Можно ли доверять данным? Работа на маркетплейсах

2026-02-04 07:03 Trendwatching

Ограничения доступа к данным на маркетплесах и их влияние на селлеров.

Ограничения доступа к данным ввели несколько крупных маркетплейсов, включая Wildberries, Ozon и Яндекс Маркет. Эти изменения касались преимущественно внешних аналитических сервисов и были связаны с защитой конфиденциальности данных селлеров и борьбой с недобросовестной конкуренцией. /источник 6 2/

Wildberries

В сентябре 2025 года Wildberries ограничил доступ сторонних сервисов к следующим данным:

Остатки товаров на складах. Для всех позиций в публичном доступе стало отображаться не более 100 единиц, что затруднило оценку реальных запасов конкурентов./источник 6 2/
Рекламные ставки. Полностью закрыт доступ к информации о стоимости продвижения. /источник 6 2/
Данные о продажах конкурентов. Селлеры больше не могли видеть актуальные показатели по другим продавцам. /источник 6 4/

Доступ к собственным данным (продажи, остатки, реклама) остался только через личный кабинет или официальный API с персональным токеном. /источник1 6/

Причина: маркетплейс объяснил это многочисленными жалобами селлеров на использование их данных конкурентами, что приводило к недобросовестной конкуренции и нарушению конфиденциальности. /источник 6 2/

Ozon и Яндекс Маркет

По данным на 2025 год, аналогичные ограничения уже действовали на этих площадках. Гендиректор «Infoline-Аналитики» Михаил Бурмистров отмечал, что защита от сбора данных конкурентов — практика, которой давно придерживаются Ozon и Яндекс Маркет. Однако конкретные детали ограничений для этих маркетплейсов в открытых источниках не раскрываются. /источник 2/

Развитие собственных аналитических сервисов маркетплейсами

Да, маркетплейсы активно развивают собственные инструменты аналитики для селлеров. Например, Wildberries внедрил сервис «Джем» внутри кабинета продавца. Он предлагает набор внутренних отчётов для отслеживания текущих показателей: продаж, выкупов, остатков и рекламных кампаний по собственным товарам. Есть предположения, что в будущем маркетплейс может монетизировать доступ к расширенным данным через этот сервис или другие инструменты. /источник 3 2 5/

Некоторые особенности встроенной аналитики:

доступна только по собственным товарам, данные о конкурентах и нише недоступны;
глубина исторических данных ограничена;
иногда возникает погрешность в данных (по некоторым оценкам, до 20–25%). / источник 3/

Ozon и Яндекс Маркет также предоставляют базовые аналитические инструменты в личных кабинетах селлеров, хотя детали их развития в открытых источниках упоминаются реже.

Персонализированные рекомендации для покупателей — это технология, которая адаптирует предложения товаров под интересы, предпочтения и поведение конкретного пользователя. Алгоритмы анализируют данные о предыдущих покупках, просмотрах, поисковых запросах, времени активности, геолокации и других параметрах, чтобы предложить наиболее релевантные товары. На маркетплейсах, таких как Wildberries, Ozon, Яндекс Маркет, эта технология стала ключевым инструментом повышения конверсии, среднего чека и лояльности клиентов. /источник 2 3 4 5/

Одна из причин ограничений доступа к данным конкурентов, помимо борьбы за качество продукта и против товаров-клонов – это последствия сбора персонализированных данных, которые позволяют настраивать персонализированные рекомендации для покупателей. Это что-то вроде ленты в фейсбуке – вам выводится контент, который в теории должен вас заинтересовать и задержать на площадке. У маркетплейсев очень схожая задача. За этим они стараются улучшить опыт покупателя на маркетплейсе, сделать его не просто функциональным "зашел-купил-вышел", но еще и рекреационно-полезным "посмотреть-почитать". Именно сбор и хранение персонализированных данных о просмотрах, покупках и времени, проведенном в карточке того или иного продукта, заставляет маркетплейсы надежнее защищать свои данные, ведь это теперь регулируется законом.

