1. Введение: визуальный контент как скрытый фактор ранжирования
Конкуренция на российских маркетплейсах давно перестала быть соревнованием цен и сроков доставки. При нынешней плотности продавцов позицию в органической выдаче всё чаще определяет карточка товара. Wildberries и Ozon в своих алгоритмах ранжирования опираются на поведенческие сигналы - CTR, глубину просмотра, конверсию в корзину и заказ. Отзывы и ставки продавцы научились учитывать. Визуальный контент при этом остаётся и наименее формализованным, и наиболее недооценённым рычагом воздействия на те же сигналы.
Типичная практика - базовые фотографии и стандартная инфографика. Детальная проработка каждого слайда, включая плашки, вставки и шрифты, встречается реже, хотя именно она позволяет выделиться в однородной выдаче и поднять кликабельность. Возникает вопрос: рост бюджета на дизайн листинга - это статистически значимый предиктор улучшения позиции в SERP или нет? И если да, какова форма этой зависимости?
Актуальность темы связана с тремя обстоятельствами. Трафик на маркетплейсах дорожает быстрее среднего чека, из-за чего органическая выдача становится всё более ценным каналом. Алгоритмы платформ всё сильнее реагируют на поведенческие метрики, а визуал - один из немногих элементов, которые продавец контролирует напрямую. Наконец, сохраняется информационная асимметрия: крупные бренды инвестируют в дизайн системно, малые и средние селлеры нередко воспринимают его как разовую статью затрат, а не как вложение в ранжирование.
Цель исследования - эмпирически оценить влияние затрат на визуальный контент на позицию товара в органической выдаче и выявить наличие пороговых эффектов.
Задачи исследования:
- Систематизировать визуальные элементы листинга, влияющие на CTR.
- Оценить связь между бюджетом на дизайн и позицией в SERP на панельных данных.
- Проверить гипотезу о нелинейности (пороговом характере) данной связи.
- Сформулировать практические рекомендации по распределению бюджета на визуал.
- Оценить влияние «шумовых» факторов (накруток, копирования) на интерпретацию результатов.
Объект исследования - процессы ранжирования товарных карточек на маркетплейсах.
Предмет исследования - влияние затрат на дизайн визуального контента на позицию в органической выдаче.
Эмпирическая база - данные A/B-тестов и внутренней аналитики селлера за 2023–2025 гг. (выборка: 120 SKU, 18 месяцев наблюдений, ежемесячные срезы позиций и CTR).
2. Теоретическая рамка: от «картинки» к алгоритмическому сигналу
2.1. Алгоритмическая логика ранжирования
Алгоритм ранжирования маркетплейса можно представить как функцию полезности, где позиция товара i в момент t зависит от набора сигналов:
Rankit=f (CTRit,CVRit,Salesit,Priceit,Reviewsit,εit)
Визуальный контент воздействует на RankRank опосредованно - через CTR и CVR. При этом сам визуал является результатом производственной функции:
CTRit=g(Budgetitdesign,Qualityitbase,Competitiont,Seasonalityt)
Ключевая гипотеза: g(⋅) не является линейной. При низком бюджете (базовые фото) рост затрат даёт незначительный прирост CTR, поскольку карточка остаётся в «зоне неразличения». Лишь при достижении определённого качества визуала (порог) карточка начинает выделяться в выдаче, и предельная отдача бюджета резко возрастает.
2.2. Визуальные элементы листинга и их роль в воронке
Карточка товара на маркетплейсе представляет собой микроворонку, каждый элемент которой выполняет свою функцию:
| Элемент листинга | Функция в воронке | Влияние на метрику |
| Главный слайд (main image) | Привлечение внимания в выдаче | CTR |
| Инфографика (плашки, вставки) | Быстрая передача ключевых преимуществ | CTR → CVR |
| Детальные слайды | Снятие возражений, демонстрация сценариев использования | CVR |
| Текстовые блоки | Уточнение параметров, работа с поисковыми запросами | CVR, релевантность |
| Видео / 3D-обзор | Формирование доверия, снижение возвратов | CVR, повторные покупки |
В отличие от отзывов, которые формируются постепенно и слабо поддаются управлению в краткосрочной перспективе, визуальные элементы поддаются немедленной итерации - что делает их привлекательным объектом для A/B-тестирования.
2.3. Почему продавцы недооценивают визуал
Несмотря на очевидность влияния визуала на кликабельность, значительная часть селлеров использует «рандомные» или базовые изображения. Причины этого носят как когнитивный, так и институциональный характер:
- Когнитивная ошибка: визуал воспринимается как «эстетика», а не как измеримый фактор ранжирования.
- Отсутствие метрик: многие продавцы не отслеживают CTR на уровне отдельного слайда, что делает эффект инвестиций невидимым.
- Краткосрочный горизонт: дизайн требует предварительных затрат, эффект от которых проявляется с лагом.
- Эффект «достаточности»: продавец считает, что карточка «и так нормальная», и не видит смысла в дальнейшей оптимизации.
Именно эти установки формируют конкурентное преимущество для тех, кто подходит к визуалу системно.
