Excel, 3 маркетплейса и 170 часов рутины — как я автоматизировал работу e-commerce команды

Автоматизацию бизнеса часто обсуждают в контексте замены сотрудников: вот сейчас подключим AI, сократим отдел поддержки в три раза и получим экономический эффект.

На практике мне гораздо интереснее другой класс задач.

Есть сотрудники, которые умеют анализировать продажи, работать с ассортиментом, рекламой и клиентами. Но несколько часов каждого рабочего дня они тратят на то, чтобы переносить данные из одной системы в другую или в сотый раз писать почти одинаковый ответ покупателю.

Один из проектов, над которым я работал, как раз оказался таким.

Компания продаёт товары на нескольких крупных маркетплейсах. Название компании и часть показателей я не раскрываю, а цифры ниже округлил, чтобы не публиковать внутренние данные. На саму экономику кейса это принципиально не влияет.

Что было изначально

В операционной части направления работало пять человек:

Это только оклады. В расчёте я намеренно не добавляю страховые взносы, оборудование, найм, управление и остальные расходы работодателя. У компании было несколько сотен товарных позиций, представленных сразу на нескольких площадках Внутри компании при этом уже существовал единый источник данных — обычная Excel-таблица. И сама по себе Excel здесь совершенно не была проблемой. Проблема начиналась после того, как кто-то менял данные в таблице.

Проблема №1. Excel знает одно, маркетплейсы — другое

Представим, что у товара поменялась какая-нибудь характеристика. Сотрудник обновляет её во внутренней таблице. После этого ему нужно зайти в один маркетплейс, найти товар, изменить поле, сохранить. Потом открыть второй маркетплейс. Потом третий.

Причём структуры карточек у площадок разные. Где-то поле называется одним образом, где-то другим, где-то определённого значения вообще нет или оно кодируется иначе. К этому добавляются новые товары, изменение описаний, цен, параметров, категорий и массовые корректировки.

Получался довольно странный процесс:

Excel → человек → кабинет маркетплейса №1 → человек → кабинет №2 → человек → кабинет №3.

То есть сотрудник фактически работал интеграцией между четырьмя информационными системами. В среднем на подобную синхронизацию у команды суммарно уходило около 5–5,5 часов в день. При 22 рабочих днях это примерно:

120 часов в месяц.

И это важный момент: речь не о каком-то одном сотруднике, который восемь часов без остановки переносит значения из Excel. Один менеджер потратил 40 минут здесь, другой полтора часа там, кто-то обновлял новые карточки — и в итоге маленькие операции незаметно съедали значительную часть рабочего дня всей команды.

Что я сделал

Я убрал человека из роли транспорта между системами.

Excel остался источником данных. Менять привычный компании инструмент только ради того, чтобы написать красивую новую систему, смысла не было. Между таблицей и площадками появился сервис синхронизации.

Упрощённо схема стала выглядеть так:

Excel → сервис синхронизации → адаптер площадки → API маркетплейса.

Сервис определяет, какие данные изменились, приводит их к внутреннему формату, валидирует, а затем каждый адаптер преобразует их в формат конкретной площадки.

Отдельная важная часть — обработка ошибок.

Нельзя исходить из предположения, что запрос либо успешно отправился, либо программа упала. Маркетплейс может временно не отвечать. Может измениться ограничение API. Конкретная карточка может содержать недопустимое значение. Одно поле может успешно обновиться, а другое — нет. Поэтому ошибки логируются, временные проблемы повторяются, а ситуации, где действительно нужно решение человека, попадают сотруднику. То есть автоматизация не означает «написали скрипт, который молча что-то пушит во все кабинеты». Она означает, что человек занимается исключениями, а не нормальным сценарием.

После внедрения на контроль синхронизации и разбор проблем стало уходить порядка 30–40 минут в день вместо нескольких часов. Получилось высвободить примерно 100 часов в месяц.

Проблема №2. Сто способов написать «спасибо за отзыв»

Вторая зона оказалась ещё интереснее из-за AI.

У продавца постоянно появляются вопросы покупателей, отзывы и другие обращения. Часть из них действительно требует человека. Покупатель описывает необычную проблему. Нужно проверить детали заказа. Возник конфликт. Необходимо принять нестандартное решение. Но огромная часть сообщений похожа друг на друга.

