данные о продажах, остатках или конкурентах, прогноз будет ошибочным. В ритейле это формулируют просто: «мусор на входе — мусор на выходе». Перед внедрением придётся навести порядок в аналитике, синхронизировать источники данных и устранить «дыры» в истории продаж.
Риск ценовой войны.
Автоматическая реакция на снижение цены конкурента без стратегического контекста может превратить ценовой алгоритм в гонку «кто дешевле». Чтобы этого не произошло, нужны правила: минимальные пороги, при которых система не реагирует, или приоритеты по целям (маржа важнее объёма, либо наоборот).
Технические и организационные барьеры.
Даже лучшие модели бесполезны, если процесс принятия решений не готов к их скорости. Если конкуренты меняют цену трижды в день, а у вас обновление раз в неделю — алгоритм просто будет выдавать рекомендации «в пустоту». Здесь придётся перестроить и внутреннюю логику работы с ценами, и ответственность за изменения.
ИИ в продажах — это не «волшебная кнопка прибыли». Это операционный контур, который требует подготовки: от данных и правил до готовности команды работать быстрее. Но если этот контур отлажен, он даёт возможность не просто реагировать, а управлять ситуацией на рынке в реальном времени.
Что можно сделать уже сейчас
Начать с одной-двух категорий.
Не обязательно переводить весь ассортимент на ИИ-прайсинг и прогноз. Выберите товарную группу, где обороты позволяют быстро видеть эффект, и протестируйте модель там. Это даст понятную статистику и поможет настроить параметры под ваш бизнес.
Собрать и очистить данные.
Для ИИ важна история: продажи, промо, остатки, трафик, конкуренты, внешние факторы. Если данные разбросаны по разным файлам и сервисам, начните с их объединения и проверки. Чем чище и полнее вход, тем точнее результат.
Определить цели.
Модель нужно настраивать под конкретную задачу — рост маржи, увеличение оборота, быстрое освобождение склада или продвижение новинок. Без этой рамки алгоритм будет пытаться «понравиться всем» и не попадёт в ваши приоритеты.
Задать правила и ограничения.
Определите ценовые коридоры, минимальные и максимальные скидки, список товаров, по которым нельзя резко менять цену. Это защитит от ошибок алгоритма и сохранит доверие покупателей.
Внедрить тесты.
A/B-тесты — рабочий способ понять, даёт ли модель результат. Оставьте часть товаров в ручном управлении, часть переведите на алгоритм, сравните показатели: продажи, маржа, возвраты, отзывы.
ИИ — инструмент, который работает только в системе
ИИ не заменяет категорийного менеджера и не решает всё одним нажатием кнопки. Он убирает рутину, ускоряет реакцию на рынок и помогает прогнозировать, что будет с продажами через неделю или месяц. Но чтобы это работало, нужно:
- иметь корректные и актуальные данные;
- выстроить процесс принятия решений под более высокий темп;
- быть готовыми к экспериментам и их результатам, даже если они не совпадут с ожиданиями.
На Wildberries уже есть все технические предпосылки для таких сценариев. Опыт ритейла и других маркетплейсов показывает: те, кто начинает с малого, быстрее понимают, как адаптировать ИИ под свой формат, и могут масштабировать решение на весь ассортимент без потерь в марже и доверии.
ИИ в продажах — это про скорость и точность, а не про чудо. И чем раньше вы начнёте с ним работать в своих категориях, тем больше шансов, что рынок будет подстраиваться под вас, а не наоборот.
А какие у Вас сценарии и опыт?
У каждого селлера на Wildberries своя реальность. У кого-то товар «улетает» без рекламы, но проседает в межсезонье. У кого-то продажи держатся на промо, а стоит отключить скидку — график падает вдвое.
ИИ-инструменты как раз и ценны тем, что позволяют строить прогнозы не по усреднённым данным, а под ваш конкретный товар и вашу стратегию. Но в этой точке важно одно — личная обратная связь и реальный опыт.
— Уже пробовали автоматизировать цены или промо?
— Используете внешние факторы (погода, курс валют, события) в планировании?
— Какие страхи мешают внедрять алгоритмы: боязнь ценовой войны, риск потери маржи, непонятные формулы?
Для нас ответы на эти вопросы — это не просто комментарии под статьёй. Это отправная точка, чтобы понять, насколько рынок готов к переходу на скоростное управление и как адаптировать подход под реальность Wildberries.
ИИ в продажах — это не про красивую теорию. Это про конкретные шаги и результат, который можно измерить. И начать этот путь можно сегодня.
А ещё важно, чтобы цепочка от закупки до клиента работала без сбоев. Даже самые точные прогнозы и цены не помогут, если товар зависает на складе или приезжает к покупателю с опозданием.
Мы подробно разбирали эту тему в статье «Фулфилмент без иллюзий: как мы решаем реальные проблемы продавцов» — там собраны конкретные кейсы, где грамотная логистика и упаковка напрямую влияли на продажи и репутацию продавца.
Если хотите узнать, как такие решения можно адаптировать под ваш бизнес, напишите нам прямо в Telegram — обсудим вашу ситуацию и подберём рабочую схему.