Контент-усталость -- детектор устаревания карточки

Даже лучшие фотографии «протухают». Конкуренты обновляются, алгоритмы меняются, ожидания покупателей растут. Карточка, которая была на 10-й позиции полгода назад, теперь на 30-й -- не потому что товар стал хуже, а потому что контент не обновлялся. Большинство селлеров замечают это, только когда продажи уже критически упали.

Этот кейс показывает, как автоматически обнаруживать «уставший» контент и проактивно предлагать клиенту обновление -- до того, как он потеряет позиции безвозвратно.

Проблема

У контента есть срок годности. Это не очевидно, потому что фотографии физически не меняются -- но всё вокруг них меняется:

Конкуренты обновились: новый игрок залил качественную инфографику, ваша карточка на его фоне выглядит устаревшей
Алгоритмы WB/Ozon эволюционировали: площадка стала учитывать видео, 360-ракурсы, rich-контент -- а у вас по-прежнему 5 фото на белом фоне
Ожидания покупателей выросли: в 2024 хватало фото товара на манекене, в 2026 покупатель ждёт lifestyle-съёмку, размерную сетку в инфографике, видео-обзор
Сезонный контекст ушёл: зимняя инфографика в мае выглядит нелепо, но селлер забыл обновить

Типичный сценарий деградации:

Месяц	Позиция	Продажи/день	Что происходит
Январь	#10	120 шт	Контент свежий, всё работает
Март	#14	105 шт	Конкурент обновил карточку, начал обгонять
Май	#22	85 шт	Ещё 2 конкурента обновились, позиция падает
Июль	#30	60 шт	Селлер замечает: «Что-то продажи упали...»
Август	#35	45 шт	Срочный заказ на обновление контента (паника)
Сентябрь	#28	70 шт	Новый контент загружен, но 4 месяца и 50% продаж потеряны

Главная боль: между «контент начал устаревать» и «селлер заметил проблему» проходит 3-5 месяцев. За это время теряется 30-50% продаж и 10-20 позиций. Если бы детектор сработал в марте, а не в июле -- потери были бы минимальны.

Пайплайн данных

graph LR
    A["MPStats API\nitem/sales\n90 дней продаж"] --> B["Тренд-анализ\nлинейная регрессия"]
    B --> C{"Продажи\nпадают?"}
    C -->|"Нет"| D["OK\nмониторинг"]
    C -->|"Да"| E["Проверка:\nкатегория тоже\nпадает?"]
    E -->|"Да, рынок падает"| F["Рыночный спад\nне контент"]
    E -->|"Нет, рынок стабилен"| G["Дата последнего\nобновления контента"]
    G --> H["Расчёт\nFatigue Score"]
    H --> I["Алерт клиенту\n+ рекомендации"]

Источники данных

Эндпоинт	Метод	Данные	Зачем
`/wb/get/item/{sku}/sales`	GET	Ежедневные продажи SKU за 90+ дней	Детектировать тренд: растёт, падает или стабильно
`/wb/get/category/trends`	GET	Тренды категории (помесячно)	Изолировать причину: рынок или контент?
Page version history	--	Дата последнего обновления контента карточки	Определить «возраст» текущего контента

Методология: как изолировать контент-усталость от рыночного спада

Падение продаж конкретного SKU может быть вызвано тремя причинами:

Рыночный спад -- вся категория падает (сезонность, макроэкономика). Это НЕ контент-усталость.
Проблема с товаром -- рейтинг упал, негативные отзывы, рост возвратов. Это НЕ контент-усталость.
Контент-усталость -- категория стабильна или растёт, товар в порядке, но позиции и продажи падают. Конкуренты обновились, а ваша карточка -- нет.

Алгоритм изоляции:

Если тренд_категории < -5% -- рыночный спад, не алертим
Если рейтинг_SKU < 4.0 или доля_негативных_отзывов > 15% -- проблема товара, не контент
Если тренд_категории >= 0% И тренд_SKU < -10% И дней_без_обновления > 90 -- контент-усталость

Чем сильнее расхождение между трендом категории (рост) и трендом SKU (падение), тем выше вероятность именно контент-усталости.

