Размерная матрица -- приоритизация фото по размерам

Пайплайн анализа размерных данных WB для определения, какой размер и цвет должен быть на главном фото карточки. Основан на реальных продажах, а не на «чутье» студии.

Проблема

Fashion-продавцы на Wildberries работают с десятками комбинаций размер/цвет. Но главное фото карточки показывает ОДИН конкретный вариант -- и именно он формирует первое впечатление покупателя.

Что происходит в 90% случаев:

• Студия снимает на модели XS/S -- потому что так принято в модной индустрии
• Продавец выбирает любимый цвет -- а не самый продаваемый
• Главное фото = субъективный вкус -- а не data-driven решение

Проблема в том, что целевая аудитория Wildberries -- это не подиум. Реальные продажи часто сконцентрированы в размерах M, L, XL. Когда покупательница видит вещь на худенькой модели XS, она не может представить, как это будет выглядеть на ней. Результат -- низкий CTR, высокий процент возвратов, потерянные продажи.

При этом данные для правильного решения уже есть в MPStats: поля sales_by_size и balance_by_size показывают точную картину спроса по размерам.

Возможность для Fotofactor: предлагать клиентам размерную матрицу -- аналитический отчёт, который превращает данные о продажах по размерам в конкретное ТЗ для фотосъёмки. Какой размер на модели, какой цвет главный, какие размеры акцентировать в инфографике.

Пайплайн данных

Источник: детальные данные товара MPStats

graph LR
    A["MPStats API<br/>Детали товара"] --> B["sales_by_size<br/>balance_by_size<br/>color"]
    B --> C["Ранжирование<br/>по продажам"]
    C --> D{"Концентрация<br/>ТОП-3 размеров"}
    D -->|"> 70%"| E["Фокус на 3 размера<br/>Главное фото = #1"]
    D -->|"< 70%"| F["Равномерный спрос<br/>Универсальный кадр"]
    E --> G["ТЗ на съёмку<br/>+ размерная инфографика"]
    F --> G

Какие данные даёт MPStats по размерам

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

• sales_by_size -- распределение продаж по размерам за выбранный период. Показывает, какие размеры реально покупают, а какие лежат мёртвым грузом.
• balance_by_size -- текущие остатки по каждому размеру на складах WB. Позволяет сопоставить спрос с наличием.
• color -- цветовой вариант товара. У одного артикула может быть несколько цветов, каждый со своей статистикой продаж.

Эти данные доступны через эндпоинт получения детальной информации по товару.

Таблица данных для анализа

Данные	Что показывает	Как используем
sales_by_size	Какие размеры продаются лучше всего	Определяем размер для главного фото
balance_by_size	Какие размеры есть в наличии	Выявляем дисбаланс спрос/наличие
color	Цветовой вариант артикула	Определяем приоритетный цвет карточки

Анализ

Алгоритм построения размерной матрицы

import httpx
from collections import OrderedDict

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


# Шаг 1: Получить размерные данные товара
def fetch_size_data(sku: int) -> dict:
    """Загружаем sales_by_size, balance_by_size и color для артикула."""
    resp = httpx.post(
        f"{BASE_URL}/wb/get/item",
        headers=HEADERS,
        json={"id": sku},
        timeout=30,
    )
    resp.raise_for_status()
    data = resp.json()
    return {
        "sales_by_size": data.get("sales_by_size", {}),
        "balance_by_size": data.get("balance_by_size", {}),
        "color": data.get("color", ""),
    }


# Шаг 2: Ранжировать размеры по продажам
def rank_sizes(sales_by_size: dict) -> list:
    """
    Ранжируем размеры от самого продаваемого к наименее продаваемому.
    Возвращает список кортежей: [(size, sales, share), ...]
    """
    total = sum(sales_by_size.values())
    if total == 0:
        return []

    ranked = sorted(
        sales_by_size.items(),
        key=lambda x: x[1],
        reverse=True,
    )

    return [
        {
            "size": size,
            "sales": sales,
            "share": round(sales / total * 100, 1),
        }
        for size, sales in ranked
    ]


# Шаг 3: Рассчитать концентрацию ТОП-3 размеров
def calculate_concentration(ranked_sizes: list, top_n: int = 3) -> dict:
    """
    Какой % продаж приходится на ТОП-N размеров?
    Если > 70% -- фокусируемся на этих размерах.
    """
    total_sales = sum(s["sales"] for s in ranked_sizes)
    top_sales = sum(s["sales"] for s in ranked_sizes[:top_n])

    concentration = round(top_sales / total_sales * 100, 1) if total_sales else 0

    return {
        "top_n": top_n,
        "concentration_pct": concentration,
        "top_sizes": [s["size"] for s in ranked_sizes[:top_n]],
        "strategy": "focused" if concentration > 70 else "universal",
    }


