Как анализировать исторические данные маркетплейсов и не сойти с ума: грамотный расчет выручки / forpes.ru

Главная
Как анализировать исторические данные маркетплейсов и не сойти с ума: грамотный расчет выручки

Как анализировать исторические данные маркетплейсов и не сойти с ума: грамотный расчет выручки

25.09.2026 21:37

bardak0 0 61 Источник

Эта статья — подробный технический разбор того, как мы проектировали архитектуру для расчета выручки для системы аналитики RAMSTAT, на какие грабли наступали, почему классический теорвер и матстат из университетских учебников спотыкаются о сырые данные маркетплейсов и как мы в итоге собрали архитектуру расчета продаж.

В статье не будет сырых простыней кода — только математика, архитектура, реальные проблемы на боевых данных и их решения.

Глава 1. Период наивности: Ozon, данные без истории и отзывы вместо продаж

Путь начинался с простой задачи: был массив данных с Ozon, сгруппированный по категориям. Данные представляли собой простой снимок текущего состояния карточек: название, текстовые характеристики, цена, рейтинг и число отзывов. Исторических данных не было в принципе. Не было временных рядов остатков, не было динамики цен. Ничего не было, только данные в один конкретный день. Но даже с таким набором можно работать.

Блочная архитектура анализа

Исходя из доступных данных и желаемого результата было решено разделить систему на модули:

Сегментация и поиск аномалий: выделение ценовых сегментов и составление топа товаров в каждом сегменте.
Анализ наименований: выявление слов-триггеров в заголовках карточек, коррелирующих с успехом товара.
Анализ структуры продавцов: оценка монополизации ниши через классические экономические метрики.
Оценка характеристик: легковесный ML.

Метрики концентрации: HHI и CR

Для оценки конкурентности мы использовали индекс Херфиндаля-Хиршмана () и коэффициент концентрации :

$HHI = \sum_{i=1}^{n} s_i^2$

где — рыночная доля -го продавца в процентах. Если рынок поделен поровну между 100 продавцами, $HHI = 100 \times 1^2 = 100$ (высокая конкуренция). Если один монополист держит 70%, а остальные 30 делят остаток, $HHI \approx 4900$ (жесткая монополия).

HHI родился как экономический инструмент для измерения концентрации, но его математическое ядро — мера неравномерности распределения долей. Поэтому он естественным образом переносится на любые задачи, где есть набор взаимно исключающих категорий и их доли. В нашем случае мы использовали HHI по сути, как готовый инструмент и обратились к его историческому назначению - определению неравномерности долей.

К нему добавили — кумулятивная доля крупнейших игроков:

$CR_k = \sum_{i=1}^{k} s_{(i)}$

В чем была главная проблема?

Единственной доступной метрикой спроса выступало число отзывов ().

Мы понимали, что отзывы — это прокси-метрика. Причем крайне инертная:

Карточка, продающаяся 4 года, накопила 5 000 отзывов, но за последний месяц могла не сделать ни одной продажи.
Новинка с быстрым взлетом имеет 15 отзывов и 2 000 заказов за неделю, но в аналитике по отзывам она выглядит как абсолютный аутсайдер.

В общем-то, даже так результаты нам показались удовлетворительными - бились со здравым смыслом и для нас это было достаточным показателем качества. Тем более, мы осознавали, что с ограниченным набором данных и отсутствием исторических данных не получится сделать что-то принципиально иное - данных просто недостаточно.

Так выглядит анализ наименований - размер окружности показывает эффективность слова-триггера (насколько сильно влияет слово на уровень спроса)

Глава 2. «Теперь-то мы посчитаем всё точно!»: расчет продаж по складским остаткам и ценам Wildberries

В какой-то момент все-таки появились исторические данные, правда на WB. Ежедневные снимки складов и цен Wildberries, казалось, что святой Грааль найден. Больше никаких косвенных метрик! Из самого важного в распоряжении были данные:

product_id (SKU);
wh (идентификатор склада: Коледино, Электросталь, Казань и т.д.);
qty (физический остаток товара на складе);
price_product (история цен);
changed_at (временная метка фиксации).

