Кейс 9: Региональный прицел -- контент под слабые регионы

Пайплайн анализа региональных данных WB для выявления проблемных регионов и создания локализованного контента, который повышает продажи там, где товар уже лежит на складе, но не покупается.

Проблема

Wildberries -- федеральный маркетплейс, но продажи распределены крайне неравномерно. Типичная картина:

Москва и Подмосковье -- 40-50% всех продаж, даже если товар подходит всем регионам
Санкт-Петербург -- 10-15%, часто с переизбытком остатков
Сибирь, Урал, Юг -- 5-10% каждый, при этом остатки на региональных складах есть
Дальний Восток -- 1-3%, часто нулевые продажи при наличии стока

Причина не в отсутствии спроса. Покупатели в Новосибирске хотят те же товары, что и москвичи. Проблемы три:

Контент не резонирует -- инфографика показывает «доставка 1-2 дня» (актуально для Москвы), покупатель в Красноярске видит 5-7 дней и уходит
SEO пропущен -- карточка не содержит региональных запросов («купить в Екатеринбурге», «доставка в Сибирь»)
Сезонность не учтена -- зимнюю коллекцию продвигают одинаково для Сочи (+5) и Якутска (-40)

Продавцы в 90% случаев не анализируют региональную эффективность. Они видят общую выручку и не понимают, что 30% стока стоит мёртвым грузом в региональных складах, генерируя затраты на хранение.

Пайплайн данных

graph LR
    A["MPStats API<br/>Данные по товару"] --> B["balance_by_region<br/>sales_by_region"]
    B --> C["Расчёт<br/>доля продаж vs доля остатков"]
    C --> D{"Классификация<br/>регионов"}
    D -->|"Продажи > Остатки"| E["Высокий спрос<br/>Увеличить остатки"]
    D -->|"Остатки > Продажи"| F["Проблема контента<br/>Локализовать"]
    D -->|"Баланс"| G["Норма<br/>Поддержать"]
    F --> H["Региональный<br/>контент-пакет"]

Откуда берутся региональные данные

MPStats предоставляет региональную разбивку через детальные данные по товару. Ключевые поля:

balance_by_region -- распределение остатков по складам WB (Москва, СПб, Казань, Краснодар, Новосибирск, Екатеринбург, Хабаровск и др.)
sales_by_region -- распределение продаж по регионам за выбранный период
balance vs sales -- общее соотношение, показывающее эффективность стока
lost_profit -- упущенная выручка, которая часто вызвана именно региональным out-of-stock

Эти данные доступны через эндпоинт получения детальной информации по товару (POST /wb/get/item).

Ключевые поля для анализа

Данные	Источник	Что показывает
`sales_by_region`	MPStats, данные по товару	Где товар продаётся хорошо, а где плохо
`balance_by_region`	MPStats, данные по товару	Где остатки лежат на складах
`lost_profit`	MPStats, данные по категории	Упущенная прибыль (часто из-за регионального OOS)
`revenue`	MPStats, данные по категории	Общая выручка для оценки масштаба
`final_price`	MPStats, данные по категории	Цена товара (контекст для региональной стратегии)

Анализ

Региональная матрица эффективности

Для каждого региона рассчитываем соотношение доли продаж и доли остатков. Это даёт четыре статуса:

import httpx

MPSTATS_TOKEN = "YOUR_TOKEN"
BASE_URL = "https://mpstats.io/api"


def fetch_item_regional_data(item_id: int) -> dict:
    """Загружает региональные данные по товару."""
    resp = httpx.post(
        f"{BASE_URL}/wb/get/item",
        headers={
            "X-Mpstats-TOKEN": MPSTATS_TOKEN,
            "Content-Type": "application/json",
        },
        json={"id": item_id},
        timeout=30,
    )
    resp.raise_for_status()
    return resp.json()


def build_regional_matrix(item_data: dict) -> list[dict]:
    """
    Строит матрицу эффективности по регионам.

