Почему старое SEO умерло и как Дмитрий Ковпак советует продвигать товары сейчас?

Позиция товара на маркетплейсах сегодня определяется юнит-экономикой самой площадки, а не плотностью ключевых слов. Я, Дмитрий Ковпак, оценивая стратегии селлеров, вижу системный диссонанс: команды упорно собирают громоздкие семантические ядра и вписывают сотни синонимов в описание карточек, игнорируя смену архитектуры ранжирования.

Поисковые алгоритмы переключились на векторный поиск (Vector Search), который сопоставляет интент покупателя с визуальным контентом и финансовыми метриками конкретного SKU. Если карточка перегружена ключами ради искусственного охвата, она собирает нецелевые клики и просаживает конверсию в заказ (Buy-to-Detail). В итоге товар вхолостую катается по логистическим узлам, принося маркетплейсу прямые убытки на кросс-докинге. Алгоритм автоматически пессимизирует продукт, чье текстовое наполнение вступает в конфликт с рентабельностью самой платформы.

Как векторный поиск маркетплейсов оценивает SEO карточки?

Алгоритмы выдачи Ozon и Wildberries перестали опираться на частотность конкретных слов в описании. Согласно архитектурным разборам от инженеров Ozon Tech на Хабре, платформы перешли на семантический поиск на базе алгоритма HNSW (Hierarchical Navigable Small World). Запросы покупателей и тексты карточек конвертируются в числовые векторы. Система вычисляет математическую близость этих координат: по запросу «обувь для бега по асфальту» в выдачу попадают кроссовки с характеристиками жесткой амортизации подошвы, даже без прямого упоминания покрытия в тексте.

Вписывание смежных ключей ради искусственного расширения охвата теперь дает обратный эффект. В документации API Wildberries закреплен механизм автоматического занижения позиций за спам в описании. Технически перегруженное семантическое ядро размывает вектор товара, сдвигая его координаты из целевого кластера. Механика пессимизации выглядит прозрачно:

• карточка показывается по нерелевантным запросам;
• товар собирает показы, но процент переходов и добавлений в корзину падает;
• алгоритм фиксирует снижение конверсии и опускает товар на нижние страницы каталога.

Как индекс локализации влияет на позицию карточки в выдаче?

Алгоритм ранжирования маркетплейсов напрямую привязан к стоимости магистральной логистики. Площадка зарабатывает на комиссии, но оплачивает транспортировку. Если селлер держит сток только на центральном складе в Подмосковье, а заказ оформляет клиент из Новосибирска, платформа теряет маржинальность на кросс-докинге. Система оценивает юнит-экономику каждой потенциальной доставки: карточка с другого конца страны опустится в поиске просто потому, что логистика съест всю прибыль маркетплейса.

Для управления этой экономикой Ozon использует «Индекс локализации», а Wildberries заложил в алгоритм приоритет скорости доставки до конкретного ПВЗ. Распределение стока по региональным кластерам дает автоматический буст в поиске. Площадке технически выгоднее показывать покупателю те товары, логистический цикл которых короче и дешевле, независимо от того, насколько плотно собрано текстовое ядро в описании.

Как маркетплейсы проверяют соответствие фото и текста с помощью Computer Vision?

Алгоритмы площадок используют компьютерное зрение (Computer Vision) для автоматического тегирования визуального контента. Нейросети сканируют фотографии в карточке, определяют категорию предмета, его базовые характеристики и распознают текст, нанесенный на инфографику. Система выявляет кликбейт и сопоставляет полученные визуальные данные с текстовым SEO-описанием.

Сложности с ранжированием начинаются, когда семантическое ядро карточки вступает в конфликт с визуальными тегами. Технически этот процесс выглядит так:

• нейросеть платформы присваивает изображению товара набор тегов;
• система сканирует текстовое описание и выявляет ключи, которые противоречат визуальным характеристикам;
• алгоритм фиксирует смысловое рассогласование (Content Mismatch) и автоматически отсекает товар от нерелевантных поисковых кластеров.

Такая оцифрованная модерация напрямую связана с экономикой возвратов. Если карточка из-за переспама ключами показывается нецелевой аудитории, она собирает пустые клики. Проседает метрика Buy-to-Detail – отношение количества выкупов к просмотрам. Снижение конверсии дает алгоритму сигнал, что показ этого товара нерентабелен: логистика рискует получить холостой прогон и возврат на ПВЗ. В результате платформа занижает рейтинг карточки, защищая свою юнит-экономику от потенциального убытка.

Как изменились алгоритмы ранжирования товаров на маркетплейсах?

Эволюция поисковых систем маркетплейсов сместила фокус с чистого текстового SEO на операционную эффективность бизнеса. Разница между текущими подходами и методами прошлых лет заключается в переходе к жесткой оценке прибыльности каждой товарной карточки для самой платформы:

• Целевые ориентиры: Ранее основной задачей было насыщение текста ключевыми словами. Сейчас приоритет отдан релевантности товара конкретному сценарию использования и техническим характеристикам, подтвержденным нейросетью.
• Инструментарий: Вместо текстовых редакторов для подбора слов ключевыми стали калькуляторы юнит-экономики, инструменты управления остатками и планирования поставок.
• Драйверы роста: Общий объем продаж уступил место коэффициенту выкупа (Buy-to-Detail). Алгоритм продвигает те карточки, которые превращаются в реальную выручку, а не в расходы на логистику возвратов.
• Роль фотоконтента: Изображения перестали быть только инструментом для повышения CTR. Теперь это данные для Computer Vision, которые площадка сопоставляет с текстовым описанием для проверки достоверности контента.
• Риски: Спам в описании теперь не просто снижает качество текста, а ведет к техническим ограничениям (Content Mismatch) и автоматической пессимизации в поиске из-за падения конверсии.

Как вернуть карточку товара в топ выдачи маркетплейса?

Если позиции товара падают, проблема чаще кроется в юнит-экономике и логистике, а не в нехватке ключевых слов в описании. Для выравнивания показателей нужен алгоритм оцифровки карточки:

1. Расчет ROI от локализации. Распределять сток по стране стоит после математической оценки. Считаем, что выгоднее: заморозить часть оборотного капитала, раскидав партию по региональным складам ради роста Индекса локализации, или оставить товар на центральном узле. В первом варианте карточка получает буст в ранжировании, во втором — бизнес экономит на логистике и не блокирует деньги в остатках.
2. Чистка семантики под метрику выкупа. Убираем околоцелевые ключи, которые дают показы, но роняют Buy-to-Detail (конверсию из просмотра в выкуп). В описании остаются только те запросы, по которым товар стабильно забирают с ПВЗ. Холостые клики бьют по экономике маркетплейса, заставляя алгоритм пессимизировать товар.
3. Синхронизация визуала и текста. Приводим SEO-ядро в соответствие с тем, что объективно изображено на фото. Если автотегирование платформы распознает на картинке одни характеристики, а в тексте прописаны другие, возникает технический конфликт (Content Mismatch).
4. Отсечение убыточных SKU. Анализируем долю возвратов по конкретным размерам или цветам. Один проблемный артикул тянет на дно общий рейтинг карточки. Целесообразно снять с продажи неудачный вариант, чтобы сохранить позиции продукта в выдаче и не оплачивать постоянные возвраты на склад.