Наивная модель восстановления продаж

Логика казалась железобетонной. Для каждого товара на складе строим временной ряд остатков $q_{j, w}(t)$ .

Изменение остатка между соседними днями и :

$\Delta q = q(t) - q(t-1)$

Интерпретация:

Если $\Delta q < 0$ — это продажа:

$\text{sold\_qty}(t) = -\Delta q$ $\text{revenue}(t) = \text{sold\_qty}(t) \times \min(p(t-1), p(t))$

Если $\Delta q > 0$ — это поставка:

$\text{supply\_qty}(t) = \Delta q, \quad \text{sold\_qty}(t) = 0$

Если $\Delta q = 0$ — движения не было.

Казалось бы, просуммируй по всем складам и дням — получишь выручку ниши или товара. Мы написали код агрегации, запустили расчет и… на выходе получили абсолютный бред.

Глава 3. Жестокое столкновение с реальностью: Почему дельта остатков дает сбой

Первые же тесты на реальных категориях указали нам наше место.

Проблема №1: Дырчатый календарь и фантомные нули

Получить данные с миллионов карточек — процесс вероятностный:

Бывают дни, когда данные просто отсутствуют (по техническим или иным причинам просто нет данных за этот день/промежуток).
Бывают дни, когда конкретный артикул просто не вернулся в поисковой выдаче. Например, если товар закончился.

Если 26-го числа у товара было 3 единицы, 27-го данные отсутствуют, а 28-го товара нет выдаче - это 0 остатков или может продавец сменил фото карточки и товар ушел на модерацию?

Если считать отсутствие данных за 0, то:

День 1: остаток 3.
День 2: остаток 0 $\to$ записываем 3 продажи.
День 3: товар вернулся, остаток 3 $\to$ записываем поставку 3.
День 4: товар снова мигнул в выдаче $\to$ снова 3 продажи.

В итоге товар, лежащий мертвым грузом, «генерировал» продажи каждые два дня.

Проблема №2: «Синдром дачника»

На маркетплейсах тысячи селлеров работают по системе FBS (продажи со своего склада).

Представьте типичного продавца:

У него карточка с 2 отзывами.
На складе числится 50 чехлов для телефонов. Продаж нет неделями.
В пятницу днем продавец решает уехать на выходные на дачу. Чтобы в субботу не упал заказ, который он не сможет вовремя упаковать (иначе WB влепит штраф за срыв логистики), он заходит в личный кабинет и руками выставляет остаток 0.
В понедельник он возвращается и выставляет остаток обратно: 50.

Что видит наивный расчет?

Пятница: остаток упал с 50 до 0. $\Delta q = -50$ . Продано 50 штук!
При цене чехла 800 рублей алгоритм рисует карточке с 2 отзывами 40 000 рублей выручки за день.
Модуль аналитики моментально поднимает этот мусорный товар, искажая всю статистику категории, так как это место мог занять реально продающийся товар.

Мы назвали эту проблему «Синдром дачника» - конечно, не факт, что товар просто убирается руками и потому его остатки на складах скачут. Но в дальнейшем будет понятно, что нам в принципе и не нужно искать причину таких скачков.

Проблема №3: Загадочный график «трех пиков»

Мы открыли детальный отчет по категории аксессуаров для волос (реальный артикул из наших логов: Крабики для волос маленькие, цена 181 руб., 1 858 отзывов, расчетная выручка 28 683 руб.).

Вот как выглядел график выручки по дням:

График выручки, совершенно очевидно наличие выбросов

Три дня (11, 16 и 19 июля) показывают всплески ровно по 9 000 – 9 500 рублей (~50-54 штуки проданных крабиков).

Во все остальные 27 дней месяца выручка — строгий ноль.

