Как заполнить 13000+ описаний карточек товаров за 3$ и 3 часа работы

Показываем, как сэкономить время и деньги на заполнении карточек товаров для интернет-магазинов и маркетплейсов с помощью нейросети и получить качественный результат.

У интернет-магазинов и маркетплейсов часто возникает проблема с тем, чтобы быстро и недорого заполнить тысячи пустых карточек товаров. На одном из проектов эту проблему мы решили с помощью нейросети, которая за пару часов сгенерировала 13 486 описаний для товаров. Еще час ушел на импорт текстов на сайт. Всё это обошлось нам в 3 доллара.

В статье рассказываем, как повторить этот процесс, какие нюансы важно учитывать и насколько качественный результат можно получить.

Пустые карточки товаров — не просто неудобство, это плохо для бизнеса.

Когда потенциальный покупатель заходит на страницу товара и видит только его название, кнопку заказать и в лучшем случае картинку, ему сложно решиться на покупку — непонятно, что за товар перед ним. Отсутствие описания также может вызывать сомнения в качестве продукции и надежности продавца.

Но главное, пустые карточки — это рост показателя отказов для всего ресурса. Когда пользователи массово уходят с сайта, не взаимодействуя с ним, поисковые алгоритмы воспринимают это как сигнал о низком качестве контента или неудобном интерфейсе. Это негативно влияет на SEO и позиции сайта в поисковых системах. Отказы снижают ИКС и ранжирование страниц в выдаче.

Наш клиент, интернет-магазин по продаже мототехники и запчастей, вручную заполнял по 200 описаний товаров в месяц силами одного несчастного контент-менеджера. При такой скорости работа с оставшимися пустыми 13 486 карточками заняла бы у клиента 5 лет! А ведь кроме этой задачи, есть и другие.

Некоторые карточки товаров выглядели совсем удручающе:

Конечно, здесь нужна и проработка H1, и добавление фото.

Мы решили прибегнуть к помощи искусственного интеллекта.

Генерация описаний нейросетью устранит проблему пустых карточек на сайте за считаные часы, а не годы, и высвободит ресурсы для других задач.

Мы понимали, что текст от ИИ будет не таким структурированным и информативным, как созданный контент-менеджером. Но отсутствие описания — ещё хуже. К тому же тексты для самых важных товаров можно потом доработать вручную.

Мы выбрали популярную нейросеть ChatGPT. С ее помощью можно добиться высокого качества текстов, а еще работать по API, что гораздо быстрее, нежели отправлять запросы по одному.

Сперва нужно было собрать список URL карточек товаров, у которых не было описания. Также мы обнаружили, что у многих карточек описание слишком короткое (менее 150 символов) и решили сгенерировать тексты и для них.

Чтобы спарсить список URL, мы использовали Screaming Frog. Задали ограничение на обход страниц с вхождением “/catalog/” и “.html” в URL, чтобы собрать только конечные страницы товаров. У нас есть видео с обзором этого инструмента.

Также добавили XPath-запросы для парсинга блока описания, цены товара, фото и характеристик. Выглядели запросы примерно так:

После парсинга обработали полученные данные в таблице:

Для отправки запросов к ИИ нужно подготовить промпты для каждого товара. Писать уникальный промпт каждому URL слишком трудозатратно. Необходимо было создать один хороший промпт, который можно шаблонизировать и использовать для всех страниц.

Сперва мы хотели для каждого URL просто посылать запрос к API в виде {URL-адрес; “Создай описание товара для этого url”}. Тестирование промптов проводили на сайте, в чате с моделью GPT-4.

Когда вы общаетесь с GPT-4 в чате, вы можете присылать ей URL-адреса для анализа. У этой модели есть встроенный браузер, благодаря чему она может просматривать странички из интернета и извлекать оттуда информацию.

Однако когда промпты были уже составлены и тестово отправлялись скриптом по API, мы столкнулись с ограничениями: ни одна из моделей ChatGPT, доступная для использования по API, не умела просматривать страницы в интернете. Мы отправляли текст и получали ответ только на основе текстовых символов.

Стало ясно, что идея заставить GPT заходить на страницу по URL и генерировать описание на основе увиденного не сработает.

Хотя и не совсем.

Сначала мы решили, что нужно спарсить для каждого URL H1-заголовок товара, а затем добавить в промпт по шаблону с помощью старого доброго СЦЕПИТЬ. Однако это оказалось ненужным, потому что URL-адреса товаров выглядят так:

Эти URL являются ЧПУ (человекопонятный URL). Выяснилось, что если предоставить ChatGPT такие адреса товаров, то даже несмотря на то, что нейросеть не посетит саму страницу, информации для создания описания ей будет достаточно.

В ЧПУ-урле содержится транслитерированное название “disk_kolesnyy_dlya_kvadrotsikla_peredniy_cfmoto_cf500a_x5_x6”, а также информация о принадлежности к группе товаров “aksessuary_8/dlya_kvadrotsiklov/diski_kolesnye/”. Вы можете спросить, почему нельзя было просто спарсить H1 и сцепить с промптом? Скоро отвечу.

Изначально мы создавали длинные промпты и инструкции на 12 000 символов, в которых приводили 5-10 примеров правильных описаний товаров, описывали, чем занимается магазин, какого размера должны быть предложения и т.д.