    Для каждого региона:
    - sales_share  = доля продаж региона / все продажи
    - stock_share  = доля остатков региона / все остатки
    - ratio        = sales_share / stock_share (>1 = спрос, <1 = переизбыток)
    """
    sales = item_data.get("sales_by_region", {})
    balance = item_data.get("balance_by_region", {})

    total_sales = sum(sales.values()) or 1
    total_balance = sum(balance.values()) or 1

    regions = set(list(sales.keys()) + list(balance.keys()))
    matrix = []

    for region in regions:
        region_sales = sales.get(region, 0)
        region_balance = balance.get(region, 0)

        sales_share = region_sales / total_sales * 100
        stock_share = region_balance / total_balance * 100

        # Классификация
        if stock_share < 1 and sales_share < 1:
            status = "ignore"        # Нет ни стока, ни продаж
            recommendation = "Не приоритет"
        elif sales_share > stock_share * 1.5:
            status = "high_demand"   # Спрос превышает запасы
            recommendation = "Увеличить остатки"
        elif stock_share > sales_share * 2:
            if sales_share < 2:
                status = "content_problem"  # Сток есть, продаж почти нет
                recommendation = "Региональная инфографика"
            else:
                status = "overstock"  # Переизбыток при средних продажах
                recommendation = "Локализовать контент"
        else:
            status = "balanced"
            recommendation = "Поддержать"

        matrix.append({
            "region": region,
            "sales_share": round(sales_share, 1),
            "stock_share": round(stock_share, 1),
            "status": status,
            "recommendation": recommendation,
            "abs_sales": region_sales,
            "abs_balance": region_balance,
        })

    # Сортировка: проблемные регионы сверху
    priority = {"content_problem": 0, "overstock": 1, "high_demand": 2, "balanced": 3, "ignore": 4}
    matrix.sort(key=lambda x: (priority.get(x["status"], 5), -x["stock_share"]))

    return matrix

Дерево решений по региону

graph TD
    A["Регион с остатками"] --> B{"Доля продаж vs<br/>Доля остатков"}
    B -->|"Продажи >> Остатки<br/>(sales_share > stock * 1.5)"| C["Высокий спрос"]
    B -->|"Остатки >> Продажи<br/>(stock_share > sales * 2)"| D{"Доля продаж<br/>< 2%?"}
    B -->|"Примерно равны"| E["Норма"]
    D -->|"Да"| F["Контент-проблема"]
    D -->|"Нет"| G["Переизбыток"]
    C --> C1["Рекомендация:<br/>Увеличить поставки"]
    F --> F1["Рекомендация:<br/>Региональная инфографика<br/>+ SEO-оптимизация"]
    G --> G1["Рекомендация:<br/>Локализовать контент<br/>+ скорректировать цену"]
    E --> E1["Рекомендация:<br/>Поддержать текущую<br/>стратегию"]

Пример региональной матрицы

Типичный товар (женская сумка, выручка 3.5M рублей/мес):

Регион	Доля продаж	Доля остатков	Статус	Рекомендация
Сибирь (Новосибирск)	5%	15%	Контент-проблема	Региональная инфографика
Санкт-Петербург	12%	20%	Переизбыток	Локализовать контент
Урал (Екатеринбург)	4%	10%	Контент-проблема	Региональная инфографика
Москва	45%	35%	Норма	Поддержать
Юг (Краснодар)	8%	5%	Высокий спрос	Увеличить остатки
Поволжье (Казань)	7%	6%	Норма	Поддержать
Дальний Восток	2%	8%	Контент-проблема	Региональная инфографика

Интерпретация: три региона (Сибирь, Урал, Дальний Восток) имеют в сумме 33% остатков, но дают всего 11% продаж. Это 22% стока, который генерирует затраты на хранение, но не приносит выручку. При выручке 3.5M рублей потенциал раскрытия этих регионов -- +700K-1M рублей/мес.