Почему живой товар с 1800 отзывами продается строго три раза в месяц пачками по 50 штук, а между ними пустота? В этот момент стало ясно: мы моделируем не поведение покупателей, а какую-то техническую неточность.

Глава 4. Битва с ветряными мельницами: Почему сломался математический аппарат

Мы обратились к математике. У нас была возможность обратиться к человеку с сильным математическим бэкграундом, и первой мыслью было: «Сейчас мы почистим данные нормальными статистическими фильтрами и все будет в масле».

Мы сели проверять гипотезы:

Распределение Стьюдента и $3\sigma$ (трехсигмовые интервалы):

Мы пытались считать скользящее среднее и стандартное отклонение $\sigma$ по продажам или остаткам и отрезать всё, что вылетает за доверительный интервал.

Почему развалилось: Данные продаж на маркетплейсах не имеют нормального распределения. Мы вообще в принципе не знаем, какое точно у нас распределение - оно сильно зависит от категории, а также от фильтров, которые мы выставим на набор данных. В ВУЗе мы обычно использовали статистику, имея некоторые допущения, гипотезы, предположения. От этого можно было оттолкнуться. А как определить в случае, когда мы не знаем распределение, верно ли мы применяем алгоритмы?
Всплеск продаж в день акции или после захода с рекламой может превышать среднее на 2–3 порядка. Если вы отсекаете по $2\sigma$ или $3\sigma$ , вы срезаете реальных лидеров рынка, но при этом пропускаете систематические выбросы у мелких товаров.

Проблема уровня агрегации (товар vs рынок):

Если проверять выбросы внутри одного товара, то у товара-пустышки дроп с 50 до 0 — это единственное событие, у него дисперсия равна нулю. Такой алгоритм не считает это выбросом.

А если проверять по всему рынку, то продажа 50 крабиков — обычное дело для крупного оптовика, но невозможная аномалия для селлера с нулевым рейтингом.

Переход к устойчивой (робастной) статистике: Log-IQR

Мы отказались от среднего и дисперсии в пользу медиан и квантильных размахов в логарифмическом пространстве.

Мы полагаем, что распределение цен и выручки мультипликативно, потому перевели метрики в логарифмическую шкалу:

$z = \log(1 + x)$

Затем считали интерквартильный размах ():

$Q_1 = Q_{0.25}(z), \quad Q_3 = Q_{0.75}(z), \quad IQR = Q_3 - Q_1$

Верхняя граница отсечения выбросов:

$U = \exp(Q_3 + k \cdot IQR) - 1$

Для цен в rule-based сегментации мы взяли мягкий коэффициент, а для кластеризации на основе нейросетей — более строгий. Здесь не так важно значение коэффициента, так как оно подбирается экспериментально.

Создание централизованного фильтра: Revenue Quality Filter

Чтобы остановить поток фантомной выручки, мы спроектировали трехуровневый алгоритм верификации качества. Алгоритм не удаляет товар из выборки, но помечает его флагом артифакта и обнуляет расчетную выручку и продажи.

Математика трех правил:

Правило 1 (Глобальный экстремум):

$R_i^{\text{raw}} > \exp(Q_3(\log(1+R)) + 7.0 \cdot IQR(\log(1+R))) - 1$

Отсекает выбросы, когда товару приписывалась выручка в сотни миллиардов рублей.

Правило 2 (Аномальная выручка на один отзыв):

Для товаров из нижнего 5%-хвоста по отзывам ( $F_i \le Q_{0.05}(F^+)$ ) рассчитывается показатель удельной выручки:

$\rho_i = \frac{R_i^{\text{raw}}}{\max(F_i, 1)}$

Если $\rho_i$ превышает квантильный порог референсной группы рынка (товары с $F > Q_{0.20}$ ):

$\rho_i > T_{\rho} \quad (\text{Log-IQR с } k=5.0 \text{ внутри ценового бина})$

товар помечается флагом артифакта.

