Анализ ниши маркетплейса с ChatGPT: что отдавать нейросети и как проверять ответ

Вы спросили нейросеть, сколько зарабатывает ниша органайзеров на Wildberries, и получили уверенный ответ с цифрой. Проверить цифру нечем, а решение о закупке на сотни тысяч рублей хочется принять на чём-то твёрдом. Разберём, где ChatGPT в анализе ниши на маркетплейсе экономит часы, а где выдаёт догадку за факт.

Коротко

ChatGPT не знает вашу нишу: он не видит витрину сегодня, ваш кабинет и чужие продажи. Любая цифра рынка без ваших данных это угадывание. Модели учатся так, что угадать для них выгоднее, чем сказать «не знаю». В тестах на факты они ошибаются часто.

Рабочая схема из трёх шагов. Сначала вы сами собираете выборку из 15⁠–⁠20 карточек: цена, отзывы на две даты, продавец. Потом отдаёте таблицу модели вместе с формулами и просите расчёт с кодом. В конце проверяете ответ тремя контрольными суммами и сверкой на 30 строках.

Если в 30 проверенных строках нет ни одной ошибки, доля ошибок в остальном ответе с вероятностью 95% не выше 10%. Если ошибок больше трёх, ответу не доверяйте.

Что нейросеть знает и не знает о вашей нише

Нейросеть знает общие вещи: что такое ёмкость, медиана, юнит-экономика, как устроена воронка. Она хорошо пишет формулы, группирует текст и считает по таблице, которую вы ей дали. Свежих цифр конкретной ниши у неё нет.

ChatGPT не открывает ваш кабинет продавца и не видит, сколько продала соседняя карточка вчера. Если вы просите «ёмкость ниши органайзеров на ВБ», модель выдаёт число, которое звучит правдоподобно. Источника у этого числа нет.

Почему модель не отвечает «не знаю», объяснили сами разработчики ChatGPT. В материале OpenAI от 5 сентября 2025 года сказано, что обычное обучение и оценка моделей вознаграждают угадывание, а не признание неуверенности.

В том же материале приведён тест SimpleQA на фактические вопросы. Модель o4-mini ошиблась в 75% ответов. Модель gpt-5-thinking-mini ошиблась в 26%, зато в 52% случаев отказалась отвечать. Доля верных ответов у обеих была около четверти.

Для селлера вывод один: спрашивайте у нейросети расчёт по вашим данным, а не факты о рынке. Факт без источника в ответе модели стоит столько же, сколько слух на форуме.

ChatGPT: анализ ниши на маркетплейсе в три шага

Анализ ниши с нейросетью состоит из трёх шагов, и только средний делает модель. Первый и третий остаются за вами, иначе результат нельзя проверить.

1. Соберите выборку из витрины: 15⁠–⁠20 карточек по одному запросу, с ценой и отзывами на две даты.
2. Отдайте модели таблицу файлом, формулы словами и формат ответа. Попросите посчитать и показать код.
3. Проверьте три контрольные суммы и сверьте 30 строк вручную.

Метрики ниши берите из статьи метрики и пороги для анализа ниши. Там же пороги, с которыми сравнивать результат: например, меньше 5 продавцов с продажами из 15⁠–⁠20 карточек это сигнал против ниши.

Как собрать выборку для нейросети

Выборка это 15⁠–⁠20 открытых карточек по запросу, по которому покупают ваш товар. Для каждой запишите продавца, цену и число отзывов на первую дату. Через четыре недели запишите отзывы ещё раз.

Прирост отзывов за четыре недели заменяет продажи, которых вы не видите. Отзыв пишет лишь часть покупателей, поэтому продажи оцениваются через коэффициент: в разных категориях отзыв оставляет от каждого десятого до каждого шестидесятого покупателя. Метод и его погрешность разобраны в статье как оценить продажи конкурентов.

Таблицу сохраняйте в .xlsx или .csv, а не скриншотом. В справке OpenAI сказано, что ChatGPT может неточно извлекать значения из сканов и таблиц-картинок. Если точные числа важны, загружайте таблицу или текстовый файл.

Это самый долгий шаг всей работы. Одна ниша это 20 карточек и две даты, а для выбора обычно сравнивают три-четыре ниши. Нейросеть его не сокращает: собирать витрину за вас она не будет.