# Шаг 4: Сопоставить продажи с остатками (выявить проблемы)
def cross_reference_balance(
    ranked_sizes: list,
    balance_by_size: dict,
) -> list:
    """
    Для каждого размера определяем: есть ли проблема с остатками?
    - ТОП по продажам, но мало остатков → срочно пополнить
    - Мало продаж, но много остатков → переизбыток, не акцентировать
    """
    results = []

    for item in ranked_sizes:
        size = item["size"]
        balance = balance_by_size.get(size, 0)
        sales = item["sales"]

        # Определяем статус
        if sales > 0 and balance < sales * 0.3:
            status = "low_stock"
            recommendation = "Пополнить остатки! Топ-продажи, мало стока"
        elif sales == 0 and balance > 100:
            status = "overstock"
            recommendation = "Переизбыток. Не акцентировать в контенте"
        elif item["share"] >= 25:
            status = "hero"
            recommendation = "Главное фото / первый слайд"
        elif item["share"] >= 15:
            status = "strong"
            recommendation = "Второе-третье фото"
        else:
            status = "minor"
            recommendation = "Указать в размерной сетке"

        results.append({
            **item,
            "balance": balance,
            "status": status,
            "recommendation": recommendation,
        })

    return results


# Шаг 5: Сформировать итоговую матрицу
def build_size_matrix(sku: int) -> dict:
    """Полный пайплайн: от SKU до готовой размерной матрицы."""
    data = fetch_size_data(sku)
    ranked = rank_sizes(data["sales_by_size"])
    concentration = calculate_concentration(ranked)
    matrix = cross_reference_balance(ranked, data["balance_by_size"])

    return {
        "sku": sku,
        "color": data["color"],
        "concentration": concentration,
        "matrix": matrix,
        "main_photo_size": ranked[0]["size"] if ranked else None,
        "main_photo_share": ranked[0]["share"] if ranked else 0,
    }

Пример выходных данных

Категория «Платья женские», артикул с 5 размерами:

Размер	Продажи	Доля	Остаток	Статус	Рекомендация
M	450	32%	120	hero	Главное фото
L	380	27%	85	hero	Второе фото
S	290	21%	200	strong	Инфографика
XL	180	13%	45	low_stock	Пополнить остатки!
XS	100	7%	300	overstock	Переизбыток

Концентрация ТОП-3: 80% продаж приходится на M + L + S. Стратегия: focused -- весь контент строим вокруг этих трёх размеров.

Типичная ошибка: модель XS для аудитории M/L

Абсолютное большинство fashion-студий по умолчанию снимают на моделях размера XS-S (40-42 RU). Это стандарт модной индустрии, перенесённый с подиума.

Но данные MPStats показывают другую реальность:

• В 70%+ fashion-категорий на WB самый продаваемый размер -- M или L (44-48 RU)
• Покупательница размера L видит вещь на модели XS и не может представить посадку на себе
• Результат: низкий CTR на главном фото + высокий % возвратов с комментарием «не соответствует фото»
• Возвраты по причине "не подошёл размер" -- это до 40% всех возвратов в fashion на WB

Если sales_by_size показывает, что M+L = 59% продаж, а XS = 7% -- снимать на модели XS это прямая потеря денег.

Анализ по цветам

Тот же принцип работает для цветовых вариантов. Если у артикула 5 цветов:

Цвет	Продажи	Доля	Рекомендация
Чёрный	820	38%	Главная карточка
Бежевый	540	25%	Второй по приоритету
Синий	390	18%	Третий вариант
Красный	250	12%	Фоновый
Белый	150	7%	Минимальный приоритет

Вывод: главное фото карточки должно быть чёрного цвета, не красного (который часто выбирают «для яркости»).

Действие Fotofactor

От данных к ТЗ на фотосъёмку

graph TD
    A["MPStats API<br/>sales_by_size, balance_by_size"] --> B["Размерная матрица<br/>ранжирование + концентрация"]
    B --> C["Выбор модели<br/>размер = ТОП по продажам"]
    B --> D["Приоритет цвета<br/>главная карточка = ТОП цвет"]
    C --> E["ТЗ на фотосъёмку<br/>+ размерная инфографика"]
    D --> E
    E --> F["Фотосъёмка<br/>Fotofactor"]
    F --> G["A/B тест<br/>старое фото vs новое"]

Стратегия выбора модели: снимайте на самом продаваемом размере

Данные sales_by_size дают однозначный ответ, на какой модели снимать:

1. Главное фото -- модель в размере #1 по продажам (обычно M или L)
2. Второе фото -- тот же товар, но показан на модели другого телосложения (для S или XL)
3. Инфографика -- размерная сетка с акцентом на ТОП-3 размера
4. Лукбук -- если концентрация ТОП-3 менее 70%, показать товар на разных фигурах

Правило: модель на главном фото = размер, который генерирует максимум продаж. Не XS «потому что так красивее», а M/L «потому что так покупают».

