Определение факторов успеха работы продавца на маркетплейсе методом корреляционного анализа экономических метрик

ВВЕДЕНИЕ

Академические исследования электронной коммерции демонстрируют экспоненциальный рост начиная с 2019 года. Обзор релевантных источников информации по данной тематике с 2006 по 2025 год показывает, что большинство публикаций по теме исследования были опубликованы именно в последние три года, что свидетельствует о взрывном росте интереса академического сообщества к данной тематике [7, 8] (Eshugova et al., 2021; Zenkina, 2025). Такая динамика отражает не только практическую значимость электронной торговли для мировой экономики, но и катализирующее влияние пандемии COVID-19, которая ускорила цифровую трансформацию потребительского поведения и бизнес-моделей [23, 9, 16] (Zhang, 2023; Shiryaeva et al., 2023). Ключевым направлением исследований в сфере электронной коммерции стал искусственный интеллект (Artificial Intelligence, AI), наиболее часто используемый при персонализации, рекомендательных системах, выявлении мошенничества и клиентском сервисе [1] (Balakshin, 2025). Эмпирические данные, представленные в [20] указывают на заметный эффект ИИ-персонализации: конверсия возрастает до 10%, выручка – на 15%, пожизненная ценность клиента – на 73%. Само по себе расширение массивов данных ускоряет развитие более сложных, эмпирически обоснованных моделей онлайн-торговли [22, 23] (Sun et al., 2021; Zhang, 2023). Анализ научно-исследовательских источников выявил, что фокус исследований смещается к динамической гиперперсонализации, где в реальном времени формируются адаптивные сценарии взаимодействия на основе предиктивной аналитики и контекстных сигналов [23] (Zhang, 2023). Существенный шаг вперед связан с применением больших языковых моделей в оценке релевантности поиска: их суждения совпадают с человеческими аннотациями в 82% случаев и могут автоматизировать не только валидацию, но и подготовку инструкций по аннотированию [10] (Krasnov, 2023). Столь стремительное развитие рынка электронной торговли с непрерывно совершенствующимся цифровым инструментарием, поддерживающим ее механизмы, характеризуется высокой степенью конкуренции, в том числе и на платформах крупных российских маркетплейсов, таких как Wildberries, Ozon, «Яндекс.Маркет», Uzum и «Авито» [2, 5, 9] (Bogomaz, 2024; Denisov et al., 2023). Эффективность деятельности продавца напрямую зависит от понимания механизмов ранжирования товаров и способности управлять ключевыми факторами, влияющими на коммерческий успех продукции [22] (Sun et al., 2021).

Цель исследования – выявление закономерностей, позволяющих прогнозировать и повышать рентабельность торговых операций. Объектом исследования выбран крупнейший российский маркетплейс Wildberries (WB). Выбор исследовательской площадки обусловлен стремлением сформировать целостную картину, объясняющую на осязаемых количественных показателях механизмы коммерческого успеха продуктов на Wildberries. Предметом исследования являлось установление зависимостей между различными параметрами товаров и их категорий на электронной торговой площадке. В исследовании применены аналитический, расчетно-статистический и расчетно-графический методы исследования.

Полученные авторами результаты позволят IT-разработчикам торговых платформ и предпринимателям на основе предиктивного анализа предпринимать эффективные меры повышения уровня продаж и оптимизации взаимодействия с платформой.