Если нужно сравнить несколько категорий сразу, отчёт «Позиция» даёт эти цифры готовыми. Вы отвечаете на четыре вопроса о себе: бюджет, опыт, команда, чего не хотите продавать. В ответ получаете три категории для входа на четырёх площадках с ёмкостью, числом активных продавцов, долей первой десятки и ценой входа. У каждой цифры стоит метка «измерено» или «оценка».

Промпты для селлера Wildberries: три шаблона

Хороший промпт для селлера Wildberries содержит четыре части: данные, формулы, формат ответа и запрет додумывать. Роль вроде «ты опытный аналитик» не заменяет данных и формул: без них модель всё равно угадывает.

Первый шаблон считает метрики ниши по выборке.

Во вложении таблица: 20 карточек по запросу «органайзер для косметики»,
Wildberries. Колонки: номер, продавец, цена, отзывы на 29.09, отзывы на 27.10.

Посчитай по таблице, другие данные не используй:
1. Прирост отзывов = отзывы на 27.10 − отзывы на 29.09, по каждой строке.
2. Активные карточки: прирост больше нуля. Сколько их.
3. Сумма прироста отзывов по всем строкам.
4. Медиана цены по всем 20 строкам и отдельно по активным.
5. Доля трёх карточек с наибольшим приростом в сумме прироста, в процентах.

Формат: таблица по строкам, затем итоги списком. Покажи код, которым считал.
Если какой-то величины нет в таблице, пиши «нет данных». Не добавляй
цифры рынка, которых нет во вложении.

Второй шаблон делит нишу на ценовые сегменты. Он нужен, чтобы понять, в каком диапазоне цен больше продаж на одну карточку.

По той же таблице раздели карточки на ценовые сегменты по квартилям цены.
Для каждого сегмента: границы цены, число карточек, число активных,
сумма прироста отзывов, прирост на одну активную карточку.
Покажи код. Не округляй границы до красивых чисел.

Третий шаблон проверяет вашу экономику на цене сегмента. Здесь модель считает по вашим расходам, а не по своим представлениям о тарифах.

Мои расходы на единицу: себестоимость 420 ₽, логистика 120 ₽.
Удержания площадки 25% от цены, налог 6% от цены.
Посчитай маржу на единицу и маржинальность для цен из второго ответа:
нижняя граница, медиана и верхняя граница каждого сегмента.
Формула: маржа = цена × (1 − 0,25 − 0,06) − 120 − 420.
Таблица: цена, маржа, маржинальность. Покажи код.

Комиссии и тарифы в третий промпт вписывайте сами, из своего отчёта о реализации. Модель может знать их по состоянию на дату своего обучения, а тарифы площадок с тех пор могли измениться.

Просьба показать код важна. Для анализа таблиц ChatGPT пишет и запускает код на Python. В справке OpenAI прямо советуют проверять сгенерированный код, результаты и допущения, прежде чем на них опираться.

Нейросеть для анализа конкурентов: отзывы и цены

Нейросеть для анализа конкурентов лучше всего работает с текстом отзывов. Она размечает сотни отзывов по причинам быстрее, чем это делается вручную. На выходе доли: какой процент недовольных жалуется на размер, какой на запах, какой на упаковку.

Порядок разметки разобран в статье анализ отзывов конкурентов. Коротко: сначала вы сами читаете 30⁠–⁠40 отзывов и составляете справочник из 8⁠–⁠15 причин с кодами. Потом отдаёте модели справочник и отзывы порциями по 50⁠–⁠100 и просите только номер отзыва и коды.

Новые коды модели запрещаются: всё, что не подходит, идёт в «другое». Без этого запрета модель может придумать свои причины, и доли перестанут складываться.

По ценам конкурентов нейросеть полезна как калькулятор. Медиана, квартили, разброс, доля карточек ниже вашей точки безубыточности: всё это она посчитает по таблице. Узнавать у неё сами цены бессмысленно: витрину сегодня она не видит.

Как проверить ответ: контрольные суммы и сверка на 30 строках

Ответ модели проверяется двумя способами: контрольными суммами и ручной сверкой строк. Суммы ловят грубые ошибки за минуту, сверка показывает, можно ли доверять разметке целиком.

