Скоринг клиентов через MPStats API

Методология автоматической оценки потенциальных и существующих клиентов Fotofactor с помощью данных MPStats.

Концепция

ContentScore — числовая оценка (0–100), показывающая качество контента карточки товара и потенциал роста при улучшении.

ContentScore = f(фото, SEO, позиции, продажи, конкуренты)

Чем ниже ContentScore → тем больше потенциал для услуг Fotofactor.

Алгоритм скоринга

Шаг 1: Сбор данных о клиенте

# Получаем все товары продавца
seller_items = mpstats_api.get_seller(seller_name, d1, d2)

# Для каждого SKU получаем детали
for item in seller_items:
    sales = mpstats_api.get_item_sales(item['id'], d1, d2)
    # prices = mpstats_api.get_item_prices(item['id'], d1, d2)

Шаг 2: Анализ по параметрам

Параметр	Вес	Как оценивать
Позиция в категории	25%	Топ-10 = 100, топ-50 = 70, топ-100 = 40, от 100 = 10
Продажи vs конкуренты	25%	Отношение к среднему в категории (x100)
Количество фото	15%	10+ = 100, 7–9 = 80, 4–6 = 50, менее 4 = 20
Рейтинг	15%	4.5+ = 100, 4.0–4.4 = 70, менее 4.0 = 30
SEO (ключевые слова)	10%	Наличие ключей в названии и описании
Динамика продаж	10%	Рост = 100, стабильно = 50, падение = 10

Шаг 3: Расчёт ContentScore

def calculate_content_score(item_data: dict, category_avg: dict) -> int:
    score = 0

    # Позиция
    position = item_data.get('category_position', 999)
    if position <= 10: score += 25
    elif position <= 50: score += 17
    elif position <= 100: score += 10
    else: score += 2

    # Продажи vs категория
    sales_ratio = item_data['sales'] / max(category_avg['sales'], 1)
    score += min(25, int(sales_ratio * 25))

    # Фото
    photo_count = item_data.get('photos', 0)
    if photo_count >= 10: score += 15
    elif photo_count >= 7: score += 12
    elif photo_count >= 4: score += 7
    else: score += 3

    # Рейтинг
    rating = item_data.get('rating', 0)
    if rating >= 4.5: score += 15
    elif rating >= 4.0: score += 10
    else: score += 4

    # SEO и динамика — упрощённо
    score += 10  # заглушка для SEO
    score += 10  # заглушка для динамики

    return min(100, score)

Шаг 4: Интерпретация

ContentScore	Статус	Действие
0–30	Критично	Горячий лид — нужна полная переработка контента
31–50	Слабый	Тёплый лид — много точек улучшения
51–70	Средний	Лид — есть точки улучшения
71–85	Хороший	Существующий клиент — поддержка и A/B тесты
86–100	Отличный	Клиент-амбассадор — кейс для портфолио

Workflow скоринга

1. Получить список потенциальных клиентов
   (из CRM, рекомендаций, парсинга WB)

2. Для каждого клиента:
   → MPStats API: получить товары продавца
   → Рассчитать ContentScore для каждого SKU
   → Средний ContentScore = оценка клиента

3. Отсортировать по потенциалу (низкий score = высокий потенциал)

4. Сформировать предложение:
   → "Ваш средний ContentScore: 38/100"
   → "Топ-3 карточки для улучшения: ..."
   → "Ожидаемый рост продаж: +25–40%"

Автоматизация через Claude

Claude может использовать MPStats API как инструмент:

Пользователь: "Проанализируй продавца Nike на WB"

Claude:
1. Запрос MPStats API → товары продавца
2. Расчёт ContentScore для каждого SKU
3. Генерация отчёта с рекомендациями
4. Приоритизация карточек для улучшения

Минимальный подход

Не нужен SaaS-сервис. Claude + MPStats API + простой Python-скрипт = полноценный скоринг клиентов.

Метрики эффективности

• Конверсия лидов: скоринг 0–30 конвертируется в 15–20% случаев
• Средний чек: клиенты с низким ContentScore заказывают больше услуг
• ROI для клиента: после улучшения контента продажи растут на 20–50%