Затем мы оценили стоимость и поняли, что это дорого, а ИИ обрабатывает такие промты дольше. Опытным путем также выяснили, что длинный промпт не сильно отличается по качеству от короткого, где указаны главные требования и приведен один пример.

В результате мы сократили длину промпта до примерно 1300 символов и разделили его на две части: system_content и user_content. Данные инструкции можно отправлять к API в одном запросе, но отдельно друг от друга.

Такое разграничение помогает модели лучше понимать, что относится к описанию роли, а что к запросу.

Вот какие инструкции мы использовали:

Приведу модели, которые мы рассматривали, и кратко расскажу о них. В списке указаны цены за генерацию ста текстов по тысяче символов каждый.

В итоге выбрали gpt-4o-mini за соотношение цены и качества.

Итак, модель выбрали, теперь нужно организовать отправку запросов к API ChatGPT.

Чтобы использовать API, нужно зарегистрироваться на платформе openai.com и создать свой API-ключ в личном кабинете. Также нужно пополнить баланс API — оплачивать его надо отдельно, даже если у вас оформлена подписка Plus на обычный ChatGPT.

Чтобы использовать полученный ключ и отправлять запросы, нужна программа. Мы решили написать скрипт на Python. Этот язык удобен для подобных задач и часто используется в парсинге и аналитике. Кстати, такой же скрипт может написать вам сам ChatGPT, просто предоставьте ему все требования, о которых рассказываем ниже. Еще такие скрипты можно найти в открытом доступе в интернете.

Задумка была такая: создать входной excel-файл, со списком URL и промптов для каждого из них. Скрипт должен считывать эти значения и отправлять их в API как запросы. Полученный ответ для каждого запроса сохранять в новую таблицу.

При разработке и тестировании скрипта мы столкнулись со следующими проблемами:

У каждой модели есть лимиты на количество запросов, которые можно ей отправить в минуту (RPM) и в день (RPD). А также ограничение на то, сколько вы можете использовать токенов в минуту (TPM).

Токены — это минимальная единица текста для модели. В среднем одно русское слово может занимать от 1 до 4 токенов. Их количество зависит от сложности слова, его длины и редкости употребления в языке. Токены тратятся как на сам запрос, так и на ответ модели.

Ограничение модели gpt-4o-mini составляет 200 000 TPM. Как выяснилось, мы запросто можем превысить это количество, используя отправку запросов в многопоточности. Тогда модель вместо ответа начнет возвращать ошибку и сообщение о превышении лимита.

Чтобы этого не происходило, мы добавили параметр max_tokens = 600. Он задает ограничение на максимально допустимое количество токенов, которые модель может потратить на один запрос.

Помимо этого, добавили обработку ошибки: в случае получения сообщения о превышении лимита делать паузу 60 секунд и пробовать отправку снова.

Осталось только ограничение на 10 000 запросов в день, но его, увы, никак не обойти. После достижения этого лимита получение ответов не прекращается, но замедляется в 10 раз. Тут либо делить отправку на две части и отправлять за два дня, либо не останавливаться и отправлять с меньшей скоростью после достижения лимита.

В итоге мы получили таблицу с описаниями товаров для каждого URL. Нужно было оценить итоговое качество текстов.

Вручную проверять такой объем невозможно, поэтому пользовались сортировками, фильтрами и формулами в Гугл-таблицах. Смотрели минимальную и максимальную длину описаний, наличие пустых текстов или описаний с некорректными символами.

Просмотрев таким образом весь массив текстов, мы обнаружили, что некоторые слова ИИ не перевел на русский и оставил так, как они записаны в URL. Например, «koleso», «starter», «korpus». Текстов с такими словами было пару сотен из всего массива. Мы спарсили для них H1 и сделали замену транслит-названия товара на русскоязычное.

При парсинге H1-заголовков товаров мы поняли, почему отдавать ЧПУ URL вместо H1 все же было лучшим решением. Дело в том, что многие H1 (названия товаров) выглядят вот так:

В названии по какой-то причине присутствует категория товара. Дублировать такое в описании не хочется, а если дать Chat GPT точные H1, то он именно так их и употребит в тексте. В транслите URL такого нет. Например, для тех же товаров транслит выглядел так:

Поэтому предоставить URL в этом случае было лучше, чем H1. Названия товаров, конечно, нужно исправлять.

В целом, качество ответа получилось хорошее. Инструкции почти всегда соблюдались. Пример описания:

Сбор данных и разработка скрипта происходила силами одного сеошника. Если к задаче подключить программиста, возможно, дело пойдет еще быстрее.

Финансовые затраты для клиента:

Временные затраты:

Результаты:

По итогу мы закрыли проблему пустых карточек товаров и автоматизировали процесс, который раньше занял бы годы.

Важно помнить, что подход с использованием нейросети требует тщательной настройки промпта и проверки качества результатов. На основе нашего опыта мы рекомендуем следующее:

После тестирования промптов и разработки скрипта этот метод можно легко адаптировать для других категорий товаров или маркетплейсов, что открывает большие возможности для автоматизации контента.

Автор: Дмитрий Мазуркевич (seo-специалист Ant-Team.ru).

Подписывайтесь на наш телеграм-канал, чтобы первыми узнавать о выходе новых материалов. И смотрите наши бесплатные обучающие видео на YouTube, VK и Rutube.