Правило 3 (Фантомные новички):

Если у товара 0 отзывов (), а его выручка превышает 5 медианных выручек зрелых товаров в своем ценовом бине:

$R_i^{\text{raw}} > 5 \times \text{median}(R_{\text{ref}})$

он признается артефактом.

Шок от реальных данных: десятки миллионов фантомных рублей

Когда мы прогнали этот фильтр на реальных выгрузках, результат все еще был далеко от идеала. Вот пример реального расчета:

Пример 1: Категория «Кинетический песок»

Всего проанализировано товаров: 1 581 SKU
Количество товаров, признанных артефактами: 742 SKU (почти 47% товаров из выборки!)
Сырая выручка, рассчитанная по дельте остатков: 59 818 625 руб.
Очищенная выручка после фильтра: 2 890 246 руб.
Срезано выручки: 56 928 379 руб. (95.2% расчетной выручки было мусором!)
Причина: 741 товар имел 0 отзывов, но алгоритм дельты нарисовал им 56 миллионов несуществующих продаж!

Пример 2: Категория «Аксессуары для волос»

Всего проанализировано товаров: 74 127 SKU
Товаров-артефактов: 5 710 SKU
Сырая выручка: 2 917 609 966 руб. (2.91 млрд руб.)
Очищенная выручка: 2 172 959 466 руб.
Срезано фантомной выручки: 744 650 500 руб. (почти три четверти миллиарда рублей мусора!)

Фильтр спасал от бреда, но оставалось чувство неудовлетворенности: мы просто зануляли половину рынка. Неужели нельзя восстановить истину?

Глава 5. Байесовское сглаживание: Приручение шума

Параллельно мы искали математический способ не бинарно вырезать товары, а плавно штрафовать метрики за недостаток данных.

Байесовское сглаживание в модуле Нейминга

В модуле текстового анализа названий наивное среднее тоже приводило к абсурду, хотя и не так часто: редкое слово (например, «экстра-супер-увлажнение»), встретившееся ровно 1 раз у товара-лидера, получало среднюю выручку в 500 000 рублей и вылетало на 1-е место рейтинга эффективности.

Мы применили формулу байесовского сглаживания с псевдонаблюдениями:

$R_m(g) = \frac{S_m(g) + k \cdot \mu_m}{n_g + k} = w_g \cdot \overline{x}_g + (1 - w_g) \cdot \mu_m$

где:

— сумма метрики (выручки или отзывов) товаров, содержащих -грамму ;
— реальное число вхождений фразы;
$\mu_m$ — глобальное среднее по всему рынку;
$w_g = \frac{n_g}{n_g + k}$ — статистический вес эмпирических данных.

Частота слова	Доля фактического среднего	Доля общерыночного среднего
3	1.48%	98.52%
20	9.09%	90.91%
200	50.00%	50.00%
1000	83.33%	16.67%

Если слово встретилось 3 раза, его оценка на 98.5% определяется рыночным фоном, и лишь при сотнях повторений слово завоевывает право называться драйвером продаж.

Не думаю, что про Байесовское сглаживание стоит подробно рассказывать. Это достаточно популярная вещь - можно найти много информации в интернете. Мне например очень понравилась вот эта статья.

Внедрение внутреннего индекса доверия

Мы решили адаптировать этот принцип к выручке товаров. Вместо жесткого отсечения мы ввели внутренний весовой коэффициент доверия к выручке на основе отзывов:

$\text{confidence}_i = \text{floor} + (1 - \text{floor}) \cdot \frac{F_i}{F_i + K}$

где:

$\text{floor} = 0.05$ (минимальный вес доверия);
— количество отзывов карточки;
$K = Q_{0.75}(F^+)$ — 75-й перцентиль отзывов по рынку.

Внутренняя метрика $\text{revenue\_confidence} = R_i \times \text{confidence}_i$ использовалась для ранжирования карточек в выдаче, не позволяя товарам без валидации на основе данных группы пробиваться в топы.

Но оставался главный нерешенный вопрос: откуда всё-таки брались те загадочные пачки продаж по 44, 50, 53 штуки?