Как работают персонализированные рекомендации

Основные принципы работы:

Анализ поведения пользователя. Алгоритмы учитывают историю просмотров, покупок, добавлений в корзину или избранное, поисковые запросы, время, проведённое на страницах товаров. / источник 3 5 13/
Использование машинного обучения и нейросетей. Модели предсказывают, какие товары могут заинтересовать пользователя, на основе выявленных паттернов. /источник 2 3 5/
Учёт дополнительных данных. В расчёт могут включаться геолокация, устройство, с которого осуществляется доступ, размер одежды, любимые бренды и другие параметры. /источник 5/
Динамическая адаптация. Рекомендации обновляются в реальном времени при изменении поведения пользователя. /источник 11/

Типы персонализированных рекомендаций:

Похожие товары. Позиции, которые напоминают уже просмотренные или купленные. /источник 12/
Сопутствующие товары. Товары, которые обычно покупают вместе с выбранным (например, к обуви — средства для ухода). 12
Просмотренные товары. Позиции, которые пользователь видел, но не купил. /источник 12/
Индивидуальные предложения. Рекомендации, основанные на комплексной оценке предпочтений и истории покупок. /источник 12/

Связь с ограничением доступа к данным

Внедрение персонализированных рекомендаций и ограничение доступа к данным для внешних сервисов часто связаны, но не всегда совпадают по времени внедрения. Эти изменения могут быть частью общей стратегии развития маркетплейса, направленной на усиление контроля над пользовательским опытом и данными.

Почему возникает связь:

Защита данных пользователей. Персонализация требует обработки больших объёмов личных данных (история покупок, просмотры, геолокация и т. д.). Ограничение доступа к этим данным для внешних сервисов помогает соблюдать законы о конфиденциальности и предотвращать их несанкционированное использование. /источник 2/
Контроль над пользовательским опытом. Маркетплейсы стремятся сделать взаимодействие с платформой более удобным и предсказуемым для покупателя. Персонализация позволяет предлагать релевантные товары, а ограничение доступа к данным — избежать ситуаций, когда внешние сервисы используют эти данные не в интересах пользователя или маркетплейса.
Оптимизация внутренних ресурсов. Сосредоточившись на собственных алгоритмах персонализации, маркетплейсы могут эффективнее использовать вычислительные ресурсы и данные, не распыляя их на сторонние сервисы. /источник 2/

Совпадение по времени внедрения может быть не случайным, а частью комплексной стратегии. Например, маркетплейс может решить усилить персонализацию, чтобы повысить лояльность пользователей и конверсию, а одновременно ограничить доступ к данным, чтобы защитить их и укрепить контроль над платформой. Однако технически эти изменения могут внедряться в разное время.

Преимущества и риски персонализации

Преимущества для маркетплейсов:

рост конверсии и среднего чека; /источник 3 11/
повышение лояльности клиентов за счёт релевантных предложений; /источник 3 4/
оптимизация рекламных бюджетов и повышение ROI; /источник 2/
возможность динамического ценообразования и индивидуальных акций. /источник 2/

Риски и вызовы:

необходимость больших объёмов качественных данных; /источник 2/
сложность интеграции технологий и потребность в специалистах по машинному обучению;
этические и правовые вопросы обработки персональных данных; /источник 2/
риск раздражения пользователей при нерелевантных рекомендациях.

Таким образом, персонализированные рекомендации и ограничение доступа к данным — части единой стратегии развития маркетплейсов, направленной на усиление контроля над пользовательским опытом, защиту данных и повышение эффективности бизнеса. Хотя эти изменения могут внедряться в разное время, их взаимосвязь обусловлена общими целями платформы.

