ИИ модуль для автоматизации обновления цен на ювелирные изделия в Shopify

Клиент — премиальный ювелирный бренд с собственным производством, представленный на нескольких онлайн-площадках и у партнерских ритейлеров. В ассортименте клиента тысячи изделий: кольца, серьги, подвески с большим количеством вариаций по металлам, цветам золота и размерам.

Продукция относится к высокому ценовому сегменту, поэтому корректное ценообразование напрямую влияет на продажи и маржинальность.

Клиент обратился к нам, имея полностью ручной процесс обновления цен на онлайн площадках. Менеджер открывал сайты поставщиков, искал соответствующие товары, сравнивал цены с базой актуальных цен и вручную вносил изменения.

Этот процесс включал в себя:

• поиск товаров на сайтах партнеров
• сопоставление с каталогом Shopify
• проверку цен по вариантам
• ручное обновление

При большом количестве позиций это занимало часы и требовало высокой концентрации. Но ошибки все равно случались.

Кроме того, бизнесу было важно быстрее реагировать на рынок. Некоторые изделия перестают продаваться по текущей цене, и даже небольшое снижение цены может резко повысить спрос. Проверять такие гипотезы вручную было слишком долго. Также было важно следить за изменением цен на драгоценные металлы.

В итоге клиенту было важно:

• сократить время на обновление цен
• снизить зависимость от ручного труда
• быстрее тестировать ценовые гипотезы
• быстрее реагировать на изменение цен на металлы

Ключевые сложности были связаны с разнородностью данных и вариативностью товаров.

Основные проблемы:

• разные форматы данных карточек товаров
• несовпадение SKU
• неконсистентные названия (например, “14k yellow gold” и “14k”)
• большое количество вариаций

Также один и тот же товар мог быть визуально представлен по-разному на разных сайтах, что усложняло сопоставление. Это направление развития проекта в будущем.

Эти задачи сложно решить классическими методами. Использование LLM позволило гибко обрабатывать данные и приводить их к единому виду без жестких правил.

Мы разработали систему, которая автоматизирует сбор и подготовку данных для обновления цен, при этом оставляя финальное решение за пользователем.

Система проходит по сайтам партнеров и собирает информацию о товарах:

• цены
• варианты (цвет, металл)
• описания
• дополнительные параметры

Парсинг данных

Основная сложность заключалась в том, что каждый сайт имеет свою структуру и формат данных. Даже базовые параметры, такие как артикул, могли называться по-разному (SKU и Style).

Чтобы решить эту проблему, мы использовали LLM Gemini, которая:

• извлекает ключевые характеристики
• приводит данные к единому формату
• устраняет различия в названиях

Это позволило создать унифицированную базу данных независимо от источника.

Сопоставление товаров

После нормализации данных система сопоставляет товары между каталогом клиента и сайтами поставщиков.

Используется комбинированный подход:

• сопоставление по артикулу (SKU) — первично
• сравнение текстовых описаний — вторично

Если товар не удается сопоставить автоматически, он помечается для ручной проверки.

Работа с вариациями

Отдельной задачей была обработка вариаций. Один и тот же продукт может иметь несколько комбинаций по цвету и металлу, а также по размерам изделия.

Поэтому система:

• собирает цены по всем вариантам
• нормализует их

Это позволяет избежать перекосов в ценообразовании и ошибок.

Результат для пользователя

Пользователь запускает процесс вручную и получает готовый отчет в виде Excel или CSV файла.

В отчете:

• показаны актуальные цены
• выделены изменения

Менеджеру больше не нужно искать товары вручную на сайтах — работа ведется с готовыми данными, и изменения применяются точечно.

Внедрение ИИ-модуля значительно упростило процесс работы с ценами.

• время обновления сократилось с 6–8 часов до 20–30 минут
• до 80–90% операций менеджера автоматизировано
• существенно снижено количество ошибок
• обновления можно делать в день изменения цен

Менеджер больше не тратит время на поиск и сопоставление товаров — вся информация уже подготовлена и структурирована.

Клиент получил возможность быстрее реагировать на изменения спроса, тестировать ценовые и маркетинговые гипотезы, а также управлять “зависшими” товарами через корректировку цены.