ИИ в магазине на маркетплейсе: почему "больше данных" вредит прибыли и как отобранные данные снижают слив рекламного бюджета и затраты на хранение

Игорь Маньшин
руководитель отдела маркетплейсов ОТК

Последние 10 лет моей профессиональной карьеры были посвящены кампании по производству и продаже посуды MAYER&BOCH. Прошел путь от менеджера по оптовым продажам до руководителя отдела маркетплейсов. Под его руководством магазина на WB попал в ТОП 500 по оборотам.

УЧАСТВУЕТ:
Секция 5.5. Внутренняя аналитика: как данные и AI улучшают решения

ТЕЗИСЫ:
1. Мало данных = слепой ИИ. Если алгоритм получает только усредненные продажи за месяц, он не видит трендов и сливает бюджет. Покажу, как дефицит метрик приводит к упущенной прибыли и ошибочным решениям на старте автоматизации.
2. Избыток данных убивает точность. "Грязный" массив (аномалии, шум) вызывает переобучение: ИИ идеально предсказывает прошлое, но ошибается в настоящем. Разберем, почему неочищенный Big Data без фильтрации - это прямой путь к сливу бюджета.
3. Золотая середина: Smart Data. Не нужно собирать всё. Принцип Парето в ИИ: 20% ключевых метрик (запрос × время × склад × конкурент) дают 80% точности. Научим отсекать шум и строить быстрые, релевантные алгоритмы для WB и Ozon.
4. Кейсы: как Smart Data дает +15% к прибыли. ИИ снижают ДРР на 30%, отсекая ночной слив или нерелевантные поисковые запросы. Многомерный прогноз спроса (с учетом акций и региона) снижает затраты на хранение на 25% и исключает OOS в пик трафика.
5. ИИ не заменяет человека, а масштабирует его. Менеджер становится стратегом, управляя 500 SKU вместо 50. Участники получат чек-лист аудита данных для быстрого и безопасного внедрения.