Работа в тандеме: как нейросети помогают бизнесу создавать карточки для маркетплейсов
Поделиться • 3 марта 2025
Работа в тандеме: как нейросети помогают бизнесу создавать карточки для маркетплейсов
Работа в тандеме: как нейросети помогают бизнесу создавать карточки для маркетплейсов
Текст: Ольга Юдина, директор по стратегическому развитию Easy Commerce (технологический партнер Okkam)
Фото: Lisheng Chang/Unsplash
Маркетплейсы ранжируют товары по множеству факторов, и один из ключевых — текстовое наполнение карточки (на него приходится до 40% веса при ранжировании). Чем быстрее обновляется контент, тем больше растут продажи. Как сократить бюджет и сэкономить время при подготовке описаний товаров при помощи ИИ, объяснила «Инк.» директор по стратегическому развитию Easy Commerce Ольга Юдина на примере эксперимента для клиента.
Чтобы ускорить подготовку качественных описаний для маркетплейса, мы предложили клиенту эксперимент с участием нейросети. Часть текстов отдали в работу копирайтеру, часть — генерировали с помощью ИИ.
Нетривиальная задача
Клиент работает в категории Beauty на Wildberries, его товары решают специфические проблемы покупателя. Для рассказа о них требовалось внимательно следить за формулировками: юридический отдел клиента прислал список ограничений, которые мы должны были учесть при заполнении карточек.
Работу разделили на 4 ключевых этапа.
- Анализ. Изучили текущие описания товара, нашли слабые места и закономерности. После этого собрали ключевые слова для продвижения и распределили их по частотности.
- Разделение задач. Для эксперимента мы взяли описания 72 карточек. Половину текстов брал в работу копирайтер, вторую половину генерировал YandexGPT, а потом его черновики дорабатывал человек. Выбрали эту нейросеть, так как, в отличие от ChatGPT и других крупных зарубежных моделей, она обучалась на русскоязычных данных и лучше понимает промты на русском языке.
- Тестирование подходов. Искали способы сделать описания точными, разнообразными и релевантными.
- Внедрение. Новые описания загрузили на площадку. Чтобы понять, какие тексты работают лучше, сравнивали рост позиций в поисковой выдаче.
Несовершенства ИИ
На этапе подготовки промтов столкнулись с неожиданными сложностями.
- Игнорирование стоп-слов. Хотя подготовленный промт ограничивал использование определенных терминов, нейросеть все равно вставляла их в тексты. Пришлось добавить дополнительный этап проверки: «Найди стоп-слова в результатах генерации и предложи им замену».
- Галлюцинации нейросети. В некоторых текстах нейросеть выдавала за достоверные целиком придуманные характеристики товаров — приходилось тратить время на фактчекинг. Чтобы справиться с этой проблемой, мы экспериментировали с температурой промта — показателем, который влияет на консервативность/креативность при подборе слов. Оптимальная температура модели оказалась 0,6–0,8: выше — больше выдумок, ниже — однообразие.
- Проблемы с вариативностью и длиной текста. Как и человеку, нейросети оказалось сложно делать уникальные описания, которые при этом было бы интересно читать. Тексты для однотипных товаров выходили слишком похожими. А объем описаний было сложно контролировать: иногда система выдавала на 300 символов больше, чем ее просили, — приходилось сокращать.
После серии экспериментов оказалось, что ИИ лучше понимает формулировку задачи по объему текста в словах, а не в символах. Проблему одинаковых описаний для похожих товаров решали разные критерии тона и стиля текста, а также четко прописанная роль модели («Представь, что ты пишешь для…»).
В результате команда получила от GPT несколько десятков текстов удовлетворительного качества. Черновики отдали на доработку человеку: копирайтер перепроверил характеристики, учел все требования и ограничения от юридического отдела.
Результаты эксперимента
Почему подход оказался эффективным:
- позиции карточек в выдаче — сопоставимы. На протяжении всего эксперимента позиции карточек товара в выдаче измерялись с помощью инструмента CAT (Commerce Analytics Tool — система мониторинга метрик для онлайн-магазинов, — Прим. ред.). На старте, в момент имплементации, товары с текстами от копирайтера росли быстрее, но со временем позиции ИИ-карточек выросли. Спустя четыре месяца все оптимизированные товары в поисковой выдаче поднялись в среднем на 351 позицию и вышли на первую-вторую страницу выдачи;
- экономия времени. Но на старте эксперимента мало кто мог спрогнозировать необходимое время на доработку машинных текстов. Сначала мы пытались довести тексты до идеала, уточняя промт. Позже поняли, что для нужного качества описаний тексты все равно должен редактировать копирайтер, а нейросеть пусть собирает для него черновики. В нашем кейсе такой подход ускорил работу на 55% по сравнению с текстами, которые «с нуля» писал человек;
- экономия бюджета. В кейсе этого клиента генерация текста в связке ИИ + копирайтер (с учетом работы инженеров по доработке промта) оказалась на 32,5% дешевле, чем если бы копирайтер писал тексты для всех 72 карточек товаров с нуля.
Работа над кейсом позволила сделать два важных вывода:
1. Метод подходит для массового написания. Хотя связка ИИ и копирайтера в кейсе клиента оказалась дешевле и быстрее, нужно обратить внимание на важный нюанс. Наш клиент работает только в категории Beauty. Мы сэкономили время только потому, что готовили описания из одной категории.
Если бы категории были разными, нейросеть приходилось бы каждый раз обучать заново. А это дополнительные затраты. Наш эксперимент показал, что ИИ выгодно использовать, только если требуется генерить описания для 10 и более похожих товаров.
2. Нужно работать в тандеме. GPT помогает быстро собрать черновик, но без копирайтера адекватного текста не получается. Оптимальный процесс выглядит так: ИИ генерирует — человек редактирует, учитывает рекомендации юристов.
Пока ИИ не может полностью заменить копирайтера для заполнения карточек товаров на маркетплейсах. Но GPT заметно ускоряет работу, снимает с человека часть рутинных операций: освобождает его время на проверку нюансов, которые пока не способна учесть нейросеть.