Анализ

Формула Content Fatigue Score

Fatigue Score объединяет три фактора в один показатель:

fatigue_score = days_since_update * abs(decline_rate) * (1 + category_growth_rate)

Логика каждого множителя:

days_since_update -- чем дольше не обновлялся контент, тем выше усталость
abs(decline_rate) -- чем быстрее падают продажи, тем острее проблема
(1 + category_growth_rate) -- если категория растёт, а SKU падает, ситуация ещё хуже (конкуренты забирают вашу долю)

Пороги Fatigue Score

Fatigue Score	Уровень	Действие
> 80	CRITICAL	Немедленное обновление. Карточка теряет позиции каждый день. Срочная съёмка + инфографика.
50-80	WARNING	Запланировать обновление в ближайшие 2-3 недели. Начать с инфографики и SEO.
30-50	WATCH	Мониторить еженедельно. Если тренд не развернётся -- обновить через месяц.
< 30	OK	Контент в порядке. Стандартный мониторинг.

Пример: SKU с decline_rate = -29%, обновление 8 месяцев назад, категория растёт на 5%: fatigue_score = 240 * 0.29 * 1.05 = 73 -- WARNING, нужно обновление.

Расчёт тренда и Fatigue Score

import httpx
import numpy as np
from datetime import datetime, timedelta

MPSTATS_TOKEN = "YOUR_TOKEN"
BASE_URL = "https://mpstats.io/api"
HEADERS = {
    "X-Mpstats-TOKEN": MPSTATS_TOKEN,
    "Content-Type": "application/json",
}


def fetch_sales_history(sku: int, days: int = 90) -> list[dict]:
    """
    Загрузить историю продаж SKU за N дней.
    Возвращает [{date, sales}, ...] отсортированный по дате.
    """
    date_from = (datetime.now() - timedelta(days=days)).strftime("%Y-%m-%d")
    date_to = datetime.now().strftime("%Y-%m-%d")

    resp = httpx.get(
        f"{BASE_URL}/wb/get/item/{sku}/sales",
        headers=HEADERS,
        params={"d1": date_from, "d2": date_to},
        timeout=30,
    )
    resp.raise_for_status()
    return resp.json()


def calculate_decline_rate(sales_data: list[dict]) -> float:
    """
    Рассчитать скорость падения продаж через линейную регрессию.

    Возвращает:
    - Отрицательное значение = падение (напр. -0.29 = -29%)
    - Положительное = рост
    - Около 0 = стабильно
    """
    if len(sales_data) < 14:
        return 0.0

    daily_sales = [day.get("sales", 0) for day in sales_data]
    x = np.arange(len(daily_sales))
    y = np.array(daily_sales, dtype=float)

    # Линейная регрессия: y = slope * x + intercept
    slope, intercept = np.polyfit(x, y, 1)

    # Нормализуем: процентное изменение от среднего
    avg_sales = np.mean(y)
    if avg_sales == 0:
        return 0.0

    # Изменение за весь период как % от среднего
    total_change = slope * len(daily_sales)
    decline_rate = total_change / avg_sales

    return round(decline_rate, 3)


def fetch_category_trend(category_path: str) -> float:
    """
    Получить текущий тренд категории (последние 3 месяца vs предыдущие 3).
    Возвращает процентное изменение: +0.05 = рост 5%, -0.10 = падение 10%.
    """
    resp = httpx.get(
        f"{BASE_URL}/wb/get/category/trends",
        headers=HEADERS,
        params={"path": category_path},
        timeout=30,
    )
    resp.raise_for_status()
    trends = resp.json()  # 72 значения (6 лет помесячно)

    if len(trends) < 6:
        return 0.0

    # Сравниваем последние 3 месяца с предыдущими 3
    recent = sum(trends[-3:])
    previous = sum(trends[-6:-3])

    if previous == 0:
        return 0.0

    return round((recent - previous) / previous, 3)


def calculate_fatigue_score(
    days_since_update: int,
    decline_rate: float,
    category_growth_rate: float,
) -> dict:
    """
    Рассчитать Content Fatigue Score.