Глава 6. Момент истины: Секрет, который обнулил все расчеты по остаткам (как кэп остатков ломает аналитику)

Аналитика по дельте остатков системно дает сбой, поскольку интерфейс Wildberries кэпирует остатки в корзине, превращая колебания лимита в ложные продажи.

Конец июля 2026 года. Очередная ночная сессия дебага логов и поиска закономерностей.

Мы взяли один из тестовых аккаунтов селлера, загрузили на склад 100 единиц товара и открыли карточку в браузере как обычный покупатель. Нажали «Добавить в корзину» и попробовали выкрутить счетчик количества на максимум.

И тут наступил шок.

Wildberries кэпирует остатки на витрине!

Оказалось, что интерфейс корзины Wildberries не показывает реальный остаток товара на складе, если он превышает определенный лимит.

На витрине отдается искусственно обрезанное число.
Оно колеблется в диапазоне.
Более того, это значение может динамически меняться в зависимости от геолокации, типа склада, сессии пользователя или иных параметров.

Что это значило для нашего пайплайна?

Представьте:

У продавца на складе лежит 5 000 единиц товара.
Попытка узнать остатки: qty = 54 (сработал витринный кэп).
На следующий день стучимся на витрину снова, но получаем другой лимит qty = 44.
Наш алгоритм делает расчет: . Зафиксировано 10 продаж!
На третий день получаем qty = 53. Алгоритм видит увеличение остатка $\to$ считает это поставкой.
На четвертый день карточка на секунду выпала из выдачи: qty = 0. Алгоритм радостно пишет: продано 53 штуки!

Мы неделями искали идеальные формулы математической статистики, чтобы победить шум, который не являлся шумом на самом деле.

Считать продажи вычитанием складских остатков на Wildberries — это попытка измерить глубину линейкой, длина которой произвольно меняется.

Глава 7. Архитектурный разворот: Как считать продажи, если остаткам верить нельзя

Осознав природу данных, мы совершили фундаментальный разворот в архитектуре.

Мы вернулись к отзывам, но не в их примитивном виде, а через иерархическую систему калибровки продаж продавца.

В чем суть нового подхода?

Есть не только данные по товарам, но и периодические снимки по продавцам в целом:

sold_products_count — общее число заказов / проданных товаров всего магазина селлера;
product_feedbacks_count — суммарное число отзывов на всех товарах селлера.

За любой интервал времени $[\tau_1, \tau_2]$ для продавца известны два фундаментальных макро-показателя:

Сколько реально продал весь магазин: $\Delta \text{Sold}_{\text{supplier}}$ .
Сколько реально новых отзывов получил весь магазин: $\Delta \text{Feedbacks}_{\text{supplier}}$ .

Это дает нам фактическую эмпирическую конверсию отзывов в заказы именно для этого продавца в этот конкретный календарный период:

$C_{\text{supplier}} = \frac{\Delta \text{Sold}_{\text{supplier}}}{\Delta \text{Feedbacks}_{\text{supplier}}}$

При расчете выручки через отзывы есть тоже свои нюансы. Не должно быть никаких догадок из серии «на WB один отзыв приходится в среднем на 30–50 покупок». Такие догадки никуда не годятся. Для бренда дешевых носков этот коэффициент может быть равен 80, а для премиальной бытовой техники — 12.

Спуск на уровень товара

Когда у конкретного товара , принадлежащего данному продавцу, за интервал времени вырастает число отзывов на $\Delta F_j$ , его доля в общем пуле продаж магазина определяется пропорцией прироста его отзывов к общему приросту отзывов селлера:

$\text{raw\_sales}_j = \frac{\Delta F_j}{\Delta \text{Feedbacks}_{\text{supplier}}} \times \Delta \text{Sold}_{\text{supplier\_pool}}$

Целочисленное квантование: Метод Гамильтона

Поскольку $\text{raw\_sales}_j$ получается дробным числом, а товар измеряется в целых штуках, мы применили классический метод распределения мест Гамильтона (метод наибольших остатков, allocateinteger_sales):

Каждому товару с положительным приростом отзывов гарантированно отдается целая часть $\lfloor \text{raw\_sales}_j \rfloor$ (но не менее 1 шт).
Оставшийся нераспределенный остаток заказов поочередно раздается товарам с максимальной дробной частью.

