Как нейросеть для карточек товаров упрощает работу продюсера

Wildberries запустил новый инструмент «Анализ внимания» на базе машинного обучения. Теперь селлеры могут использовать встроенную нейросеть для карточек товаров. Она за 15 секунд прогнозирует их визуальную эффективность. Для меня, как продюсера, это важный сигнал. Один из крупнейших маркетплейсов страны переводит субъективное «мне нравится этот макет» на язык точных цифр и тепловых карт. Теперь доказать клиенту, что огромный текст поверх продукта мешает продажам, можно буквально в пару кликов.

Как ИИ прогнозирует поведение покупателя

В основе нового инструмента лежит модель машинного обучения. Она имитирует технологию движения взгляда. Нейросеть не следит за живыми пользователями через веб-камеру – разработчики обучили ее на огромных массивах данных о поведении людей. Алгоритм анализирует загруженную картинку и раскладывает ее на три составляющие. Они помогают оценить эффективность визуального контента.

Во-первых, тепловая карта. Она показывает, какие зоны картинки притягивают взгляд, а какие остаются «слепыми». Во-вторых, разбор заметности элементов. Сервис в процентах оценивает, какую долю внимания забирает сам товар, какую – плашки с текстом, а какую – инфографика. В-третьих, траектория взгляда. Система рисует вектор: куда человек посмотрит в первую секунду, куда во вторую и на каком элементе задержит фокус.

Конец бесконечных правок и экономия бюджетов

В моей практике согласование макетов и обложек – это классическая «черная дыра» для бюджетов и времени. Клиент хочет сделать логотип крупнее, дизайнер настаивает на минимализме, а аккаунт-директор пытается найти компромисс. В итоге получается перегруженный креатив и слитый бюджет на тесты в реальных рекламных кампаниях.

Интеграция такой нейросети в рабочий процесс решает эту проблему еще на этапе подготовки. Инструмент позволяет быстро прогнать три-четыре варианта обложки или превью для видео и сразу увидеть, какой дизайн оставляет продукт в фокусе. Пятнадцать секунд на анализ – и на руках появляются аргументы для клиента. Они подкреплены математической моделью маркетплейса, на котором он торгует. Это позволяет защищать креативные решения не эмоциями, а сухими данными.

Использование ИИ-анализа за пределами маркетплейсов

Wildberries создал этот инструмент для своих селлеров, но логика его работы применима шире. Продюсер может использовать аналогичный подход для оценки рекламных баннеров, заставок для видеороликов или обложек в соцсетях. Главная задача – понять, считывает ли зритель ключевое сообщение в первые секунды контакта с контентом.

Если главный герой на превью видео сливается с фоном, а надпись в углу никто не замечает, кликабельность упадет. Алгоритмы предсказания внимания помогают отсеять неудачные варианты оформления еще до публикации. Это снижает стоимость привлечения клиентов и повышает общую конверсию рекламных материалов.

Новые стандарты в цифровом производстве

Пока «Анализ внимания» работает в тестовом режиме для части продавцов в рамках подписки «Джем». Но тенденция понятна: маркетплейсы превращаются в технологические экосистемы со своими ИИ-инструментами. Ранее площадка уже запустила виртуальную примерку косметики, сравнение характеристик товаров и автосортировку отзывов.

Для меня это означает одно: требования к качеству контента растут, а время на его оценку сокращается. Клиенты будут чаще ждать от продюсеров не просто красивой картинки, а научно обоснованного дизайна. В тендерах победят те, кто научится использовать подобные ИИ-фильтры еще до отправки креатива заказчику.