Кейс: как AI-команда помогает селлеру Wildberries контролировать прибыль и рутину

Коротко

AI-команда для Wildberries — это не чат с загруженным Excel-файлом. Это система, подключённая к данным кабинета продавца через API и работающая по заранее определённым правилам.

Она помогает:

• собирать финансовую картину из отчётов WB;
• находить товары и заказы с риском отрицательной маржи;
• видеть перерасход рекламы и падение конверсии;
• контролировать остатки, оборачиваемость и поставки;
• разбирать негативные отзывы и готовить проекты ответов;
• выдавать короткий отчёт в привычном канале, например в Telegram.

Человек сохраняет контроль над действиями, влияющими на деньги и покупателей. У системы есть ограниченные права, журнал запросов и понятные источники каждой цифры.

Проблема: кабинет показывает показатели, но не даёт готового решения

Представим обычный ассортимент селлера: несколько десятков или сотен артикулов, часть продаж идёт из рекламы, товар распределён по складам, поставки приезжают неравномерно.

Каждое утро менеджер открывает кабинет и пытается ответить на несколько вопросов:

1. Сколько мы реально заработали вчера и за неделю?
2. Какие товары продаются в плюс, а какие создают оборот без прибыли?
3. Где реклама расходует бюджет без заказов?
4. Что нужно поставить на склад в первую очередь?
5. Почему выросли возвраты или упал рейтинг?
6. Какие отзывы требуют ответа сегодня?

Ни один из этих вопросов нельзя надёжно закрыть одной цифрой из кабинета.

Например, выручка по товару ничего не говорит о прибыли без учёта комиссии, логистики, хранения, возвратов, штрафов, рекламы и себестоимости. ДРР рекламной кампании тоже недостаточно: кампания может выглядеть приемлемо по отношению к выручке, но работать в минус на товаре с низкой маржой.

Из-за этого решения часто принимаются по тревожным сигналам, а не по экономике:

• «заказов стало меньше — добавим рекламу»;
• «товар хорошо продаётся — отправим больше на склад»;
• «выручка выросла — значит, всё нормально»;
• «скидка поднимет карточку — снизим цену».

Иногда это верные действия. Но без общей картины они легко увеличивают оборот и одновременно уменьшают прибыль.

Что мы называем AI-командой

В этом проекте AI-команда — не группа автономных ботов, которые свободно управляют кабинетом. Это несколько ролей внутри одного контролируемого контура.

Каждая роль получает только нужные ей данные и решает ограниченную задачу.

Финансовый аналитик

Собирает продажи, комиссии, логистику, хранение, штрафы, удержания и возвраты. Затем сопоставляет их с товарами и периодами.

Его задача — не просто показать сумму к выплате, а объяснить отклонение:

> Выплата за неделю снизилась на 14% при почти неизменной выручке. Основные причины: рост стоимости логистики по трём артикулам и увеличение возвратов в категории X.

Если в систему добавлена себестоимость, аналитик может считать вклад товара в прибыль. Если себестоимости нет, он не выдумывает её, а показывает неполную модель и запрашивает недостающие данные.

Аналитик рекламы

Проверяет расходы, показы, клики, CTR, CPC, заказы и рекламную выручку. Но рекламные данные рассматриваются вместе с маржой и остатками.

Например, сигнал «высокий ДРР» сам по себе слишком грубый. AI-команда уточняет:

• сколько дней работает кампания;
• достаточно ли данных для решения;
• изменились ли цена и остаток товара;
• не упала ли конверсия карточки;
• остаётся ли прибыль после рекламных расходов;
• есть ли органические продажи, которые нельзя механически приписывать рекламе.

После этого система может предложить: проверить карточку, снизить ставку, разделить кампанию по артикулам или остановить расход. Само изменение бюджета остаётся за человеком.

Координатор остатков и поставок

Сопоставляет остатки по складам с продажами за выбранный период. Выделяет три ситуации:

• товар продаётся и скоро закончится;
• товар уже закончился, хотя недавно были заказы;
• запас есть, но продаж почти нет.

Отдельно проверяются поставки: сколько единиц заявлено, сколько принято, сколько готово к продаже, есть ли расхождения по баркодам и коробам, применялась ли платная приёмка.

