Как MPSTATS помог «Альпине» навести порядок в дистрибуции

Цифровой щит для издательства

Издательская группа «Альпина» — один из лидеров российского книжного рынка — столкнулась с системными нарушениями РРЦ со стороны дистрибьюторов. С появлением маркетплейсов проблема усугубилась. 

Стало ясно одно — ручной мониторинг неэффективен и отнимает слишком много финансовых и трудовых ресурсов. Нужно было простое и понятное решение: без ручного сбора, с быстрой проверкой нарушений и прозрачной работой с партнерами. Для реализации этой задачи «Альпина» обратилась в MPSTATS DATA.

Декомпозиция задачи

MPSTATS DATA разбил проект на этапы, чтобы обеспечить плавное внедрение.

1 этап. Анализ и проектирование

Разработчики MPSTATS Data начали работу с инвентаризации ассортимента «Альпины». Ключом к систематизации стал ISBN — международный идентификатор, присваиваемый каждой книге. В отличие от SKU, он остается неизменным независимо от продавца или партии.

Далее были определены критерии для выявления нарушений: пороговые значения отклонения от РРЦ (например, демпинг выше 15%) и отсортировка акционных товаров для исключения ложных срабатываний. 

2 этап. Разработка системы мониторинга

На основе ISBN было создано фронтовое решение, с помощью которого можно в реальном времени отслеживать все предложения по конкретной книге и сразу видеть отклонения от рекомендованных цен.

В программе были реализованы следующие функции:

• Единая база товаров. Интеграция с API Wildberries и Ozon позволила ежечасно мониторить товары «Альпины» и конкурентов по ISBN и автоматически распознавать аналоги.  

• Визуализация нарушений. Цветом были выделены товары конкурентов, которые нарушают РРЦ «Альпины» — занижают цену. Например, так система выявила продавца, который продавал книгу за 3 239 ₽ при РРЦ 4 490 ₽.

• Загрузка файла со списком нарушителей. Программа позволила отфильтровать нарушителей для оперативной отправки сообщений.

3 этап. Пилотное тестирование

Перед внедрением проекта в работу было запущено пилотное тестирование тысячи книг. Это позволило оценить стабильность алгоритма и выявить слабые места в логике ценового мониторинга.

Результаты показали: около 30% товаров отображались с неактуальной ценой. Отдельное внимание привлекли 7% случаев, в которых система не зафиксировала нарушения из-за некорректно указанных ISBN у реселлеров — они либо отсутствовали, либо были заменены на внутренние артикулы.

Для повышения точности были внесены доработки — внедрен ручной аудит 5% выборки. Это позволило откалибровать работу алгоритма, сравнивая автоматические метки с экспертной оценкой. Тестировщики добавили отслеживаемые товары в расширенный парсинг, чтобы система могла собирать самые свежие данные, включая динамику цен в краткосрочном периоде.

Благодаря пилоту стало ясно, какие технические нюансы нужно учитывать при масштабировании — в частности, работу с нестандартными идентификаторами и необходимость гибкой настройки под разные форматы карточек товара у реселлеров.

Какие трудности возникли в процессе — и как мы с ними справились

В определенный момент Wildberries перестал показывать ISBN в карточках, и был потерян основной идентификатор, на котором строилась логика мониторинга.

Разработчики оперативно адаптировали систему:

• начали сравнивать карточки WB с аналогичными на Ozon по названию, обложке и цене;
• внедрили алгоритм сопоставления по ключевым полям: автор, издательство, количество страниц и т.д.;
• провели ручную валидацию и обновили внутреннюю базу, чтобы избежать потерь точности.