Ограничение доступа к внешним данным и развитие персонализированных рекомендаций для покупателей существенно влияют на селлеров. Эти изменения меняют подходы к анализу рынка, стратегическому планированию и взаимодействию с маркетплейсом. Адаптация зависит от опыта, ресурсов и бизнес-модели продавца. /источник 1 14 4/

Влияние на селлеров

Сложности с анализом рынка и конкурентов. Селлеры лишаются доступа к данным о продажах, остатках, рекламных ставках и позициях конкурентов. Это затрудняет оценку ёмкости ниш, уровня конкуренции, динамики цен и потенциальной маржинальности. Без этих данных сложнее прогнозировать спрос, планировать закупки и корректировать ценовую стратегию. /источник 1 2 15/
Акцент на внутренней аналитике. Продавцы вынуждены полагаться на данные из личного кабинета маркетплейса или официального API. Однако внутренняя аналитика часто ограничена: она предоставляет информацию только по собственным продажам, остаткам и рекламе, но не даёт данных о конкурентах, долях рынка или сезонных трендах. Это ограничивает возможности для стратегических решений, например, выхода в новую нишу или расширения ассортимента. /источник 1/
Рост значимости качества продукта и сервиса. В условиях ограниченного доступа к данным успех теперь больше зависит от качества товара, уровня обслуживания клиентов и лояльности покупателей, а не от слепого копирования успешных товаров или демпинга. /источник 4 5/
Увеличение роли контента и SEO. Персонализированные рекомендации для покупателей усиливают влияние качества карточек товаров, ключевых слов и визуального контента. Селлерам необходимо уделять больше внимания оптимизации карточек, созданию привлекательного контента и работе с отзывами. /источник 11 5/
Смещение фокуса на операционную эффективность. Стратегия продаж смещается от масштабирования к контролю оборота. Важнее становится unit-экономика (расчёт маржи по каждому SKU), конверсия карточки, точечное продвижение и финансовый учёт. /источник 1/
Риск увеличения ошибок. В краткосрочной перспективе у селлеров, которые полагались на внешнюю аналитику, возможны ошибки в оценке спроса и цен, что приведёт к замедлению продаж, накоплению складских остатков и снижению маржи. /источник 1/

Кто сложнее адаптируется

Новички и малые селлеры. У них часто нет ресурсов для глубокого изучения внутренней аналитики, внедрения BI-систем или развития внутренней экспертизы. Они могли строить бизнес на основе готовых решений сторонних сервисов. /источник 1 5/
Селлеры, ориентированные на копирование успешных товаров. Ранее они могли быстро находить перспективные позиции через парсинг данных и копировать их. Теперь эта стратегия становится менее эффективной./источник 4 5/
Продавцы в высококонкурентных нишах. В таких категориях любое неверное решение быстро отражается на маржинальности. Ограниченный доступ к данным усложняет принятие решений. 1
Селлеры, не уделявшие внимания качеству продукта и сервиса. В новых условиях акцент смещается на эти факторы, и те, кто игнорировал их ранее, могут потерять позиции. /источник 4 5 /

Кто легче адаптируется

Опытным селлерам с развитой внутренней аналитикой. Они уже использовали собственные данные и имели ресурсы для анализа. Многие из них сохранили возможность работать через личный кабинет или API маркетплейса. /источник 1 4 /
Брендовым продавцам. Те, кто развивает собственный бренд и фокусируется на качестве продукта, лояльности клиентов и уникальности предложения, оказываются в более выгодном положении. /источник 4/
Селлерам, активно использующим инструменты маркетплейса. Например, на Wildberries есть подписка «Джем», которая предоставляет дополнительные аналитические возможности, включая A/B-тесты, доступ к сервисам «Воронка продаж», «Портрет покупателя» и другим инструментам. /источник 4/
Тем, кто готов к экспериментам. Селлеры, готовые тестировать гипотезы (небольшие партии, A/B-тесты цены и контента), могут быстрее найти рабочие модели в новых условиях. /источник 1/