ИИ для поиска трендовых товаров: опыт Lenta Tech

Какие товары набирают популярность на маркетплейсах и какие из них стоит добавить в ассортимент торговой сети? Чтобы ответить на эти вопросы, нужно оценить продажи, поисковый спрос, отзывы, цены конкурентов и динамику интереса покупателей. Раньше на такой анализ уходило несколько часов.

В Lenta Tech совместно с коммерческой службой разработали «ИИ Платформу Тренды». Она объединяет данные Ozon, Wildberries и Яндекс.Маркета и помогает находить перспективные товары. Теперь предварительная оценка категории занимает не более 10 минут.

Раньше категорийные менеджеры и аналитики использовали сразу несколько инструментов: MPStats, Wordstat и данные карточек маркетплейсов. Информацию о продажах, отзывах, поисковых запросах и наличии товаров приходилось собирать и сопоставлять вручную.

Дополнительную сложность создавали различия между площадками. Один и тот же товар мог иметь разные названия, описания и артикулы. Из-за этого карточки дублировались, а перспективные позиции было сложнее обнаружить.

Готовые сервисы решали отдельные задачи, но не позволяли объединить все показатели для оценки товара. Поэтому команда решила создать собственную платформу, которая автоматизирует сбор и обработку данных и помогает принимать решения о вводе новых SKU.

«ИИ Платформа Тренды» использует гибридный подход: правила обработки данных, классические модели машинного обучения (ML) и большие языковые модели (LLM).

Одна из главных задач — сопоставление карточек товаров с разных маркетплейсов. LLM анализирует названия, характеристики и описания, определяет одинаковые товары и объединяет их в одну запись. Благодаря этому продажи, отзывы и другие показатели рассчитываются по товару в целом, независимо от количества карточек на площадках.

Платформа выполняет несколько основных функций:

• Классификация товаров. Сопоставляет категории разных маркетплейсов по названиям, описаниям и характеристикам.

• Анализ представленности. Проверяет доступность товаров и их позиции в поисковой выдаче.

• Оценка спроса. Отслеживает поисковые запросы и изменения покупательского интереса.

• Анализ динамики. Использует ML-модели, чтобы выявлять устойчивый рост, сезонные колебания и снижение спроса.

В результате коммерческая команда получает сопоставимые данные по товарам в одном интерфейсе.

На главном экране представлены финансовые показатели товаров. Список можно фильтровать по категории, продажам, выручке, отзывам, поисковым запросам, рейтингу и стадии тренда.

Система выделяет пять стадий популярности товара: зарождение, рост, сезонный рост, взрывной рост и угасание. Это помогает находить позиции с растущим спросом и оценивать перспективы их ввода в ассортимент.

Для детального анализа предусмотрена карточка товара с фотографиями, рейтингами, продажами, отзывами и динамикой спроса. Для позиций, уже представленных в «Ленте», доступно сравнение цен с другими торговыми сетями.

Также пользователи могут сравнивать показатели за разные периоды, искать товары по ключевым словам и загружать XLS-файлы для проверки списков до 100 SKU.

Платформа уже используется в процессе отбора новых товаров для ассортимента «Ленты».

Основные результаты:

• Более 200 сотрудников коммерческой службы работают с платформой.
• До 10 минут сократилось время предварительного анализа категории вместо нескольких часов.
• Более 150 трендовых SKU отобраны и выведены на полки.

Автоматическое сопоставление данных снизило объем ручной работы. Специалисты подключаются к проверке спорных случаев и могут уделять больше времени оценке перспективных товаров и принятию ассортиментных решений.

В планах команды — подключение зарубежных маркетплейсов, повышение точности сопоставления похожих товаров и улучшение определения ранних трендов. Расширение источников данных позволит находить перспективные позиции не только на российском рынке, но и за его пределами.

Больше о технологиях и разработках Lenta Tech рассказываем в нашем Telegram-канале. В формате карточек объясняем принципы работы решений и их применение в ретейле. Например, уже рассказывали об адресном хранении товаров.

Подробнее о технической реализации платформы, выборе моделей и архитектуре решения читайте в статье на Хабре.