    Формула:
    fatigue_score = days_since_update * abs(decline_rate) * (1 + category_growth_rate)

    Если категория тоже падает -- понижаем скор (не контент виноват).
    """
    # Если продажи растут -- нет усталости
    if decline_rate >= 0:
        return {
            "score": 0,
            "level": "OK",
            "reason": "Продажи стабильны или растут",
        }

    # Если категория падает сильнее SKU -- рыночный спад
    if category_growth_rate < decline_rate:
        return {
            "score": 0,
            "level": "MARKET_DECLINE",
            "reason": f"Рынок падает ({category_growth_rate:+.1%}), "
                      f"не контент-усталость",
        }

    # Основной расчёт
    amplifier = max(1 + category_growth_rate, 1.0)
    score = round(days_since_update * abs(decline_rate) * amplifier, 1)

    # Классификация
    if score > 80:
        level = "CRITICAL"
    elif score > 50:
        level = "WARNING"
    elif score > 30:
        level = "WATCH"
    else:
        level = "OK"

    return {
        "score": score,
        "level": level,
        "components": {
            "days_since_update": days_since_update,
            "decline_rate": f"{decline_rate:+.1%}",
            "category_growth": f"{category_growth_rate:+.1%}",
            "amplifier": round(amplifier, 2),
        },
    }


def detect_content_fatigue(
    sku: int,
    category_path: str,
    last_content_update: str,  # формат "YYYY-MM-DD"
) -> dict:
    """
    Полный пайплайн детекции контент-усталости для одного SKU.
    """
    # 1. Загружаем продажи
    sales = fetch_sales_history(sku, days=90)

    # 2. Рассчитываем тренд SKU
    decline_rate = calculate_decline_rate(sales)

    # 3. Рассчитываем тренд категории
    category_trend = fetch_category_trend(category_path)

    # 4. Считаем дни с последнего обновления
    update_date = datetime.strptime(last_content_update, "%Y-%m-%d")
    days_since = (datetime.now() - update_date).days

    # 5. Fatigue Score
    fatigue = calculate_fatigue_score(days_since, decline_rate, category_trend)

    # 6. Средние продажи для отчёта
    recent_30 = sales[-30:] if len(sales) >= 30 else sales
    older_30 = sales[-90:-60] if len(sales) >= 90 else sales[:30]

    avg_recent = sum(d.get("sales", 0) for d in recent_30) / max(len(recent_30), 1)
    avg_older = sum(d.get("sales", 0) for d in older_30) / max(len(older_30), 1)

    return {
        "sku": sku,
        "category": category_path,
        "avg_sales_90d_ago": round(avg_older, 1),
        "avg_sales_30d": round(avg_recent, 1),
        "decline_rate": f"{decline_rate:+.1%}",
        "category_trend": f"{category_trend:+.1%}",
        "last_update": last_content_update,
        "days_since_update": days_since,
        "fatigue": fatigue,
    }


# --- Пример использования ---

results = []
skus_to_check = [
    {
        "sku": 331320399,
        "category": "Одежда/Женская одежда/Платья",
        "last_update": "2025-06-15",
    },
    {
        "sku": 445566778,
        "category": "Одежда/Женская одежда/Платья",
        "last_update": "2025-12-10",
    },
    {
        "sku": 998877665,
        "category": "Обувь/Женская обувь/Кроссовки",
        "last_update": "2025-03-01",
    },
]

for item in skus_to_check:
    result = detect_content_fatigue(
        sku=item["sku"],
        category_path=item["category"],
        last_content_update=item["last_update"],
    )
    results.append(result)

    level = result["fatigue"]["level"]
    score = result["fatigue"]["score"]
    emoji = {"CRITICAL": "!!!", "WARNING": "!", "WATCH": "~", "OK": ""}.get(level, "")

    print(
        f"SKU {result['sku']}: "
        f"score={score} [{level}] {emoji} | "
        f"sales: {result['avg_sales_90d_ago']} -> {result['avg_sales_30d']}/day | "
        f"last update: {result['days_since_update']} days ago"
    )

