Дима Пронин
Все кейсы
IN-HOUSECORE TEAM
SPLAT Global·Сентябрь 2021 — Май 2023 (1 год 9 месяцев)

SPLAT Global: Junior E-commerce Specialist

E-commerceFMCG / RetailМаркетплейсы
2. Исходная ситуация и бизнес-проблема

Тысячи отзывов и вопросов покупателей на маркетплейсах требовали ручной обработки, а поиск нерентабельных SKU в ассортименте затягивался из-за разрозненных выгрузок.

3. Задача Димы

Построить сквозные отчеты продаж по маркетплейсам и автоматизировать обработку обратной связи от покупателей.

4. Что сделал по шагам
1

Разработал Python-парсер для автоматического сбора и мониторинга отзывов и вопросов на маркетплейсах.

2

Настроил сквозные отчёты по продажам на маркетплейсах (в т.ч. логика WB/Ozon для CIS-контуров).

3

Оцифровал нерентабельные SKU и подготовил правки в юнит-экономику товарной линейки.

4

Настроил базовые цели и теги в Яндекс.Метрике и Google Analytics под внешний контекст.

5. Применение ИИ / автоматизации

Python-скрипты для парсинга и сортировки обратной связи покупателей, передаваемой напрямую продуктовой команде.

6. Выстроенные процессы

Автоматизированный сбор клиентского фидбека и регулярный аудит нерентабельных товарных позиций на маркетплейсах.

7. Ускорение и масштабирование

Обработка обратной связи продуктовой командой ускорилась примерно в 2–3 раза.

8. Где сэкономил ресурсы / снизил потребность в найме

Устранена ручная рутина сбора отзывов и ручного составления таблиц продаж по сотням артикулов.

9. Ownership внутри компании

Аналитика каналов маркетплейсов, разработка скриптов парсинга и сведение отчётности.

10. Измеримый результат (зафиксированные метрики проекта):
в 2–3 раза быстрее
Скорость обработки фидбека
благодаря Python-парсеру отзывов и вопросов для продуктовой команды
Оцифровано
Оптимизация SKU
выявление нерентабельных артикулов и правки юнит-экономики
11. Совмещение функций («один вместо двух»)

Специалист сам автоматизировал сбор данных через Python, сняв рутину с аналитиков.

12. Доказательство оффера автоматизатора бизнеса

Применение Python для парсинга клиентского фидбека в 2–3 раза ускоряет реакцию продуктовой команды и устраняет ручной разбор отзывов.

Обсудить аналогичную задачу в вашей команде

Посмотрим на текущие цепочки задач и наметим план автоматизации