Как автоматизировать работу на маркетплейсах и повысить CTR карточек до 2,7%

iFutureArt — производитель картин по номерам и поставщик для продавцов в нише DIY. Команда активно развивает продажи на Wildberries, Ozon и других маркетплейсах. Фокусные задачи — повышение CTR карточек товаров, продвижение и работа с отзывами.

Контекст: перегретость ниши товаров для творчества

iFutureArt работает в категории товаров для творчества — продает картины по номерам на маркетплейсах и помогает другим продавцам выйти в нишу. Это визуально ориентированный сегмент с высокой конкуренцией: решение о покупке принимается эмоционально, а даже небольшие ошибки в контенте снижают видимость и продажи.

Команда стремилась не просто оформлять карточки, а управлять ими системно: тестировать визуал, отслеживать влияние описаний, быстро адаптироваться под изменения условий площадок. Но все процессы были ручными — это тормозило развитие.

Как работали с карточками товаров до AI До автоматизации команда решала все вручную: тестировала изображения, переписывала описания, обрабатывала отзывы. Уходило слишком много времени:

A/B-тест одного фото — несколько дней наблюдений Составление описания — до 3 часов Ответы на отзывы — до 4 часов ежедневно

Рынок при этом не ждет. Алгоритмы маркетплейсов меняются, комиссии и условия доставки пересматриваются. Продавцам нужно принимать решения быстро и на основе данных — иначе теряется конкурентное преимущество.

Как изменился подход с внедрением GenAI

Чтобы ускорить работу и снять ручную нагрузку, команда iFutureArt внедрила в работу сервис SellerDen AI, который включает набор AI-инструментов для селлеров.Цель — не просто автоматизировать отдельные действия, а выстроить устойчивый процесс управления карточками: от визуала и описаний до отзывов и анализа новых ниш. Все инструменты работают внутри единой системы и дополняют друг друга.

Что получилось автоматизировать:

A/B-тесты обложек товара Первым шагом стала автоматизация A/B-тестирования изображений — ключевого элемента карточки. Ранее такие тесты проводились вручную: команда загружала варианты, отслеживала статистику, делала выводы по CTR.

Сейчас:

• Загружается до 5 вариантов фото.
• Система анализирует композицию, фокус, освещенность, контраст.
• Учитываются технические требования площадки (фон, расположение объекта, визуальный шум).
• Прогнозируется CTR на основе исторических данных.

Модель обучена на карточках с высокой конверсией и предлагает наиболее кликабельный вариант.

A/B-тестирование с помощью обученной модели позволило выбрать лучшее изображение: CTR вырос до 2,7%.

Генерация SEO-описаний

Следующим этапом автоматизировали создание описаний. Раньше текст писался вручную: подбор ключей, структура, адаптация под площадку. Теперь процесс выглядит так:

• Короткий бриф (название, характеристики, категория) передается в систему.
• Модель генерирует текст с учетом ключевых слов и требований маркетплейса.
• Проверяется длина, читаемость, уникальность, стиль.
• Описание адаптируется под тональность бренда и товарную категорию.

В результате время на оформление одной карточки сократилось с нескольких часов до нескольких минут, а качество текстов стало стабильным и соответствующим стандартам площадок.

Автоматические ответы на отзывы

Категория требует постоянного взаимодействия с покупателями. До автоматизации менеджеры тратили до 4 часов в день на ответы. После внедрения автоответов:

• Система определяет тональность отзыва (позитив, нейтрал, негатив).
• Извлекает суть обращения (доставка, упаковка, качество).
• Формирует ответ в подходящей стилистике.
• Предлагает менеджеру вариант, который можно сразу отправить или доработать.

Модель обучена на тысячах диалогов и учитывает эмоциональный фон, избегая шаблонности. Это позволило не только сэкономить время, но и повысить качество взаимодействия с клиентами. Генерация ответов на отзывы с помощью LLM позволила сократить 4 часа ручной работы менеджера.

Замена и генерация фона и видео по фото

Раньше базовые визуалы редактировались вручную или передавались дизайнерам. Теперь фоны обрабатываются автоматически:


• Система выделяет объект (semantic segmentation).
• Подбирает студийный фон с учетом формы, цвета, светотени.
• Проверяет соответствие визуала техническим требованиям площадки.

Модель ориентируется на визуальные паттерны карточек с высоким CTR и помогает избежать типовых ошибок (лишние предметы, шум, неверный центр). А использование инструмента «Генератор видео по фото» позволяет создавать rich-контент, оживляя картины по номерам.

Фича с генерацией фона позволила отказаться от услуг дизайна и экономить до 500 рублей на изображение.

Анализ новых ниш

Также команда использует инструмент для подбора товарных направлений. Он анализирует динамику спроса, насыщенность предложения, сезонность, долю новичков в категории. На основе этих данных формируется список перспективных ниш. Это ускоряет запуск новых товаров и снижает риск выхода в перенасыщенную категорию.

Итоги: ускорение запуска карточек и повышение CTR После автоматизации iFutureArt** сократила рутинные задачи на 4 часа в день, ускорила запуск карточек в 5–6 раз и повысила CTR на 2,7%** уже с первого A/B-теста. Вместо ручной работы — стабильный процесс, где большинство решений принимается на основе данных. Это дало команде не только экономию времени и бюджета, но и гибкость в условиях быстро меняющегося рынка.