Контрольных сумм три. Первая: число строк в ответе равно числу строк в файле. Вторая: итог по колонке совпадает с итогом, который вы посчитали в таблице сами функцией суммы. Третья: медиану или любую другую ключевую цифру вы пересчитываете в таблице одной формулой.

Если хотя бы одна сумма не сошлась, остальному ответу не доверяйте. Ищите, где модель потеряла строку или перепутала колонку, и просите пересчитать.

Сверка на 30 строках нужна там, где модель не считает, а размечает: отзывы, категории товаров, причины возвратов. Возьмите 30 случайных строк, разметьте их сами и сравните с моделью.

Почему именно 30, объясняет правило трёх из статистики. Если в n проверенных строках не нашлось ни одной ошибки, настоящая доля ошибок с вероятностью 95% не выше 3 ÷ n. Для 30 строк это 10%.

Порог: 27 совпадений из 30 и больше — разметке можно доверять. Меньше 27 — уточните справочник или формат и разметьте заново. Это тот же порог, что в методе анализа отзывов, и рабочее правило блога RADAR.

Сквозной пример: ниша органайзеров на условных числах

Разберём весь путь на условной выборке. Допустим, 29 сентября и 27 октября вы записали 20 карточек органайзеров для косметики на Wildberries.

Верные итоги по этой таблице такие. Активных карточек 15 из 20, сумма прироста отзывов 470. Медиана цены по всем 20 карточкам 1 365 ₽, средняя 1 536,5 ₽. На три карточки с наибольшим приростом приходится 247 отзывов из 470, это 52,6%.

Допустим, модель ответила так: активных карточек 16, медиана цены 1 536 ₽, сумма прироста 470. Сумма сошлась, а две цифры нет.

Медиану ловит третья контрольная сумма. Формула медианы в таблице даёт 1 365 ₽, а 1 536 ₽ это средняя. Модель перепутала две величины, и без проверки вы бы решили, что середина рынка на 171 ₽ дороже.

Число активных ловит пересчёт по строкам. Шестнадцатой оказалась карточка с нулевым приростом, которую модель посчитала активной. Ошибка в одну строку здесь меняет долю активных с 75% до 80%.

После исправления выводы такие. Продавцов с продажами 15 из 20, это выше порога в 5 карточек. При коэффициенте 25 сумма прироста отзывов соответствует примерно 11 750 продажам за четыре недели. Больше половины прироста забрали три карточки: нишу стоит проверить на концентрацию, как в статье что делать, если в нише доминирует один продавец.

ИИ для селлера: что не отдавать нейросети

ИИ для селлера полезен, пока вы контролируете, какие данные уходят в чат. Есть три вещи, которые туда не попадают никогда.

Первая: API-ключи кабинетов и пароли. Ключ даёт доступ к данным магазина, и в переписке с моделью ему не место. Как выпускать ключи с нужными правами, разобрано в статье API-ключ Wildberries и Ozon.

Вторая: персональные данные покупателей. Имена, телефоны и адреса из заказов для анализа ниши не нужны. Удаляйте эти колонки из выгрузки до загрузки.

Третья: данные, которые вы не готовы показать постороннему. Договоры с поставщиками, закупочные цены по контрагентам, отчёты с реквизитами лучше обезличить.

В ChatGPT можно отключить использование ваших переписок для обучения моделей. В справке OpenAI путь такой: профиль, «Settings» → «Data Controls», переключатель «Improve the model for everyone». Пока он выключен, новые разговоры для обучения не используются. Временные чаты удаляются из систем OpenAI в течение 30 дней.

Ошибки при анализе ниши с нейросетью

1. Спрашивать цифры рынка без данных. Модель ответит уверенно, но число будет угаданным. Спрашивайте расчёт по своей выборке.
2. Загружать скриншоты вместо таблицы. Значения из картинки модель может прочитать с ошибками. Загружайте .xlsx или .csv.
3. Не задавать формулы. Без формулы модель сама решает, что считать «ёмкостью» или «активной карточкой», и решения меняются от ответа к ответу.
4. Брать тарифы площадки из ответа модели. Модель знает их на дату обучения, а они с тех пор могли измениться. Вписывайте свои удержания из отчёта.
5. Не проверять контрольные суммы. Одна перепутанная колонка меняет вывод о нише, как медиана и средняя в примере выше.
6. Отдавать разметку без справочника причин. Модель придумывает свои категории, и доли за разные дни нельзя сравнить.