Пример детекции

SKU	Продажи 90д назад	Продажи 30д	Тренд SKU	Тренд категории	Последнее обновление	Fatigue Score	Уровень
331320399	120/день	85/день	-29%	+5%	8 мес назад (240 дней)	73.1	WARNING
445566778	50/день	48/день	-4%	-3%	2 мес назад (70 дней)	2.8	OK
998877665	200/день	110/день	-45%	+8%	12 мес назад (360 дней)	174.9	CRITICAL

Разбор результатов:

SKU 331320399 (score 73, WARNING): продажи падают на 29%, а категория растёт на 5%. Контент не обновлялся 8 месяцев. Конкуренты обновились и забирают долю. Рекомендация: запланировать обновление в ближайшие 2-3 недели.
SKU 445566778 (score 2.8, OK): минимальное падение (-4%) при падающей категории (-3%). Спад рыночный, контент не виноват. Обновлён недавно. Продолжаем мониторинг.
SKU 998877665 (score 174.9, CRITICAL): катастрофическое падение -45% при растущей категории +8%. Контент не обновлялся год. Немедленная пересъёмка, каждый день теряются продажи.

Дерево решений

graph TD
    A["90 дней продаж SKU\n(item/sales)"] --> B["Линейная регрессия\nslope < -0.1?"]
    B -->|"Нет, стабильно"| C["OK\nМониторинг"]
    B -->|"Да, падение"| D["Тренд категории\n(category/trends)"]
    D --> E{"Категория тоже\nпадает?"}
    E -->|"Да, рынок падает"| F["Рыночный спад\nНе контент"]
    E -->|"Нет, рынок стабилен\nили растёт"| G["Проверить дату\nобновления контента"]
    G --> H{"Дней без\nобновления?"}
    H -->|"< 60 дней"| I["Недавно обновлено\nИскать другую причину"]
    H -->|"60-180 дней"| J["Fatigue Score\n= days * rate * amp"]
    H -->|"> 180 дней"| K["Высокий риск\nFatigue Score\n= days * rate * amp"]
    J --> L{"Score?"}
    K --> L
    L -->|"> 80"| M["CRITICAL\nСрочная пересъёмка"]
    L -->|"50-80"| N["WARNING\nОбновить за 2-3 нед"]
    L -->|"30-50"| O["WATCH\nМониторить еженедельно"]
    L -->|"< 30"| C

Действие Fotofactor

Проактивный алерт клиенту

Когда детектор обнаруживает контент-усталость (score > 50), Fotofactor отправляет клиенту проактивное сообщение:

Шаблон проактивного алерта

Добрый день! Мониторинг MPStats выявил снижение продаж по вашей карточке:

📊 Карточка: {product_name} (SKU {sku})
📉 Продажи: {avg_old}/день -> {avg_new}/день ({decline_rate})
📈 При этом ваша категория: {category_trend} (растёт!)
📅 Последнее обновление контента: {last_update} ({days} дней назад)

⚠️ Диагноз: контент-усталость (Fatigue Score: {score}/100)

Ваши конкуренты обновили карточки за последние 3 месяца:
- {competitor_1}: обновил инфографику, продажи +{comp1_growth}%
- {competitor_2}: добавил видео-обзор, продажи +{comp2_growth}%
- {competitor_3}: новая lifestyle-съёмка, вышел в топ-5

💡 Рекомендация: обновление контента в ближайшие 2 недели
вернёт карточку на прежние позиции.

Предлагаем:
1. Новая инфографика под текущие тренды категории -- 3 дня
2. Обновлённое главное фото (A/B тест) -- 2 дня
3. Видео-обзор 15 сек (если нет) -- 5 дней

📞 Готовы обсудить? Забронировать фотосъёмку на ближайшую неделю?