АНАЛИТИЧЕСКИЙ ОБЗОР

Факторы успеха продавца на маркетплейсе подробно раскрыты в ряде исследований, так, Саядян Р. в работе [12] (Sayadyan, 2025) подчеркивает важность использования персональных инструментов (аналитика, программы лояльности) и внешних (реклама, сотрудничество с блогерами), формирующих синергию и усиливающих продажи. В исследовании [15] (Chernukhina et al., 2022) авторы Чернухина Г.Н. и Каманина Р.В. раскрывают перспективы фулфилмента в логистике маркетплейсов, отмечая, что эффективными способами оптимизации издержек для компании являются автоматизация торговых процессов, технологии блокчейна и анализ больших данных для прогнозирования спроса и оптимизации запасов. Хорошунов А.А. в статье [14] (Khoroshunov, 2024) приводит сводку агрегированных показателей финансовой активности предприятий, связанных с легкой промышленностью на маркетплейсе WB и выделяет три составляющих фактора успешной торговли: размещение на онлайн торговых площадках, контракты на поставку товаров локального производства и оперативную адаптацию продавцов к внешним условиям в товарных группах. В исследовании индийских ученых Раджеша С., Ракеш Д., Шобиха В., Арулини К., Бхутани М., Пармар Д.В. [21] (Shivaramegowda et al., 2025) рассматривается повышение эффективности электронной коммерции с использованием методов оптимизации на основе моделей систематической оценки. Авторами предлагается комплексное решение, в котором технология блокчейн сочетается с компонентами искусственного интеллекта и машинного обучения (Machine Learning, ML) для повышения производительности системы. В статье [5] (Denisov et al., 2023) Денисов И.В., Цалковский В.Л. и Сураев Н.С. исследуют роль маркетплейсов в развитии рынка e-commerce, анализируя дальнейшие перспективы данного рыночного сегмента и акцентируя внимание на постоянную его адаптацию к рынку, применение IT-технологий, а также персональный подход к покупателям. Реализацией подобных адаптивных подходов занимаются электронные площадки, специализирующиеся на разработке программного обеспечения, в том числе веб- и мобильных приложений, платформ на основе искусственного интеллекта, решений по запросу и масштабируемых продуктов-клонов, например, Oyelabs Technologies [18] и ее аналоги: Capital Numbers, Trigma, TechWize, Suffescom Solutions Inc., Designli, Edvantis, Teravision Technologies [19]. В аналитическом исследовании [6] (Dubrovin et al., 2024) авторы Дубровин М.С. и Анисимов А.Ю. отмечают важность выбора маркетинговых инструментов, анализа ассортимента и маржинальности товаров. Статья [3] (Grigoryeva et al., 2023) группы исследователей, Григорьевой Н.Е., Григорьевой И.В., Даниловой Н.В., Ишиной А.Н., посвящена внедрению комплекса мероприятий по продвижению товаров на электронных площадках, который направлен на оптимизацию сайта маркетплейса с целью повышения его видимости в системах поисковой оптимизации (Search Engine Optimization, SEO) с учетом регулярного обновления карточек товаров и участия в акциях. Тришин А.А. [13] (Trishin, 2022) в своем исследовании дает характеристику математическим методам и моделям управления знаниями о товарах, в частности, он детально анализирует онтологические модели и архитектуру семантических сетей для облегчения поиска и рекомендаций товаров на различных торговых площадках. Группа разработчиков: Мифтахова А.И., Янгиров Э.И., Карасева Е.И., Янгиров А.И., Никулина Е.Ю., Дровникова И.Г. в [11] (Miftakhova et al., 2023) предлагает программно-техническое решение для выявления трендов спроса на товары. Данная разработка подчеркивает ценность анализа больших данных, распределенной обработки и методов машинного обучения для прогнозирования спроса. В статье Краснова Ф.В. [10] (Krasnov, 2023) раскрыты особенности текстового представления товаров с помощью моделей глубокого обучения (например, языковая модель, которая учитывает контекст окружающего слово предложения и генерирует различные эмбеддинги ML (т.е. трансформер-кодировщик) – Bidirectional Encoder Representations from Transformers, BERT), использование нейролингвистических моделей и метрик качества ранжирования (Normalized Discounted Cumulative Gain, NDCG) для повышения точности поиска.

Аналитический обзор позволил сделать следующие выводы – факторы успеха продавца на маркетплейсах включают: комплексное использование внутренних и внешних инструментов, автоматизацию торговых процессов, внедрение технологий блокчейн, глубокий анализ больших данных, персонализацию предложений, качественную поисковую оптимизацию, регулярные обновления карточек товаров, участие в акциях, создание эффективной архитектуры семантических сетей и точное представление характеристик товаров. Анализ публикаций по теме исследования показал, что пока в релевантных источниках не описаны факторы успеха продавца на маркетплейсе с точки зрения числовых метрик, которые можно получить в открытом доступе, что особенно подчеркивает научную новизну данной работы, в рамках которой был проведен корреляционный анализ метрик работы продавца на Wildberies, где в качестве результирующего фактора рассматривалась выручка продавца, а в качестве зависимых факторов иные метрики с платформы MPSTATS [17], представляющей собой бизнес-экосистему для селлеров на маркетплейсах.

