Как разговор на прогулке превратился в AI-аналитика трендов для селлеров маркетплейсов
Летом я гулял с подругой. Она работает в одной из крупных обувных компаний России — той, что продаёт на маркетплейсах. Разговор зашёл о работе, и она начала жаловаться.
«Ты не представляешь, сколько времени мы тратим на анализ трендов перед закупкой. От недели до трёх. Смотрим отчёты, листаем TikTok, читаем западные fashion-порталы, пытаемся понять, что будет продаваться через полгода. И всё равно часто заказываем наугад».
Я спросил: «А ChatGPT не пробовали?»
Она засмеялась: «Пробовали. Он выдаёт что-то вроде "в этом сезоне будут популярны удобные и стильные модели". Спасибо, очень полезно. Нам нужны конкретные модели, цены закупки, цвета, какие блогеры это продвигают, когда пик спроса. А не общие слова».
И добавила: «Было бы круто иметь сервис, который сам анализирует десятки источников и выдаёт конкретику. Чтобы открыл — и сразу понятно, что закупать».
Почему я взялся за это
Я ML/AI-инженер. До этого работал в e-commerce компании, где занимался предсказанием объёмов закупок на основе машинного обучения и создание AI-решений на основе больших языковых моделей. То есть тема мне близкая — я понимал, как устроены данные, как их собирать и как на их основе принимать решения.
После того разговора я не мог выкинуть идею из головы. Проблема реальная: люди тратят недели на ручной анализ, а потом всё равно рискуют деньгами. И существующие инструменты — либо дорогие аналитические платформы с кучей графиков (но без конкретных рекомендаций), либо чат-боты, которые дают общие советы.
Я решил сделать что-то посередине: AI-аналитика, который за 10-15 минут делает то, на что у команды закупщиков уходит неделя.
Три месяца разработки
Не буду грузить техническими деталями, но если кратко:
Задача: научить AI анализировать рыночные отчёты, fashion-порталы, TikTok, *Instagram и выдавать готовый отчёт с конкретными товарами для закупки.
Сложности:
- Источники на разных языках и в разных форматах
- Нужно отделять реальные тренды от хайпа
- Важно давать не просто «что модно», а «что модно + по какой цене закупить + какая маржа + когда пик продаж»
Через три месяца был готов первый рабочий прототип.
Первый тест на реальных деньгах
Подруга согласилась протестировать. Запрос был простой: «Что закупать из женской зимней обуви на сезон 2025/2026 для WildBerries?»
AI проанализировал 91 источник за 12 минут. Отчёт получился на 13 страниц.
Вот что он выдал (делюсь частью, потому что это показательно):
7 категорий товаров с разбивкой по трендам:
- Классические сапоги до колена с western-каблуком
- Ботильоны с узким голенищем
- Slouchy (свободные) кожаные сапоги
- Мото-ботинки и платформы
- Обувь с анималистическими принтами
- Mary Janes и лоферы
- Функциональная зимняя обувь с утеплением
По каждой категории:
- Цена закупки (например, western boots — 3 500–5 500 ₽)
- Рекомендуемая цена продажи (7 000–11 000 ₽)
- Ожидаемая маржа (50-60%)
- Тайминг закупки и пик продаж
- Риски и как их минимизировать
Отдельный блок — анализ соцсетей:
- 5 релевантных видео из TikTok с охватом до 4.8 млн просмотров
- 6 Reels от fashion-блогеров
- Конкретная терминология, которую используют покупатели («водонепроницаемые зимние ботинки», «ботильоны с узким голенищем», «western boots»)
Это та самая терминология, которую потом можно использовать в карточках товаров для SEO.
Результат тестовой закупки
Компания решила проверить на небольшой партии. Взяли классические сапоги с western-каблуком — AI отметил их как топ-1 по соотношению тренда и маржи.
Цифры:
- Закупили тестовую партию: 150 пар
- Средняя цена закупки: 4 200 ₽
- Цена продажи: 8 500 ₽
- Вложения: ~630 000 ₽
Результат: партия разошлась за 6 недель. Чистая прибыль после всех комиссий и затрат — около 340 000 ₽. Маржа — 54%.
Но главное даже не деньги. Главное — они попали в тренд. Модель, цвет, тайминг — всё совпало с тем, что AI предсказал. Обычно у них процент «попадания» в тренды — около 60%. В этот раз — 100% по выбранной категории.
Что я понял из этого эксперимента
1. Проблема реальная. Закупщики тратят огромное количество времени на анализ, и всё равно рискуют. AI может взять на себя рутину и дать структурированные данные для принятия решений.
2. Конкретика важнее общих советов. Никому не нужен ответ «в этом сезоне будут популярны тёплые сапоги». Нужны цены, маржа, тайминг, риски.
3. Соцсети — недооценённый источник. TikTok и Instagram* показывают, что реально хотят люди, какими словами они это описывают, какие модели вирусятся. AI умеет это вытаскивать и структурировать.
Что сейчас
Так родился сервис Predisense. Он уже работает, люди регистрируются и пользуются.
AI-аналитик трендов — это основной инструмент. Вводишь запрос («женские шубы осень-зима 2025», «модная бижутерия для WildBerries», «мужские кроссовки весна 2026») — получаешь полный отчёт с конкретными товарами, ценами, маржой и таймингом.
Кроме анализа трендов, добавил ещё два инструмента, которые закрывают следующие вопросы:
- «Сколько заказать?» — AI считает оптимальный объём закупки
- «По какой цене продать?» — оптимизация цены для максимизации прибыли
Интерфейс максимально простой — буквально пара кнопок. Без сложных дашбордов и графиков, в которых нужно разбираться неделю.
Вместо итога
Если бы мне год назад сказали, что случайный разговор на прогулке превратится в рабочий продукт — я бы не поверил.
Но вот так бывает: кто-то жалуется на проблему, ты понимаешь, что можешь её решить, и через три месяца у тебя есть инструмент, который экономит людям недели работы.
Если вы занимаетесь закупками для маркетплейсов и устали тратить время на ручной анализ трендов — посмотрите примеры готовых отчётов, которые уже используют 200+ селлеров. А если захотите попробовать на своей нише — первый запрос бесплатен.
А если есть вопросы про то, как это устроено под капотом или какие ещё задачи можно решать с помощью AI в e-commerce — пишите в комментариях, расскажу.
*Instagram принадлежит компании Meta, признанной экстремистской организацией и запрещённой в РФ.