Для клиента это означает: вместо стандартной модели 42-го размера студия подбирает модель размера M-L (44-48), что может потребовать расширения модельной базы. Но инвестиция окупается через рост конверсии.

Конкретные действия для каждого элемента контента

1. Главное фото карточки:

• Модель в размере #1 по sales_by_size (не в стандартном S!)
• Цвет = самый продаваемый по данным MPStats
• Ракурс, максимально показывающий посадку на реальной фигуре

2. Размерная инфографика:

• Размерная сетка с выделением ТОП-3 продаваемых размеров
• Реальные замеры (обхват груди, талии, бёдер) для каждого размера
• Фото на моделях разного телосложения с указанием размеров
• Акцент: «Самый популярный размер -- M» (social proof)

3. Приоритет цвета:

• Если товар представлен в нескольких цветах -- главная карточка = бестселлер по цвету
• Остальные цвета идут вторичными карточками
• Инфографика показывает все доступные цвета с пометкой «ХИТ» на самом продаваемом

4. Размер-fit гайд (снижение возвратов):

• Сравнительные фото: одна модель в S, другая в L -- показать разницу посадки
• Рекомендации: «Если ваш обычный размер 46 -- берите M»
• Таблица соответствия: RU / EU / US размеры

5. Сезонная ротация:

• Пересчитывать размерную матрицу каждый сезон
• Летом может расти S (открытая одежда), зимой -- L/XL (верхняя одежда)
• Обновлять главное фото при смене лидера продаж

Результат

Для клиента (fashion-продавца на WB)

• Главное фото показывает то, что реально продаётся -- рост CTR на 15-25%
• Размерный гайд на основе данных -- снижение возвратов на 10-20%
• Правильный цвет на главной карточке -- рост конверсии в корзину
• Лучшее соответствие остатков и контента -- нет ситуации «рекламируем то, чего нет на складе»
• Сезонная адаптация -- контент актуален круглый год

Для Fotofactor

Метрика	Значение
Стоимость анализа	60 000-100 000 рублей (матрица + съёмка)
Время на анализ	~20 мин (автоматизировано)
Конверсия аудита в заказ	50-65% (данные убедительны)
Средний чек	Выше на 30% vs обычная съёмка (аналитика + работа)
Сезонное обновление	40 000-60 000 рублей/сезон (ресъёмка главного фото)
Рекуррент	4 раза в год (по смене сезона)

Почему это работает

1. Данные вместо вкуса -- продавец видит цифры, а не субъективное мнение фотографа
2. Прямое влияние на метрики -- CTR и конверсия растут, возвраты падают
3. Низкий порог входа -- анализ занимает 20 минут, данные уже есть в MPStats
4. Повторяемость -- размерная матрица меняется каждый сезон, клиент возвращается
5. Конкурентное преимущество -- 95% студий снимают «по стандарту», а не по данным

Unit-экономика

Вход:  1 артикул клиента (1 API-запрос на SKU)
       ↓
Анализ: Размерная матрица + цветовой приоритет (~20 мин)
       ↓
ТЗ:    Data-driven бриф на фотосъёмку
       ↓
Сделка: 60 000-100 000 рублей (анализ + съёмка)
       ↓
Ресъёмка: 40 000-60 000 рублей × 4 сезона/год
       ↓
LTV:   220 000-340 000 рублей/год на клиента

Критическая проверка: остатки vs продажи

Перед формированием ТЗ на съёмку обязательно сопоставьте sales_by_size с balance_by_size:

• Если ТОП-размер M с долей 32%, но остаток всего 45 шт. -- это проблема. Нет смысла ставить M на главное фото, если он закончится через неделю.
• Сначала клиент должен пополнить остатки по ТОП-размерам, и только потом менять контент.
• Иначе: новое главное фото увеличит спрос на M → M быстро закончится → карточка потеряет позиции → деньги на съёмку потрачены зря.

Правило: рекомендуйте съёмку только когда balance / monthly_sales >= 1.5 для ТОП-размера. Иначе -- сначала закупка, потом контент.

Что дальше

• Фото-формула ТОПа -- бенчмарк контента ТОП-20 в категории
• Голос покупателя -- анализ отзывов для понимания, что ценят покупатели
• До/После -- доказать ROI после смены главного фото на data-driven
• Контент-усталость -- когда пора пересчитать размерную матрицу