Это полезнее, чем общий сигнал «мало товара». Для селлера важно понимать, какого товара мало, на каком складе, при каком темпе продаж и когда следующая партия станет доступна покупателю.

Специалист по отзывам

Находит новые и неотвеченные отзывы, группирует повторяющиеся причины недовольства и готовит проекты ответов.

Здесь особенно важен human-in-the-loop. Ответ покупателю влияет на репутацию бренда, поэтому AI не должен автоматически публиковать любой сгенерированный текст.

Правильный сценарий выглядит так:

1. система получает отзыв;
2. определяет тему: качество, размер, упаковка, доставка, комплектация;
3. проверяет правила бренда и шаблоны допустимых ответов;
4. готовит черновик;
5. сотрудник редактирует или подтверждает публикацию.

Если за неделю несколько покупателей жалуются на одну и ту же проблему, система поднимает её выше уровня поддержки: предлагает проверить карточку, упаковку, размерную сетку или конкретную поставку.

Координатор

Координатор собирает выводы остальных ролей и превращает их в короткий управленческий отчёт.

Не двадцать графиков, а список решений:

• два товара рискуют уйти в нулевой остаток;
• у одной кампании расход растёт быстрее заказов;
• по трём артикулам увеличились логистические удержания;
• появились четыре негативных отзыва с общей причиной;
• в поставке есть расхождение между заявленным и принятым количеством.

Такой отчёт можно получать в Telegram, а подробности открывать только по нужному пункту.

Как устроен рабочий процесс

1. Система забирает данные из официальных источников

Основой служат API и отчёты Wildberries, а не скриншоты кабинета. Для разных задач используются разные источники: продажи, заказы, остатки, рекламная статистика, финансовые отчёты, отзывы, рейтинги и поставки.

Это важно из-за задержек и различий в смысле показателей. Заказ, продажа, выкуп и сумма к выплате — не одно и то же. Их нельзя складывать в одну таблицу без правил сопоставления.

Каждый показатель в отчёте AI-команды должен иметь источник, период и время обновления.

2. Данные проходят техническую проверку

До анализа система проверяет:

• загрузился ли полный период;
• нет ли повторяющихся строк;
• совпадают ли идентификаторы товаров;
• не изменился ли формат ответа API;
• есть ли данные по себестоимости;
• какие отчёты ещё не закрыты Wildberries.

Если финансовый отчёт за период не сформирован, корректный ответ звучит не «прибыль составила…», а «окончательная сумма пока недоступна; предварительный расчёт построен по текущим операциям».

Это один из главных признаков production-системы. Красивый, но уверенно неверный ответ опаснее отсутствия ответа.

3. Правила находят отклонения

Часть работы лучше делать не языковой моделью, а обычным кодом.

Например:

• остаток меньше расчётной потребности на семь дней;
• расходы на рекламу превысили заданный порог без заказов;
• логистика по товару выросла относительно прошлого периода;
• доля возвратов вышла за допустимый диапазон;
• в поставке принято меньше единиц, чем заявлено.

Такие проверки должны быть детерминированными: одинаковые данные дают одинаковый результат.

4. AI объясняет найденное

Языковая модель подключается там, где нужно связать несколько сигналов и объяснить их человеку.

Вместо строки «CTR снизился на 0,4 п. п.» продавец получает контекст:

> CTR снизился после изменения цены, но конверсия из карточки в заказ осталась стабильной. Резко сокращать рекламу рано. Сначала проверьте главное фото и сравните показы по поисковым кластерам за одинаковые периоды.

AI не заменяет расчёты. Он переводит расчёты в гипотезы, вопросы и следующие шаги.

5. Действия отправляются на подтверждение

Рекомендации делятся по уровню риска.

Без подтверждения можно:

• собрать отчёт;
• пометить аномалию;
• рассчитать потребность в запасе;
• подготовить черновик ответа;
• отправить уведомление.

С подтверждением человека:

• изменить рекламный бюджет;
• остановить кампанию;
• поменять цену или скидку;
• опубликовать ответ покупателю;
• создать или скорректировать поставку.

Так система снимает рутину, но не получает бесконтрольный доступ к деньгам и коммуникации.