Сотрудник открывает обращение, понимает его смысл, вспоминает информацию о товаре и правила компании, формулирует ответ, проверяет его и отправляет. Само написание текста может занимать две-три минуты. Но если таких сообщений сто за день, это уже несколько часов.

Здесь возникает очень соблазнительная идея:

Давайте подключим LLM и разрешим ей самостоятельно отвечать покупателям.

Я решил этого не делать.

Почему AI не отправляет ответы самостоятельно

Для меня есть существенная разница между двумя системами. Первая принимает решение и разговаривает с клиентом вместо компании. Вторая готовит сотруднику черновик. Я сделал второй вариант.

Система получает обращение, определяет связанный товар и доступный контекст, использует инструкции компании и формирует предполагаемый ответ.

Но дальше происходит самое важное: ответ попадает сотруднику, а не покупателю. Сотрудник может отправить его как есть, отредактировать или полностью отклонить. Получается что-то похожее на умный autocomplete для службы поддержки.

AI хорошо делает то, в чём он действительно полезен: быстро превращает известный контекст в связный текст. Человек оставляет за собой то, где цена ошибки выше: решение, действительно ли этот текст нужно говорить клиенту от имени компании.

До автоматизации обработка потока обращений занимала суммарно около пяти часов в день. После внедрения большая часть стандартных обращений стала обрабатываться значительно быстрее. Вместо написания ответа с нуля сотруднику часто было достаточно прочитать уже готовый вариант и нажать «отправить».

В пересчёте на месяц это дало ещё примерно 60–70 высвобождённых часов.

Теперь самое интересное: деньги

Сложим две задачи.

Один штатный сотрудник при обычной пятидневке — это примерно 160 рабочих часов в месяц. Получается, что две довольно локальные автоматизации вернули компании больше одной полной ставки рабочего времени.

Теперь попробуем очень грубо перевести это в деньги.

Совокупные оклады пяти сотрудников — около 500 тысяч рублей.

При 160 часах на человека команда располагает примерно 800 рабочими часами в месяц.

Получаем среднюю стоимость часа:

500 000 / 800 ≈ 625 ₽.

Тогда:

170 × 625 ≈ 106 000 ₽ в месяц.

То есть порядок эффекта — около 100–110 тысяч рублей рабочего времени ежемесячно.

И это консервативная оценка: здесь нет страховых взносов и остальных расходов компании на сотрудника.

Но есть важная оговорка: компания не стала на следующий день платить на 106 тысяч рублей меньше. Никого не увольняли. Поэтому технически правильнее говорить не о прямом сокращении ФОТ, а о высвобождённой производительности стоимостью примерно 100 тысяч рублей в месяц.

Эти часы сотрудники теперь могут потратить на работу с ассортиментом, аналитику, рекламу, проблемные обращения и другие задачи, где от человека действительно есть дополнительная ценность.

А при росте компании такой эффект может превратиться уже в совершенно прямую экономию: например, когда увеличение количества товаров и заказов не требует нанимать ещё одного операционного сотрудника.

Что мне нравится в этом кейсе

Ни одна из двух автоматизаций технологически не выглядит как революция. В первом случае мы просто связали уже существующий источник данных с API нескольких систем. Во втором добавили LLM в конкретную точку процесса, но специально не дали ей права принимать окончательное решение. И именно поэтому подобные задачи мне сейчас особенно интересны.

Автоматизация бизнеса необязательно начинается с внедрения огромной ERP, собственной ML-команды или идеи «заменить отдел нейросетью». Иногда достаточно посмотреть, что человек делает двадцать раз каждый день.

Если сценарий выглядит как:

открыл систему A → посмотрел данные → открыл систему B → перенёс данные → повторил,

то, возможно, между A и B просто не хватает кода.

А если сценарий выглядит как:

прочитал типовое сообщение → собрал известную информацию → написал стандартный текст → отправил,

то AI может не заменить сотрудника, а убрать самую механическую часть его работы.

И когда таких маленьких операций много, несколько минут превращаются сначала в часы, а потом — в сотни тысяч рублей в год.