Нейросеть советует товар, а покупка уходит на маркетплейс: как автор предлагает это исп...
Нейросеть советует товар, а покупка уходит на маркетплейс: как автор предлагает это исправить Автор, занимающийся GEO-продвижением — работой над тем, чтобы бизнес чаще попадал в ответы нейросетей, — разбирает проблему интернет-магазинов. На примере кофемашины De'Longhi за 99 900 рублей против 94 900 на маркетплейсе он показывает: даже если ChatGPT или Алиса порекомендуют нужную модель, покупатель найдёт тот же товар на 5% дешевле и купит не у вас. Рекомендация товара ещё не значит, что деньги получит ваш магазин. Проблема острая именно в России: по данным Data Insight, в 2025 году маркетплейсы забрали 81% всех заказов интернет-торговли и 62% её денежного объёма. Поэтому, по словам автора, если продвижение заканчивается рекомендацией конкретной модели, магазин фактически работает на Ozon, Wildberries или Яндекс Маркет. Его решение — продвигать не только товар, но и критерии выбора продавца. Пользователь спрашивает «какую кофемашину выбрать», но не спрашивает «у кого покупать». Задача — чтобы нейросеть сама добавила в ответ: сравнивайте не только цену, но и гарантию, сервис и помощь после покупки. Только потом эта система критериев связывается с конкретным магазином, если для связи есть реальные факты. Механика зависит от модели. «Сильные» модели (старшие ChatGPT, Claude, Gemini) способны сами собрать связь из нескольких независимых источников. «Слабым» — быстрым сервисам вроде Алисы AI, которая, по словам автора, опирается на страницы из топа поиска Яндекса, — нужен готовый фрагмент: один документ, где вывод «сервис важен, магазин N даёт настройку и дополнительную гарантию» уже сформулирован целиком. Важные связи должны существовать в интернете максимум за один смысловой переход. Практические шаги: создать на сайте «сценарные» страницы под реальные запросы людей («кофемашина для капучино, которую легко мыть»), а не только фильтры по характеристикам; следить в Яндекс Вебмастере, какие страницы Алиса реально использует как источники; публиковать подтверждения услуги в независимых местах — у производителя, в обзорах, отзывах — потому что собственное заявление магазина слабое доказательство. Товары на страницах должны быть видны роботам и передаваться структурированными данными с ценой и наличием. Отдельный путь — эксклюзивная модель бренда, которую можно купить только у вас: тогда рекомендация товара автоматически становится рекомендацией магазина. Но новый артикул сначала «невидим» для нейросети, и связь с известной линейкой бренда нужно явно прописать на сайтах и в обзорах. Автор честно называет границу метода: если у магазина нет реальных преимуществ — та же гарантия, нет допуслуг, доставка дольше — публикации ничего не решат. Нейросеть, советующая более дешёвый вариант на Ozon, ведёт себя последовательно. Сначала бизнес должен создать преимущество, и только потом продвигать его в нейросетях. Как измерять: автор предлагает не только частоту упоминаний бренда, но и пять метрик — от доли ответов, где нейросеть сама называет критерии продавца, до того, сохраняется ли рекомендация при известной более низкой цене. Проверка простая: взять 20–30 контрольных запросов, где человек не упоминает сервис, и посчитать, сколько ответов сами заговорят о гарантии и обслуживании — до работ и после. Плюс эксперимент с ценовой премией: при каком разрыве в цене (95 000 против 100 000, 90 000 против 100 000) сервисное преимущество перестаёт влиять на ответ нейросети. Автор подчёркивает: это не измерение готовности реальных покупателей переплачивать. Цифр реального внедрения и эффекта в статье нет — это разбор подхода, а не кейс с результатом. Источник: https://habr.com/ru/articles/1087822/