Пример ежедневного отчёта

Утреннее сообщение селлеру может выглядеть так:

> Wildberries: контроль за 11 августа > > Требует внимания > > 1. Артикул А-104: остатка хватит примерно на четыре дня при текущем темпе продаж. Следующая поставка ещё не принята. > 2. Кампания 4821: за три дня потрачено 7 600 рублей, заказов — 9. Расход вырос на 31%, конверсия карточки снизилась. Предлагаем проверить цену и главное фото до увеличения ставки. > 3. Артикул Б-207: логистические удержания выросли относительно прошлой недели. Основной вклад дали повторные доставки и возвраты. > 4. Поставка 38419461: заявлено 180 единиц, принято 174. Найдено расхождение по двум баркодам. > 5. Получено 7 новых отзывов, два требуют ответа. В обоих упомянута повреждённая упаковка. > > Что сделать сегодня > > - проверить статус поставки А-104; > - разобрать кампанию 4821; > - сверить расхождение по поставке; > - подтвердить два проекта ответов.

Ценность такого сообщения не в генерации текста. Она в том, что сотруднику не пришлось открывать пять разделов, выгружать отчёты и вручную искать отклонения.

Как считать экономию и ROI

Для AI-команды нельзя честно обещать одинаковую экономию каждому селлеру. Результат зависит от ассортимента, объёма рекламы, числа поставок и текущей дисциплины учёта.

Поэтому перед внедрением фиксируется базовая линия:

• сколько времени занимает ежедневная проверка кабинета;
• сколько часов уходит на еженедельный финансовый отчёт;
• как быстро команда замечает перерасход рекламы;
• как часто возникают пропущенные отзывы и нулевые остатки;
• сколько ручных выгрузок и таблиц используется.

Допустим, менеджер тратит 45 минут в день на сбор показателей, ещё три часа в неделю — на сводный отчёт, и два часа — на отзывы и поставки.

Расчёт за месяц:

• ежедневный контроль: 0,75 часа × 22 рабочих дня = 16,5 часа;
• недельные отчёты: 3 часа × 4 недели = 12 часов;
• отзывы и поставки: 2 часа × 4 недели = 8 часов.

Всего — около 36,5 часа ручной работы в месяц.

Если система сокращает эту работу даже наполовину, высвобождается около 18 часов. Это не означает автоматического роста прибыли. Но менеджер перестаёт тратить половину рабочей недели на перенос цифр и быстрее реагирует на отклонения.

Второй источник эффекта — предотвращённые потери:

• реклама, которая продолжала бы расходовать бюджет;
• ходовой товар, который закончился бы до поставки;
• платная приёмка, которую можно было перенести;
• расхождение в поставке, замеченное слишком поздно;
• повторяющийся дефект, который продолжал бы создавать возвраты.

Этот эффект нужно считать по зафиксированным инцидентам, а не приписывать системе всю разницу между месяцами.

Что может пойти не так

AI уверенно объясняет неполные данные

Финансовый отчёт ещё не закрыт, часть рекламной статистики задерживается, а модель уже делает вывод о прибыли.

Защита: статус полноты данных, маркировка предварительных расчётов и запрет на вывод итоговой прибыли без обязательных источников.

Перепутаны выручка и прибыль

Большой оборот выглядит как успех, хотя после расходов товар работает в ноль.

Защита: единая формула расчёта, отдельное хранение себестоимости и явный список расходов, включённых в показатель.

У системы слишком широкие права

Если один токен позволяет читать данные, менять рекламу и публиковать ответы, ошибка становится дороже.

Защита: минимальные права доступа, раздельные контуры чтения и записи, подтверждение опасных действий.

Рекомендации нельзя проверить

Фраза «остановите кампанию» бесполезна без периода, расходов, заказов и порога, который был нарушен.

Защита: каждая рекомендация должна показывать исходные цифры, правило и ссылку на источник.

Автоматизация закрепляет плохой процесс

Если команда не знает себестоимость, путает артикулы и ведёт несколько несовместимых таблиц, AI не исправит это автоматически.

Сначала нужно определить какой процесс действительно пора автоматизировать, затем привести в порядок данные и ответственность.

Как внедрять AI-команду без большого проекта

Шаг 1. Выбрать один управленческий вопрос

Не «автоматизировать Wildberries», а, например:

• какие товары на этой неделе теряют маржу;
• где реклама расходует деньги без результата;
• что нужно поставить на склад в ближайшие семь дней;
• какие отзывы требуют реакции.