МЕТОДЫ ИССЛЕДОВАНИЯ

Основные методы исследования включают анализ и обработку статистических данных, в частности расчет коэффициентов корреляции между важными показателями, такими как цена, рейтинг, наличие товара на складе, скорость доставки и другие. Особое внимание уделено разработке матрицы корреляций, которая демонстрирует силы взаимосвязей между выделенными параметрами. Как собираются данные: маркетплейсы в открытом доступе ежедневно выставляют информацию о карточках товаров: остатки на складах, цена, количество отзывов и продаж, данные о продавцах товаров. Программа ежедневно занимается веб-скрейпингом (то есть «парсит») эти данные по электронным торговым площадкам и заносит в свой регистр, на основании чего и проводиться вся аналитическая работа. Этот метод сбора информации во внешней аналитике получил название «парсинг», а программа, сервис или скрипт, который собирает данные с указанных веб-ресурсов, анализирует их и выдает в нужном формате – «парсер».

Сервис MPSTATS объединяет ключевые инструменты для контроля и масштабирования бизнеса на маркетплейсах: внешнюю аналитику, внутреннюю аналитику и SEO-инструменты. Внешняя аналитика помогает продавцу изучить ситуацию на маркетплейсе с разных ракурсов, например, оценить своих конкурентов, изучить рынок для выбора новой ниши, ознакомиться с трендами и многое другое. В таблице 1 представлен набор данных, предоставляемых электронной средой MPSTATS.

Таблица 1

Перечень позиций данных, предоставляемых электронной средой MPSTATS

На маркетплейсе все товары подразделены на подкатегории и категории, подкатегории товаров на маркетплейсе представляют из себя набор сущностей, описывающих функционал того или иного товара (например: «Телевизоры и аудиотехника / чехлы для наушников»). Кроме того, каждая из данных сущностей характеризуется определенным набором данных, MPSTATS позволяет собрать 32 различных типа данных для каждой сущности. Всего на маркетплейсе существует более 6818 сущностей и их число постоянно растет. Помимо указанных факторов, важно было учесть, что среда MPSTATS анализирует не только продажи, но и складские остатки, а объективная их оценка возможна только для сущностей тех товаров, которые работают по модели FBO (Fulfillment by Operator – выполнение работ оператором), при которой продавец поставляет товар на склад площадки и освобождается от последующего логистического сервиса, связанного с доставкой его до конечного потребителя [15] (Chernukhina et al., 2022). Все функции логистического сервиса (хранение, упаковка, доставка, обработка возвратов) берет на себя маркетплейс, следовательно, складские остатки, находящиеся на его складах подвержены жесткому учету. В связи с этим уточнением для анализа собирались данные только о сущностях с товарами, работающим по модели FBO.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Электронная среда MPSTATS, работая с пулом Big Data (больших данных), предоставляет сотни тысяч результатов их обработки по отслеживанию продаж и остатков товаров, анализу конкурентов и рыночных трендов, оптимизации карточек товаров для повышения видимости, управлению ценами и рекламными кампаниями. Учитывая столь огромный массив результирующих данных, для постановки числовых метрик было необходимо отобрать не более 10 типов кластеризованных агрегированных групп данных для более объективной оценки товарных сущностей и соответственно более грамотного выбора товарной ниши. Для решения поставленной задачи в маркетинге наиболее часто применяется методология корреляционного анализа, включающая следующий алгоритм последовательных действий:

- формирование базы данных для анализа;

- расчет коэффициентов корреляции;

- составление матрицы коэффициентов корреляции;

- определение связанных факторов;

- отбор факторов;

- логический анализ отобранных факторов.

В качестве зависимой переменной была выбрана выручка по товарной сущности, остальные данные были рассмотрены в качестве независимых переменных. В рамках расчетов были рассчитаны коэффициенты корреляции между независимыми переменными, а также между зависимой переменной и независимыми переменными. В случае если значение коэффициента корреляции было выше, чем 0,7, то принималось решение о явной связи данных параметров друг с другом (красный цветовой маркер на рисунках 1 и 2). Из двух подобных параметров отсеивался параметр, который оказывает наименьшее влияние на зависимую переменную, а именно тот параметр, у которого коэффициент корреляции с зависимой переменной ниже. Для облегчения процесса обработки данных все параметры были заменены на определенные индексы (результаты расчетов представлены в таблице 2).