Агрегация по портфелю клиента

def analyze_seller_portfolio(item_ids: list[int]) -> dict:
    """
    Агрегирует региональную матрицу по всем SKU продавца.
    Выявляет системные проблемы с регионами.
    """
    region_stats = {}

    for item_id in item_ids:
        data = fetch_item_regional_data(item_id)
        matrix = build_regional_matrix(data)

        for row in matrix:
            region = row["region"]
            if region not in region_stats:
                region_stats[region] = {
                    "total_items": 0,
                    "content_problems": 0,
                    "overstocked": 0,
                    "high_demand": 0,
                    "total_dead_stock_share": 0,
                }

            stats = region_stats[region]
            stats["total_items"] += 1

            if row["status"] == "content_problem":
                stats["content_problems"] += 1
                stats["total_dead_stock_share"] += row["stock_share"]
            elif row["status"] == "overstock":
                stats["overstocked"] += 1
            elif row["status"] == "high_demand":
                stats["high_demand"] += 1

    # Выявляем системно проблемные регионы
    problem_regions = []
    for region, stats in region_stats.items():
        if stats["total_items"] == 0:
            continue
        problem_rate = (stats["content_problems"] + stats["overstocked"]) / stats["total_items"]
        if problem_rate > 0.5:  # >50% товаров имеют проблемы в этом регионе
            problem_regions.append({
                "region": region,
                "problem_rate": round(problem_rate * 100),
                "items_affected": stats["content_problems"] + stats["overstocked"],
                "total_items": stats["total_items"],
            })

    problem_regions.sort(key=lambda x: x["problem_rate"], reverse=True)
    return {
        "region_stats": region_stats,
        "problem_regions": problem_regions,
    }

Действие Fotofactor

Региональный контент-пакет

На основе данных матрицы формируется конкретный план действий для каждого проблемного региона.

Стратегия 1: Региональная инфографика

Для регионов со статусом «Контент-проблема» (сток есть, продаж нет):

Слайд с доставкой: «Доставка в Новосибирск за 3 дня» / «На складе в Екатеринбурге -- доставка 1-2 дня»
Слайд с локальными отзывами: «98% покупателей из Сибири довольны качеством»
Слайд с ценой: показать выгоду относительно региональных офлайн-магазинов
Rich-контент: видеообзор с упоминанием климатических особенностей региона

Это устраняет главный барьер -- покупатель видит, что товар уже рядом и доставка будет быстрой.

Стратегия 2: Сезонная локализация

Для товаров с сезонным спросом (одежда, обувь, спорт):

Сибирь/Урал: зимнюю коллекцию начинать продвигать на 4-6 недель раньше Москвы
Юг/Краснодар: летнюю коллекцию продвигать на 2-3 недели раньше
Дальний Восток: учитывать обратную сезонность Приморья (влажное лето, сухая зима)

Контент-план:

Отдельные инфографики с сезонным контекстом для каждой климатической зоны
Lifestyle-фото в релевантных условиях: зимний пуховик на фоне сибирского пейзажа, а не московского ГУМа
Текстовые описания с упоминанием региональных погодных условий

Стратегия 3: Региональное SEO

Добавление в карточку ключевых слов с географической привязкой:

В заголовок/описание: «Доставка по всей России», «На складе в вашем регионе»
В ключевые слова: «купить в Краснодаре», «доставка Екатеринбург», «склад Новосибирск»
В вопросы покупателей (FAQ): «Сколько дней доставка в Сибирь?» -- «1-3 дня, товар на складе в Новосибирске»

Региональные запросы составляют 15-25% всех поисковых запросов на WB, но 90% карточек их не используют.

