Данные разнятся: как ориентироваться в аналитике маркетплейсов

Сервисы показывают разные данные. Разбираем, почему аналитика маркетплейсов перестала быть однозначной и на что теперь опираться в решениях.

Селлеры всё чаще сталкиваются с ситуацией, когда разные аналитические сервисы показывают принципиально разные данные по одной и той же категории, при этом потребность в точной информации остаётся критичной. Чтобы масштабироваться, бизнесу необходимо понимать объём продаж, динамику спроса и позиции конкурентов.

Долгое время рынок внешней аналитики решал эту задачу довольно точно за счёт данных об остатках товаров. Но в конце сентября 2025 года Wildberries ограничил доступ к данным об остатках, и прежние модели расчёта перестали работать с той же точностью.

Как рынок считает объём выручки и заказов без прямых данных

После ограничения данных все участники рынка решают одну и ту же задачу: как оценивать выручку и заказы без прямого доступа к ним. Для этого используются разные источники: отзывы, исторические зависимости внутри категории, поведенческие сигналы карточек, динамика цен и частично доступные остатки. Многие решения используют искусственный интеллект, однако его наличие само по себе не делает модель точной. Ключевое различие — в данных и логике их объединения

На практике это привело к заметному эффекту: оценки выручки и количества заказов по одной и той же категории начали существенно различаться. Крупные селлеры и команды регулярно сравнивают разные источники и фиксируют значительные расхождения. В ряде случаев разница по ключевым показателям может быть кратной.

Фактически рынок столкнулся с ситуацией, когда единая «картина категории» перестала существовать: разные модели дают противоречивые данные по одному и тому же товару. Основная причина — ограниченность исходных данных и различия в подходах к их обработке.

Как мы пересобрали подход к расчёту выручки и количества заказов

После изменений стало очевидно, что использовать один источник данных больше невозможно. Любой отдельный сигнал даёт лишь часть картины и в определённый момент начинает искажать результат.

Для повышения точности мы в Sellmonitor разработали новую аналитическую модель «Пятый глаз». Это модель, которая считает заказы не через один источник, а на основе совокупности факторов, взаимно корректирующих друг друга. Такой подход позволяет сохранять точность даже при ограниченном доступе к данным маркетплейсов.

В основе модели — пять ключевых источников информации:

1. Отзывы и оценки. Это один из немногих стабильных индикаторов спроса. По динамике отзывов можно оценивать реальные продажи, особенно в массовых категориях.

2. Исторические данные. В Sellmonitor накоплены данные по продажам, выручке, заказам на Wildberries, начиная с 2019 года. Эти массивы позволяют выявлять устойчивые зависимости между спросом, отзывами и другими параметрами товара.

3. Данные внутренней аналитики. Под управлением находятся магазины с совокупным оборотом более 14 млрд рублей. Эти данные не используются напрямую в расчётах, но позволяют регулярно калибровать модель и проверять её на реальных данных о выручке и заказах.

4. Категория, тип товара и ценовой сегмент. Поведение продаж сильно различается в зависимости от этих факторов, и их учёт позволяет корректнее интерпретировать сигналы.

5. Остатки товаров. Несмотря на ограничения, для низкооборачиваемых позиций они по-прежнему остаются важным источником информации.

Все источники работают как единая система: если один сигнал даёт искажение, другие его компенсируют. В модели используется искусственный интеллект, который помогает находить зависимости между данными и адаптировать модель к изменениям рынка

Такой подход позволил адаптироваться к новым условиям и сохранить стабильность оценки выручки и заказов даже после изменения политики данных со стороны маркетплейсов.

Как мы проверяем точность данных

Единственный рабочий способ оценить точность аналитики — регулярно сверять расчётные данные с фактическими продажами. Для этого мы используем данные магазинов, находящихся в управлении, а также выборки от партнёров, где есть доступ к реальным данным. На этих показателях модель калибруется и проходит регулярную проверку: мы сравниваем оценку выручки и заказов с фактическими значениями и отслеживаем отклонения.

Такой подход позволяет видеть не только среднюю точность, но и поведение модели в разных сценариях (по категориям, ценовым сегментам и типам товаров).

Разницу в подходах можно увидеть на практическом примере.

Кейс: разброс оценок сервисов

В категории зернового кофе была проведена сверка оценок выручки и заказов с фактическими данными продавца. Сравнение проводилось по одному и тому же товару и периоду.

Фактические показатели за период:

— выручка: 915 051 ₽

— заказы: 324

Оценка модели Sellmonitor «Пятый глаз»:

— выручка: 809 382 ₽

— заказы: 374

При этом другие модели на рынке показали значительно более широкий разброс значений по тому же товару, от заметного занижения до завышения показателей:

Сервис 1, с ИИ

— выручка: 1 209 522 ₽

— заказы: 432

Сервис 2, с ИИ

— выручка: 1 983 921 ₽

— заказы: 912

Сервис 3, без ИИ

— выручка: 145 651 ₽

— заказы: 67

Это иллюстрирует ключевую особенность текущего рынка: итоговая цифра зависит не от наличия данных как таковых, а от того, как именно они собираются, сопоставляются и интерпретируются.

Можно ли считать продажи точно

Полностью точной внешней оценки не существует. Любая модель работает с приближениями. Вопрос в том, насколько эта погрешность контролируема и в каких сценариях она начинает расти.

Точность снижается:

— у новых товаров без истории продаж,— в категориях с низкой долей отзывов,— при резких изменениях спроса или цены,— в нестандартных сценариях (акции, перераспределение трафика).

Поэтому модель требует постоянной калибровки и проверки на реальных данных.

Что это значит для бизнеса

Рынок внешней аналитики сейчас действительно находится в стадии пересборки: прежние подходы больше не обеспечивают стабильной точности, а новые модели только формируются и проходят проверку на практике. Уже недостаточно просто «использовать аналитику». Критично понимать на каких данных она основана, как калибруется и в каких сценариях может давать отклонения. Фактически это становится вопросом управляемости бизнеса. Те, кто опирается на проверенные модели и регулярно валидирует данные, получают конкурентное преимущество. Остальные — продолжают принимать решения в условиях высокой неопределённости.