Один вопрос легче проверить на реальных данных.

Шаг 2. Зафиксировать формулу и источники

Для контроля прибыли нужно заранее определить:

• что считается выручкой;
• откуда берётся себестоимость;
• какие комиссии и удержания включаются;
• как учитываются реклама и возвраты;
• за какой период сравниваются результаты.

Без этого AI будет красиво пересказывать противоречивые цифры.

Шаг 3. Начать с режима чтения

Первый контур должен получать данные и формировать рекомендации, но не менять кабинет.

Это позволяет проверить качество сопоставления товаров, расчётов и выводов без риска для продаж.

Шаг 4. Сравнить отчёт с ручной проверкой

В течение двух–четырёх недель сотрудник сверяет выводы системы со своими расчётами.

На этом этапе обнаруживаются реальные проблемы: задержки API, неполная себестоимость, неоднозначные статусы, исключения по отдельным категориям.

Шаг 5. Добавить подтверждаемые действия

После проверки можно подключить проекты ответов на отзывы, задачи менеджеру и сценарии изменения рекламы с обязательным подтверждением.

Полностью автономные действия допустимы только для узких, обратимых и хорошо протестированных операций.

Кому подходит такой подход

AI-команда полезна, если продавец уже сталкивается хотя бы с несколькими признаками:

• ассортимент невозможно контролировать просмотром одного экрана;
• финансовый отчёт собирается вручную;
• рекламные решения принимаются отдельно от маржинальности;
• важные сигналы находятся слишком поздно;
• несколько сотрудников ведут собственные таблицы;
• владелец получает либо слишком много цифр, либо слишком мало объяснений.

Если у продавца пять товаров, нет рекламы и все показатели проверяются за десять минут, сложная система может не окупиться. Иногда достаточно одного отчёта или простого Telegram-уведомления.

AI-агент нужен не ради самого AI, а когда он убирает конкретную задержку, ошибку или ручной участок. Подробнее об этой логике — в статье что такое AI-агент для бизнеса и где он действительно полезен.

FAQ

Может ли AI сам управлять кабинетом Wildberries?

Технически часть действий можно автоматизировать. Но цены, рекламные бюджеты, поставки и публичные ответы лучше сначала оставлять на подтверждении человека. Автономность добавляют постепенно, только для проверенных и обратимых сценариев.

Откуда AI получает данные?

Из официальных API и отчётов Wildberries, а также из внутренних данных продавца — например, себестоимости и правил расчёта маржи. Доступ выдаётся только к тем разделам, которые нужны конкретному сценарию.

Можно ли точно считать прибыль по данным Wildberries?

Для точного расчёта недостаточно видеть продажи и сумму к выплате. Нужны себестоимость, реклама, комиссии, логистика, хранение, возвраты, штрафы и другие удержания. Пока часть данных недоступна, система должна показывать предварительный результат и состав расчёта.

Заменит ли AI менеджера маркетплейса?

Нет. AI хорошо собирает данные, проверяет правила, находит отклонения и готовит черновики. Менеджер понимает контекст бизнеса, принимает решения, работает с ассортиментом и отвечает за результат.

Можно ли подключить только отзывы или рекламу?

Да. Начинать с одного процесса обычно разумнее, чем сразу строить большую платформу. Например, можно сначала подключить контроль рекламного расхода, проверить качество сигналов, а затем добавить прибыль и остатки.

Нужен ли отдельный интерфейс?

Не всегда. Короткие отчёты и запросы можно получать через Telegram, а подробную аналитику открывать в веб-интерфейсе. Формат зависит от того, как команда уже работает.

Сколько времени занимает внедрение?

Срок определяется количеством источников, качеством данных и уровнем автоматизации. Узкий сценарий чтения и отчётности запускается быстрее, чем система с расчётом прибыли, рекламой, поставками и подтверждаемыми действиями. Правильная оценка начинается с разбора одного процесса и доступных данных.

Что делать дальше

Если хочешь понять, что автоматизировать у себя, напиши Дмитрию в Telegram @dmkosik или опиши процесс для диагностики Paramiko: какие отчёты собираете, где теряется время и какие решения приходится принимать вручную.

Без давления и обязательства строить большую систему. Иногда после разбора оказывается, что бизнесу нужен один надёжный отчёт, а не целая AI-команда.