ИИ-анализ ниши на Wildberries перед запуском товара: как не слить 200 000 рублей на невостребованный продукт

import requests
import anthropic
import json
from collections import Counter

CLAUDE_API_KEY = "YOUR_CLAUDE_KEY"

WB_SEARCH_URL = "https://search.wb.ru/exactmatch/ru/common/v4/search"
WB_FEEDBACKS_URL = "https://feedbacks2.wb.ru/feedbacks/v1/"

HEADERS = {
  "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36",
  "Accept": "application/json",
}


def fetch_wb_products(query: str, limit: int = 100) -> list:
  """Забираем топ-N товаров по поисковому запросу."""
  params = {
      "query": query,
      "resultset": "catalog",
      "limit": limit,
      "sort": "popular",
      "page": 1,
      "appType": 1,
      "curr": "rub",
      "dest": -1257786,  # Москва
      "spp": 30,
  }
  r = requests.get(WB_SEARCH_URL, params=params, headers=HEADERS, timeout=15)
  r.raise_for_status()
  data = r.json()
  products = data.get("data", {}).get("products", [])
  return products


def fetch_feedbacks(nm_id: int, limit: int = 20) -> list:
  """Забираем тексты последних отзывов для одного товара."""
  params = {"imtId": nm_id, "skip": 0, "take": limit}
  try:
      r = requests.get(
          WB_FEEDBACKS_URL + str(nm_id),
          params=params,
          headers=HEADERS,
          timeout=10,
      )
      if r.status_code == 200:
          data = r.json()
          feedbacks = data.get("feedbacks", [])
          return [f.get("text", "") for f in feedbacks if f.get("text")]
  except Exception:
      pass
  return []


def compute_metrics(products: list) -> dict:
  """Считаем метрики ниши по списку товаров."""
  if not products:
      return {}

  prices = [p.get("salePriceU", 0) / 100 for p in products if p.get("salePriceU")]
  feedbacks_counts = [p.get("feedbacks", 0) for p in products]
  brands = [p.get("brand", "") for p in products if p.get("brand")]
  sellers = [p.get("supplierId", 0) for p in products if p.get("supplierId")]
  ratings = [p.get("rating", 0) for p in products if p.get("rating")]
  new_items = [p for p in products if p.get("feedbacks", 0) < 10]

  # Концентрация топ-3 брендов по числу отзывов
  brand_feedback = {}
  for p in products:
      b = p.get("brand", "unknown")
      brand_feedback[b] = brand_feedback.get(b, 0) + p.get("feedbacks", 0)
  top3_brands = sorted(brand_feedback.items(), key=lambda x: -x[1])[:3]
  total_feedbacks = sum(brand_feedback.values()) or 1
  top3_share = sum(v for _, v in top3_brands) / total_feedbacks * 100

  top10_avg_feedback = sum(feedbacks_counts[:10]) / 10 if feedbacks_counts else 0
  avg_price = sum(prices) / len(prices) if prices else 0
  median_price = sorted(prices)[len(prices) // 2] if prices else 0
  avg_rating = sum(ratings) / len(ratings) if ratings else 0
  low_rating_share = len([r for r in ratings if r < 4.0]) / len(ratings) * 100 if ratings else 0
  new_items_share = len(new_items) / len(products) * 100

  return {
      "total_products": len(products),
      "unique_sellers": len(set(sellers)),
      "unique_brands": len(set(brands)),
      "avg_price_rub": round(avg_price),
      "median_price_rub": round(median_price),
      "price_min": round(min(prices)) if prices else 0,
      "price_max": round(max(prices)) if prices else 0,
      "top10_avg_feedbacks": round(top10_avg_feedback),
      "top3_brands_share_pct": round(top3_share, 1),
      "top3_brands": [b for b, _ in top3_brands],
      "avg_rating": round(avg_rating, 2),
      "low_rating_share_pct": round(low_rating_share, 1),
      "new_items_share_pct": round(new_items_share, 1),
  }


def analyze_with_claude(query: str, metrics: dict, reviews_sample: list[str]) -> str:
  """Отправляем метрики и отзывы в Claude, получаем вердикт."""
  client = anthropic.Anthropic(api_key=CLAUDE_API_KEY)

  reviews_text = "\n".join(f"- {r[:200]}" for r in reviews_sample[:30]) if reviews_sample else "Отзывы не удалось загрузить."

  prompt = """Ты аналитик маркетплейсов. Оцени нишу на Wildberries по следующим данным.

Поисковый запрос: """ + query + """

МЕТРИКИ НИШИ (топ-100 товаров):
""" + json.dumps(metrics, ensure_ascii=False, indent=2) + """

ВЫБОРКА ОТЗЫВОВ (из топ-5 товаров ниши):
""" + reviews_text + """

Дай вывод по структуре:
1. ВЕРДИКТ (одна строка): Заходить / Осторожно / Не заходить
2. ПРИЧИНЫ (3-4 пункта с цифрами из метрик)
3. СЛАБЫЕ МЕСТА КОНКУРЕНТОВ (что хвалят и на что жалуются в отзывах)
4. ПОЗИЦИОНИРОВАНИЕ (если заходить — конкретный угол, ценовой сегмент, УТП)
5. РИСКИ (2-3 конкретных)

Пиши по-русски, коротко и конкретно. Без воды."""

  message = client.messages.create(
      model="claude-sonnet-4-6",
      max_tokens=1500,
      messages=[{"role": "user", "content": prompt}]
  )
  return message.content[0].text


def analyze_niche(query: str) -> None:
  print(f"Анализируем нишу: '{query}'")

  print("Загружаем товары...")
  products = fetch_wb_products(query, limit=100)
  print(f"Найдено товаров: {len(products)}")

  metrics = compute_metrics(products)

  print("Загружаем отзывы топ-5 товаров...")
  reviews = []
  for p in products[:5]:
      nm_id = p.get("id", 0)
      if nm_id:
          reviews.extend(fetch_feedbacks(nm_id, limit=15))

  print(f"Отзывов для анализа: {len(reviews)}")
  print("Отправляем в Claude...")

  analysis = analyze_with_claude(query, metrics, reviews)

  print("\n" + "="*60)
  print(f"АНАЛИЗ НИШИ: {query}")
  print("="*60)
  print(json.dumps(metrics, ensure_ascii=False, indent=2))
  print("\n--- ВЕРДИКТ CLAUDE ---")
  print(analysis)


if __name__ == "__main__":
  analyze_niche("силиконовые формы для выпечки")