Таблица 2

Индексы, присвоенные параметрам агрегированных баз данных, на основе результатов расчета коэффициентов корреляции

По результатам расчета коэффициентов корреляции была выстроена матрица коэффициентов корреляции (рис. 1).

Рисунок 1. Матрица коэффициентов корреляции факторов

Источник: составлено авторами.

На втором этапе расчетов из полученной матрицы коэффициентов корреляции были удалены сочетания факторов со значением коэффициента корреляции 0,7 и выше. В результате анализа было принято решение оставить параметры, учитывающие агрегированные базы данных, под номерами индексов: 3; 6; 13 (табл. 2), так как они имеют важный финансово-экономический смысл и их удаление из системы параметров агрегированных групп данных при выборе сущностей и ниш на маркетплейсе сделает анализ менее объективным. Параметр индекса под номером 16 был исключен из итогового списка, так как, по сути своей, дублирует параметр индекса под номером 20. В итоге обработки матрицы коэффициентов матрица приняла следующий вид (рис. 2).

Рисунок 2. Матрица коэффициентов корреляции отобранных факторов

Источник: составлено авторами.

В таблице 3 представлены оказывающие наибольшее влияние на выручку агрегированные группы данных, которые были выбраны в результате анализа.

Таблица 3

Агрегированные группы данных, отражающие числовые метрики фактора успеха продавца на маркетплейсе

По результатам проведенного исследования можно сделать следующие заключения в области приращения нового знания. Впервые были предложено оценить успешность ведения бизнеса на онлайн торговых площадках на основе числовых метрик, представленных в виде индексов, в которых зашифрованы параметры агрегированных данных, являющихся результирующими после статистической обработки исходных Big Data в электронной программной среде, основанной на машинном обучении. Для этого на первом этапе был проведен корреляционный анализ, в результате которого рассчитаны коэффициенты корреляции между разными параметрами товаров и их категориями. Этот анализ позволил выявить зависимости между такими факторами, как цена, рейтинг, наличие товара на складе, скорость доставки, и другими показателями, определяющими успешность продукта на маркетплейсе. На втором этапе была создана матрица коэффициентов корреляции, наглядно демонстрирующая силу связей между отдельными параметрами. Матрица позволила определить наиболее значимые факторы, влияющие на популярность и эффективность товара.

ЗАКЛЮЧЕНИЕ

Представленное исследование обладает не только элементом научной новизны применения инструментария машинного обучения при авторском подходе к оценке успешности ведения бизнеса на онлайн торговых площадках на основе числовых метрик, но и практической значимостью. Предложенный авторский подход может быть применим не только для конкретного объекта исследования (маркетплейса WB), он носит универсальный и транспарентный характер и может быть реализован на любой площадке электронной коммерции. Универсальность подхода обусловлена тем, что, с одной стороны, выделены параметры, оказывающие наибольшее влияние на выручку: товары с продажами, уровень продаж, информация о продавцах с подтвержденными продажами, максимальная и средняя цена товара, средний рейтинг и рейтинг MPSTATS, комиссия платформы, а также средний процент выкупа товаров пользователями. Эти параметры были выделены как ключевые индикаторы успешности товаров на платформе, таким образом, исследование позволило сформировать целостную картину факторов, определяющих коммерческий успех товаров на маркетплейсе WB, что служит основой для дальнейшего анализа и разработки эффективных мер по повышению продаж и оптимизации работы с товарами на данной платформе. C другой стороны, важным прикладным результатом авторского подхода является то, что составленный перечень ключевых параметров числовых метрик агрегированных баз данных, оказывающих значительное влияние на конечную выручку (товары с подтвержденными продажами, уровень активности продавцов, средняя и максимальная цена товара, рейтинги товаров и магазинов, коэффициент выкупа, комиссии платформы и другие факторы) может быть применим для анализа коммерческой успешности любого маркетплейса.