PIM-система для управления контентом и сбора аналитики

Роль: Product Designer

Стек: Кабинетное исследование, конкурентный анализ, продуктовая рамка, гипотезы, глубинные интервью, приоритизация.

Статус: в работе — сейчас приоритизирую гипотезы после интервью. Кейс дополняется по ходу проекта.

Цель проекта: Спроектировать PIM-систему для fashion-брендов среднего размера, которые продают на маркетплейсах: чтобы бренд видел, какой контент карточки работает на продажи, и тратил деньги на него осознанно, а не наугад.

Почему эта тема

До продуктового дизайна я 4 года работал в fashion-бренде одежды и сумок: маркетплейсы, контент, производство, продажи на сайте и в рознице. Я видел изнутри, как решения о фото и описаниях принимаются «на глаз», а результат съёмок никто не измеряет. Поэтому выбрал проблему, которую знаю не по статьям.

Контекст: что такое PIM и чем особенный fashion

PIM (Product Information Management) — единое место, где компания хранит, редактирует и обогащает все данные о товарах: названия, описания, характеристики, фото, связи между товарами и варианты контента для разных каналов продаж. DAM (Digital Asset Management) — система хранения и организации цифровых файлов: фото, видео, документов.

Готовые PIM-системы универсальны и сложны во внедрении. В fashion у них много слабых мест:

Огромная матрица SKU. Одна модель делится на цвета и размеры — 60 моделей в 3 цветах уже дают 180 артикулов.
Визуал решает. Нужны фото на моделях, видео, таблицы размеров, а покупатель по росту и весу модели прикидывает свой размер.
Короткий жизненный цикл. Коллекции обновляются несколько раз в год, остатки уходят в распродажи.
Ценовые слои и омниканальность. Разница цен между площадками стоит бизнесу больших денег.

Продуктовая рамка

Прежде чем искать решения, я зафиксировал, зачем продукт бизнесу и как мы поймём, что он работает.

Миссия. Fashion-бренды тратят деньги на съёмки и рекламу вслепую: не видят, какой контент заставляет кликнуть и купить, а какой сливает бюджет. Продукт хранит контент бренда и показывает, как каждое изменение карточки влияет на продажи.

Цели:

Стать стандартным инструментом для fashion-брендов среднего размера на маркетплейсах — ниша, которую крупные PIM-платформы не закрывают из-за универсального подхода и сложного внедрения.
Набрать базу брендов, которые используют продукт не как разовое хранилище, а как постоянный инструмент для решений о контенте.

Гипотеза успеха: продукт работает, если пользователи регулярно возвращаются не для загрузки фото, а чтобы проверить аналитику перед изменением карточки — и со временем закладывают пересъёмку в бюджет по нашим рекомендациям, а не по интуиции.

Аудитория: менеджеры e-commerce и маркетологи, дизайнеры и копирайтеры, руководители маркетинга.

Монетизация: freemium и SaaS-подписка.

Метрики на старте: Activation Rate (доля команд, совершивших ключевое действие, а не просто зашедших), MAU/WAU, Retention через месяц, Time-to-Value, доля продлений подписки, CAC и качественные отзывы.

Рынок и конкуренты

Я изучил обзоры и сравнения PIM-систем на российском рынке и разобрал прямых конкурентов: MarketProvider, Catalog.App, CompoPIM и Brandquad. Это универсальные платформы со сложным внедрением — под задачи небольшого fashion-бренда на маркетплейсах их приходится долго настраивать.

Кабинетное исследование подсветило контекст рынка: многие российские бренды до сих пор работают по принципу «кажется, это купят», а владельцы всё меньше погружаются в юнит-экономику и маркетинговую стратегию. Треть покупателей при этом сравнивают цены на разных площадках перед каждой покупкой.

Гипотезы

Из исследования и собственного опыта я сформулировал шесть гипотез в формате «Мы предполагаем, что [решение] повысит [метрику], потому что решит [проблему]». Например:

Мы предполагаем, что автоматические уведомления при падении CTR/ДРР карточки повысят скорость реакции команды на проблемные товары, потому что решат проблему позднего обнаружения — сейчас просадки замечают только при плановом просмотре отчётов, теряя продажи в промежутке.

Все гипотезы:

Готовые шаблоны атрибутов под fashion-категории (размерные сетки, состав, посадка) ускорят заполнение новой карточки.
A/B-тест главного фото прямо в системе повысит конверсию карточки.
Привязка версии контента к динамике CTR ускорит решения об обновлении карточек.
Уведомления о падении CTR/ДРР ускорят реакцию на проблемные товары.
AI-рекомендации по элементам карточки (главное фото, порядок изображений, первая строка описания) повысят CTR.
Окупаемость фотосессии (затраты против прироста CTR и снижения ДРР) поможет обосновать бюджет на пересъёмку.