Чек-лист: анализ ниши с ChatGPT

• Выборка собрана вами: 15⁠–⁠20 карточек по одному запросу, две даты с разницей в четыре недели.
• Таблица загружена файлом .xlsx или .csv, без персональных данных и ключей.
• В промпте есть данные, формулы, формат ответа и запрет додумывать.
• Модель показала код расчёта.
• Число строк в ответе совпало с файлом.
• Итог по колонке совпал с вашей суммой.
• Ключевая цифра пересчитана формулой в таблице.
• Разметка сверена на 30 случайных строках, совпадений 27 и больше.
• Тарифы и удержания взяты из вашего отчёта, а не из ответа модели.
• Выводы сравнены с порогами ниши: продавцы с продажами, медиана, концентрация.

Частые вопросы

Может ли ChatGPT сам сделать анализ ниши маркетплейса?

Сам — нет: у него нет доступа к витрине сегодня и к продажам. Он посчитает метрики по выборке, которую соберёте вы. Цифры рынка без ваших данных он угадывает.

Какие промпты для селлера Wildberries работают лучше?

Те, где есть данные файлом, формулы словами, формат ответа и запрет додумывать. Роль без данных не спасает от угадывания. Просите показать код, чтобы проверить, что именно посчитано.

Можно ли доверять нейросети в анализе конкурентов?

В разметке отзывов и расчётах по таблице можно, после проверки. Сверьте 30 случайных строк вручную: при 27 совпадениях и больше разметке можно доверять. Сведениям о продажах конкурентов без ваших данных доверять нельзя.

Почему нейросеть каждый раз даёт разные цифры по одной нише?

Потому что без данных она угадывает, и каждая догадка своя. Разработчики ChatGPT пишут, что обучение поощряет угадывание вместо ответа «не знаю». С таблицей и формулой ответы совпадают, потому что модель считает, а не вспоминает.

Что из ИИ для селлера стоит использовать каждый день?

Нейросеть экономит время там, где много однотипного текста и счёта: разметка отзывов, группировка запросов, черновики описаний, расчёты по выгрузкам. Решения о закупке и цене принимайте по своим данным и проверенным расчётам.

Безопасно ли загружать в ChatGPT отчёты магазина?

Удалите из выгрузки персональные данные покупателей и реквизиты, ключи и пароли не загружайте никогда. В настройках «Data Controls» отключите «Improve the model for everyone», если не хотите, чтобы переписки шли в обучение.

Что дальше

Соберите выборку по своей нише сегодня и повторите замер через четыре недели. Отдайте таблицу модели первым шаблоном из этой статьи и проверьте три контрольные суммы. После второго замера один вечер работы даст метрики ниши, которые можно показать партнёру и защитить расчётом.

Если нужно сравнить несколько категорий без ручной выборки, это делает отчёт «Позиция». По брифу из четырёх вопросов он выбирает три категории для входа на Ozon, Wildberries, Яндекс Маркете и М.Видео. По каждой даёт ёмкость, число продавцов, цену входа и список отсеянного с причинами.

Получить отчёт «Позиция» →

Источники

• Why language models hallucinate, OpenAI, 05.09.2025: угадывание вместо «не знаю», результаты SimpleQA.
• Data analysis with ChatGPT, справка OpenAI, проверено 27.10.2026: код на Python, форматы файлов, проверка кода и результатов, сканы и таблицы-картинки.
• Data Controls FAQ, справка OpenAI, проверено 27.10.2026: настройка «Improve the model for everyone», временные чаты.
• Rule of three (statistics)), Wikipedia: верхняя граница 3 ÷ n.
• Анализ отзывов конкурентов, блог RADAR: справочник причин, порции, сверка 27 из 30.
• Метрики и пороги для анализа ниши, блог RADAR: выборка 15⁠–⁠20 карточек, порог продавцов с продажами.
• Как оценить продажи конкурентов, блог RADAR: оценка продаж по приросту отзывов.
• Отчёт «Позиция», wradar.pro: бриф, состав отчёта, метки «измерено» и «оценка», проверено 27.10.2026.