Сервисы аналитики для маркетплейсов - наблюдения

Нет цифр - не на что опереться. Не люблю говорить "мне кажется", люблю делать выводы только на основе данных. И вообще я по первому образованию математик.

Здесь буду делать обзор систем аналитики для маркетплейсов. У каждой есть плюсы и минусы, и во многом дело вкуса и текущей задачи - какую из систем выбрать сегодня. Тем более, что есть много бесплатных плагинов и обзоров от самих разработчиков.

Во-первых, скажу огромное спасибо всем разработчикам сервисов аналитики. Которые не только делают работу селлеров проще, осознаннее и прибыльнее, но и стимулируют сами маркетплейсы развивать аналитику. А во-вторых поделюсь своими принципами взаимодействия с аналитическими данными.

☝Что я поняла за 20+ лет работы с самыми разными системами аналитики (а была не только со стороны пользователя, но и со стороны разработки и продажи таких систем):

1.Очень ценны системы, которые делают сбор и первичную обработку данных. Сюда же автоматизация рутинных процессов по простым и понятным алгоритмам.

Это все системы мониторинга позиций и различных показателей (те же воронки продаж). Когда система сама собирает данные из надежных источников, а ты просто видишь их каждый день в динамике.

Сразу можно увидеть отклонения (как рост, так и падение), сразу в моменте можно сделать выводы и коррекцию. Поэтому у меня всегда есть еще и собственные таблицы. Сюда же отнесу очень полезные для SEO сервисы по сбору ключевых запросов - по товарам конкурентов, по запросу/ключевому слову.

Для этих систем важно понимать, каким образом они собирают данные, и могут ли быть в данных ошибки или разночтения.

Например, когда мы имеем дело с позицией карточки по поисковому запросу - то нужно осознавать, что это не точные данные. Наши позиции не фиксированы. Выдача постоянно меняется из-за рекламных ставок конкурентов, поведения/сбоев алгоритмов, наличия товаров. А еще есть персонализация. Поэтому данные о позициях очень условны.

2. Рекомендательные системы. Например, Озон сделал кучу виджетов, чтобы рекомендовать селлерам действия, выгодные Озону.

3. Системы, у которых что-то зашито "под капотом" и которые отдают готовый результат. Такие системы хорошо продаются - все хотят волшебную кнопку, которая делает всё за тебя. Но очень важно, можешь ли ты доверять результату.

Например, сейчас много сервисов выдают автоматически рекомендации для карточки. Но, как правило, внутри зашит очень упрощенный алгоритм, который не может учитывать многие нюансы (как пример - целевую аудиторию, особенности товара), и поэтому на выходе мы получаем некий типовой минимум, который может не только не помочь карточке, но и навредить.

У системы, которая генерит какой-то смысл, внутри должна быть зашита очень серьезная экспертиза. Недаром все большие нейросети проходят длительный период обучения на реальных людях, чтобы скорректировать свои алгоритмы. Не просто так ChatGPt стала доступной пользователям всего мира (а до этого - разработчикам всего мира) - это очень массовое обучение нейросети, которое и делает её продукт качественным. И недаром за ChatGpt стоит огромная команда ученых. Тот же Яндекс оттачивал свои нейросети больше 10 лет с огромной командой асессоров.

Wildberries уже больше года говорит о персонализации выдачи, но в реальности не может её "выкатить". Система не готова. А вы видели, какие описания генерирует нейросеть WB? Да они же сами не будут показывать карточку за такое.

Поэтому когда сервис аналитики, у которого и близко нет возможностей WB, обещает автоматически, нажатием одной кнопки сделать всё - отнеситесь к этому критически.

Одно дело - автоматизация процесса по известному алгоритму (пример - автоматизация А/В тестирования). И совсем другое дело, когда речь идет о процессе со многими неизвестными, который "зашит" внутри.

Гораздо больше доверяю системам, где я могу сделать гибкие настройки и понимаю, как и что работает. Поэтому к "большим" нейросетям отношусь с любовью. Ты можешь поставить задачу как угодно подробно и в процессе корректировать результат