Глубинные интервью

Чтобы проверить гипотезы, я составил гайд примерно на 40 минут. Отбирал респондентов квалифицирующими вопросами: продают одежду, обувь или аксессуары на маркетплейсах, сами влияют на решения о контенте и обновляли карточки за последние полгода.

Блоки гайда: процесс от идеи до публикации карточки, выбор контента и формата съёмки, оценка результата изменений, затраты на производство контента, ведение каталога, инструменты. Я спрашивал про конкретные последние случаи, а не про мнения: «когда в последний раз меняли фото — что стало поводом?».

Респонденты:

менеджер маркетплейсов fashion-бренда — около 250 SKU, несколько площадок;
менеджер маркетплейсов собственного швейного производства — около 400 артикулов на команду из 4 менеджеров, Wildberries;
специалист по планированию продаж и производства — работал со многими брендами одежды и не только, на Ozon, Wildberries и Яндекс Маркете.

Что болит

Отчётность вручную. Каждый день кто-то выгружает воронку продаж и рекламную статистику и сводит в Excel-таблицы по каждому товару. Каждое утро менеджер обходит свои таблицы и проверяет: упали ли заказы, не вышел ли ДРР за рамки.
Просадки замечают поздно — минимум через сутки, и только при плановом просмотре.
Контент выбирают по интуиции. Главное фото ставят «по насмотренности», тест длится пару дней без цели и методики. Связь «фото → CTR» хранят в отдельной ручной таблице.
A/B-тесты — костыли: дубли карточек, второй штрихкод. Результат на одном маркетплейсе не переносится на другой.
Подготовка данных. Характеристик заранее нет: их добывают у технолога, а маркетплейсы добавляют новые поля. Агрегаторы для нескольких площадок не справляются с сопоставлением полей — всё равно правят руками.

Что не болит

Хранение контента. Яндекс Диск или Битрикс24 с папками по артикулу — «нашла, скачала, всё». Ни один респондент не назвал это проблемой.
Заполнение одной карточки — около 10 минут, шаблонно.

Важный сдвиг рынка: одна из компаний полностью отказалась от фотосъёмок в пользу генерации ИИ. Контент стал дешёвым, его меняют чаще — и вариантов, которые нужно сравнивать по метрикам, становится больше.

Что интервью сказали о гипотезах

Гипотеза	Что услышал
Шаблоны атрибутов	Само заполнение быстрое. Боль глубже — в подготовке данных и новых полях маркетплейсов
A/B-тест главного фото	Тестируют все, но вручную. На живой карточке у большинства селлеров слишком мало трафика для значимого результата
Версия контента + CTR	Подтверждается: сейчас это ведут в отдельной ручной таблице — прямой кандидат на замену
Уведомления о просадках	Подтверждается: ежедневный ручной обход таблиц и задержка минимум в сутки
AI-рекомендации	Нужна логика диагностики: мало переходов — дело в контенте, низкая конверсия — скорее в продукте или цене
Окупаемость съёмки	Никто её не считает, а съёмки уходят в прошлое из-за ИИ-генерации — гипотеза слабеет

Главный вывод: позиционирование «удобное хранилище контента» не зайдёт — хранение не болит. Ценность продукта в аналитике контента: связать каждую версию фото и описания с метриками и подсказать, что менять.

Новые гипотезы из интервью:

Тестирование контента до публикации. Загрузил несколько вариантов картинок → быстрый тест на синтетических респондентах → видно, какие варианты лучше доносят преимущества товара. Может стать бесплатной точкой входа в продукт.
Публикация на несколько маркетплейсов с надёжным сопоставлением полей — боль реальная, но рынок полон слабых решений, поэтому ценность только при надёжной работе.

Ещё одно наблюдение: респонденты часто говорят «всё удобно», а боли проявляются только в описании конкретных действий. В следующих интервью буду больше спрашивать про конкретные случаи и затраты времени.

Следующие шаги

Оценить гипотезы по ICE (Impact, Confidence, Ease) с учётом интервью и выбрать фокус для MVP.
Поговорить с крупными селлерами: в категории основной трафик собирают несколько десятков продавцов, и именно для них A/B-тесты статистически значимы.
Описать путь пользователя по AARRR — от первого знакомства до продления подписки.
Перейти к сценариям, информационной архитектуре и прототипу.