Консервативная привязка цен

Чтобы исключить раздувание выручки, если продавец кратковременно менял цену (например, задрал перед акцией), мы сопоставляем интервал продажи с историей изменения цен:

$p_{\text{event}} = \min(p(\text{start}), p(\text{end}))$

Берется консервативный минимум цены за интервал наблюдения.

Результат архитектурного перехода

Исчезли фантомные миллионы: товары с 0 отзывов физически больше не могут получить ни единой продажи из-за скачков складских лимитов.
Ушел эффект кэпирования корзины: алгоритм вообще не смотрит на остаток товара, если тот подвержен витринным ограничениям.
Сохранилась адекватная динамика: если селлер запустил рекламу и пошли продажи с отзывами, они пропорционально и честно распределяются между его SKU.

Пример графика выручки товара-лидера в категории Зоотовары / Для собак / Ветаптека при расчетах выручки через отзывы.

Глава 8. Чек-лист по расчету аналитики маркетплейсов

Сравнительный анализ методов расчета продаж

Параметр сравнения	Дельта остатков	Отзывы
Исходные данные	Остатки на складах	Отзывы на карточке и продавца
Точность	**	*****
Устойчивость к выбросам	**	****
Задержка данных	24 часа	несколько дней - несколько недель
Применимость для анализа	Аккуратно, требует хорошую фильтрацию данных	Оптимален для оценок

Чек-лист: Как построить надежный пайплайн e-commerce аналитики

Никогда не доверяйте исходным числам

Забудьте про стандартные распределения

Никаких $M \pm 3\sigma$ . Используйте только непараметрические и робастные статистики: квантили ( $Q_{0.25}, Q_{0.75}$ ), межквартильный размах (), медианы и логарифмирование ( $z = \log(1+x)$ ).

Внедряйте многоуровневую верификацию артефактов и выбросов

Если ваш алгоритм насчитал товару с 0 отзывов миллион рублей выручки — в 99.9% случаев неправ ваш алгоритм, а не покупатели смели склад.

Используйте алгоритмы по типу байесовского сглаживания, они реально работают

Редкие события должны притягиваться к среднему по рынку. Для текстовых признаков (нейминг, теги) и для метрик надежности используйте фиктивные псевдонаблюдения.

Связывайте микро-уровень с макро-уровнем:

Если метрика на микро-уровне дает сомнительный сигнал, проверяйте ее через родительскую сущность.

Заключение: Почему ни один внешний сервис не знает 100% правды

Если вам в рекламе очередного сервиса аналитики заявляют: «Мы знаем точные продажи каждого товара на Wildberries с точностью до одной копейки по нашим секретным данным» — теперь вы знаете, что эти секретные данные могут оказаться не очень верными.

Внешняя аналитика маркетплейсов — это не про точность до рубля, из открытых источников такое достать невозможно. Это про понимание структуры рынка, поиск реальных закономерностей и отсечение информационного мусора.

Когда мы перестали пытаться выжать из дырявых складских остатков несуществующую точность и построили математически выверенную модель, хоть и не дающую точность до рубля, система наконец начала выдавать отчеты, на которые можно опереться при принятии реальных бизнес-решений.

Внешняя аналитика — это всегда вероятностная модель и баланс компромиссов. Если вы сейчас проектируете свой пайплайн или хотите сопоставить данные своих категорий с нашими расчетами — базовый срез доступен в инструменте анализа рынка бесплатно и без необходимости привязывать карту.

А как вы боретесь с выбросами и аномалиями в данных? Делитесь в комментариях своим опытом — будет интересно обсудить!