Конкретные рекомендации по обновлению

На основе анализа изменений в категории с момента последнего обновления клиентской карточки:

Что изменилось в категории	Рекомендация для клиента	Срочность
Конкуренты добавили видео	Снять видео-обзор 15-30 сек	Высокая
Появилась инфографика с размерными сетками	Обновить инфографику	Высокая
Тренд на lifestyle-фото вместо предметной	Пересъёмка в lifestyle-стиле	Средняя
Сезон изменился (зимний контент в мае)	Сезонное обновление	Критическая
Новый формат rich-контент на WB	Адаптировать под новый формат	Средняя

Услуга «Экстренное обновление»

Для карточек с Fatigue Score > 80 -- ускоренный процесс:

Срок: 3-5 рабочих дней (вместо стандартных 10-14)
Стоимость: 40 000--80 000 рублей (надбавка за срочность 30-50%)
Включает: пересъёмка главного фото + обновление инфографики + SEO-правки описания
Приоритет: сдвигаем другие заказы, карточка в CRITICAL теряет деньги каждый день

Связь с конкурентным контекстом

Показать клиенту карточки конкурентов, которые обновились недавно и растут:

«Ваш прямой конкурент (SKU 112233445) обновил карточку 3 недели назад: новая инфографика + видео. Его продажи выросли на 35%, а ваши упали на 29%. Разрыв увеличивается каждый день.»

Это создаёт urgency -- клиент видит не абстрактные цифры, а конкретного конкурента, который забирает его продажи.

Результат для клиента

Раннее обнаружение -- главная ценность

Метрика	Без детектора	С детектором	Выигрыш
Время обнаружения проблемы	3-5 месяцев (когда уже заметно)	3-4 недели (автоматический алерт)	Экономия 2-4 месяца
Потерянные продажи до обновления	30-50% от пикового уровня	5-10% (пока контент обновляется)	Сохраняется 80-90% продаж
Позиции в поиске	Падение на 15-25 позиций	Падение на 3-5 позиций	Легче восстановить
Стоимость восстановления	Высокая (нужна агрессивная реклама + контент)	Низкая (только обновление контента)	Экономия 50-70% бюджета

Экономика для Fotofactor

Проактивный outreach по детектору контент-усталости создаёт тёплые лиды -- клиент уже видит падение продаж и готов к диалогу:

Конверсия проактивного алерта: 25-35% (vs 3-5% холодного outreach)
Средний чек экстренного обновления: 40 000--80 000 рублей
Время от алерта до заказа: 2-5 дней (клиент мотивирован)
Upsell в годовую подписку: 40% клиентов после экстренного обновления подписываются на мониторинг

Связь с другими кейсами

Детектор контент-усталости является частью системы проактивного управления контентом:

Вход: результаты Кейса 14: Сезонный контент-календарь -- плановые обновления предотвращают часть случаев усталости
Дополнение: Кейс 13: Рентген конкурентов -- анализ конкурентных карточек для формирования рекомендаций
Выход: экстренное обновление или переход на годовую подписку (Кейс 14)

Что дальше

Мультикарточный портфель -- аудит всех SKU клиента: приоритизация обновлений по Fatigue Score
Промо-готовность -- подготовка контента к акциям и распродажам WB
Примеры API-запросов -- готовые сниппеты для работы с MPStats API

Проблема​

Пайплайн данных​

Источники данных​

Анализ​

Формула Content Fatigue Score​

Расчёт тренда и Fatigue Score​

Пример детекции​

Дерево решений​

Действие Fotofactor​

Проактивный алерт клиенту​

Конкретные рекомендации по обновлению​

Услуга «Экстренное обновление»​

Связь с конкурентным контекстом​

Результат для клиента​

Раннее обнаружение -- главная ценность​

Экономика для Fotofactor​

Связь с другими кейсами​

Что дальше​