Формирование предложения клиенту

def generate_regional_proposal(matrix: list[dict], revenue: float) -> dict:
    """
    Формирует коммерческое предложение на основе региональной матрицы.
    """
    problem_regions = [r for r in matrix if r["status"] in ("content_problem", "overstock")]
    total_dead_stock = sum(r["stock_share"] for r in problem_regions)

    # Потенциал разблокировки: доля мёртвого стока × текущая выручка × коэффициент
    unlock_potential = revenue * (total_dead_stock / 100) * 0.5  # 50% конверсия стока

    proposal = {
        "problem_regions": len(problem_regions),
        "dead_stock_share": round(total_dead_stock, 1),
        "current_revenue": revenue,
        "unlock_potential_monthly": round(unlock_potential),
        "recommended_package": [],
    }

    for region in problem_regions:
        package_item = {
            "region": region["region"],
            "status": region["status"],
            "deliverables": [],
        }

        if region["status"] == "content_problem":
            package_item["deliverables"] = [
                "Региональная инфографика (2-3 слайда)",
                "SEO-оптимизация под региональные запросы",
                "Текст описания с региональной привязкой",
            ]
        elif region["status"] == "overstock":
            package_item["deliverables"] = [
                "Локализованный Rich-контент",
                "A/B тест заглавной для региона",
                "Региональные ключевые слова",
            ]

        proposal["recommended_package"].append(package_item)

    return proposal

Шаблон outreach для продавца

Добрый день! Провели региональный анализ ваших карточек на WB.

📊 Ключевые находки:
- 33% ваших остатков лежат в регионах, где продажи минимальны
- Новосибирск: 15% стока → 5% продаж (контент не адаптирован)
- Екатеринбург: 10% стока → 4% продаж (нет региональной привязки)
- Дальний Восток: 8% стока → 2% продаж (покупатели не видят быструю доставку)

💰 Потенциал: +700 000-1 000 000 ₽/мес при раскрытии этих регионов.

Мы делаем локализованный контент для маркетплейсов:
— Инфографика с региональными сроками доставки
— SEO под географические запросы
— Сезонная адаптация под климатические зоны

Подготовили детальный региональный отчёт — отправить?

Результат для клиента

Эффект от региональной оптимизации

Метрика	До оптимизации	После оптимизации	Изменение
Продажи в проблемных регионах	11% от общих	22-28% от общих	+100-150%
Мёртвый сток (хранение без продаж)	33% остатков	10-15% остатков	-55%
Затраты на хранение WB	Базовый уровень	-20-35%	Экономия
Общая выручка	Базовый уровень	+15-30%	Рост
Конверсия карточки (регионы)	2-3%	5-7%	+150%

Экономика для Fotofactor

Услуга	Стоимость	Периодичность	Маржинальность
Региональный аудит (анализ + отчёт)	15 000 рублей	Разовый	90% (автоматизировано)
Региональный контент-пакет (3 региона)	40 000-60 000 рублей	Разовый	60-70%
Сезонная адаптация (4 климатические зоны)	30 000-50 000 рублей	Ежесезонно (4 раза/год)	65%
Квартальный региональный ревью	20 000-30 000 рублей	Ежеквартально	85%
Годовая ценность клиента	215 000-350 000 рублей

Позиционирование

Региональный анализ -- это уникальное предложение, которого нет у 99% контент-агентств для маркетплейсов. Типичная фотостудия говорит: «Мы сделаем красивые фото». Fotofactor говорит:

«Мы не просто фотографы -- мы помогаем продавать в каждом регионе. У вас 33% стока лежит мёртвым грузом в Сибири, и мы знаем, как это исправить контентом».

Это превращает разовую услугу (фотосъёмка) в постоянное партнёрство с ежеквартальными ревью и сезонными обновлениями.

Что дальше

Детектор убитых карточек -- находите клиентов с плохим контентом и высокой выручкой
Ниша-скаут -- еженедельный мониторинг растущих ниш
Стратегия для Fotofactor -- все сценарии использования MPStats
Примеры API запросов -- готовые сниппеты для работы с API

Проблема​

Пайплайн данных​

Ключевые поля для анализа​

Анализ​

Региональная матрица эффективности​

Дерево решений по региону​

Пример региональной матрицы​

Агрегация по портфелю клиента​

Действие Fotofactor​

Региональный контент-пакет​

Формирование предложения клиенту​

Шаблон outreach для продавца​

Результат для клиента​

Эффект от региональной оптимизации​

Экономика для Fotofactor​

Позиционирование​

Что дальше​