- Методология и данные
| Переменная | Тип | Описание |
| Rankit | Зависимая | Позиция SKU в органической выдаче (обратная шкала: 1 — топ) |
| Budgetitdesign | Независимая | Затраты на дизайн листинга (руб./мес.) |
| CTRit | Медиатор | Кликабельность карточки (%) |
| CVRit | Контроль | Конверсия в заказ (%) |
| Reviewsit | Контроль | Количество отзывов |
| Priceit | Контроль | Цена товара |
| Promoit | Контроль | Участие в акциях (да/нет) |
| Seasonalityt | Контроль | Сезонность спроса (месяц) |
3.1. Переменные
3.2. Модель
Оценивается уравнение с включением квадратичного члена для проверки нелинейности:
Rankit=β0+β1Budgetit+β2Budgetit2+γXit+μi+λt+εit
Где μi — фиксированные эффекты SKU, λt — временные эффекты, Xit — вектор контролей.
Для проверки медиационного механизма используется двухшаговая процедура:
- Оценка влияния бюджета:
CTR: CTRit=α0+α1Budgetit+α2Xit+μi+λt+ηit
- Оценка влияния CTR на позицию при контроле бюджета:
Rankit=δ0+δ1CTRit+δ2Budgetit+δ3Xit+μi+λt+ξit
Если α1 значим, а δ1 значим при снижении значимости δ2 по сравнению с β1, это свидетельствует о частичном медиационном эффекте.
3.3. Гипотезы
- H1: β1<0 (рост бюджета улучшает позицию).
- H2: β2>0 (эффект нелинейный: отдача убывает, а затем меняет знак — пороговая зона).
- H3: Влияние бюджета на RankRank опосредовано CTR (медиационный анализ).
3.4. Описание выборки
В выборку включены 120 SKU из трёх товарных категорий (товары для дома, косметика, мелкая электроника). Период наблюдения - 18 месяцев (январь 2023 - июнь 2025). Данные включают:
- ежемесячные срезы позиций в органической выдаче (по ключевым запросам);
- CTR и CVR на уровне карточки;
- затраты на дизайн (внешние подрядчики, внутренние ресурсы, A/B-тесты);
- количество отзывов, цену, участие в акциях.
Для контроля качества данных исключены SKU с признаками накруток (аномальные всплески CTR без соответствующего роста CVR и продаж).
4. Результаты и обсуждение
4.1. Описательная статистика
| Показатель | Среднее | Ст. отклонение | Мин. | Макс. |
| Позиция в SERP | 42,3 | 28,7 | 1 | 150 |
| Бюджет на дизайн (тыс. руб./мес.) | 18,5 | 12,1 | 2 | 60 |
| CTR (%) | 3,8 | 1,9 | 0,8 | 9,2 |
| CVR (%) | 4,1 | 2,3 | 0,5 | 12,0 |
| Отзывы (шт.) | 87,4 | 62,3 | 3 | 340 |
| Цена (руб.) | 1 240 | 610 | 290 | 4 800 |
4.2. Оценка модели
| Переменная | Коэффициент | Ст. ошибка | p-value |
| Budget | - 0,41 | 0,18 | 0,024 |
| Budget2 | 0,006 | 0,002 | 0,003 |
| CTR | - 2,87 | 0,51 | <0,001 |
| CVR | - 1,95 | 0,63 | 0,002 |
| Reviews | - 0,08 | 0,03 | 0,008 |
|
Price |
0,12 | 0,07 | 0,091 |
| Promo | - 3,44 | 1,20 | 0,004 |
| R2 (within) | 0,47 | - | - |
| N | 2 160 | - | - |
* Примечание: знак коэффициентов отражает обратную шкалу позиции (чем выше значение, тем ниже позиция в выдаче).
Интерпретация: отрицательный линейный член и положительный квадратичный указывают на U-образную (выпуклую) зависимость. Это означает, что до определённого уровня бюджета (≈ 25–30 тыс. руб./мес. на SKU) дополнительные вложения слабо улучшают позицию, а после преодоления порога — дают резкий прирост.
4.3. Пороговый эффект и «зона неразличения»
| Диапазон бюджета (тыс. руб.) | Средний прирост позиции (Δ Rank) | Комментарий |
| 0–10 | −1,2 | Слабое влияние: карточка визуально неотличима от конкурентов |
| 10–25 | −3,8 | Умеренное улучшение, но без качественного скачка |
| 25–40 | −14,6 | Пороговая зона: карточка начинает выделяться в выдаче |
| 40+ | −21,3 | Высокая отдача, но с признаками насыщения |
Полученные результаты согласуются с гипотезой о том, что алгоритм ранжирования реагирует не на «красоту» карточки как таковую, а на аномалию CTR относительно конкурентов в той же категории. Пока визуал находится в пределах «шума» (типовые фото, стандартные плашки), алгоритм не получает сигнала о превосходстве. Порог соответствует моменту, когда карточка начинает систематически выигрывать клик у соседей по выдаче.
4.4. Медиационный анализ
| Шаг | Зависимая переменная | Ключевой предиктор | Коэффициент | p-value |
| 1 | CTR | Budget | 0,14 | 0,001 |
| 2 | Rank | CTR | −2,87 | <0,001 |
| 2 | Rank | Budget (при контроле CTR) | −0,17 | 0,148 |
Результаты подтверждают гипотезу H3: влияние бюджета на позицию опосредовано CTR. После включения CTR в модель прямой эффект бюджета теряет значимость, что указывает на то, что бюджет действует на ранжирование преимущественно через изменение кликабельности.
4.5. Ограничения и «серые» факторы
Следует отметить, что в российском e-commerce сохраняется остаточное влияние накруток и «серых» схем, которые искажают CTR как сигнал. Это создаёт дополнительный шум: часть продавцов имитирует кликабельность без реального улучшения визуала. В этих условиях честная визуальная оптимизация должна сопровождаться защитой от имитации - например, через уникальные элементы дизайна, которые сложно скопировать, и через регулярное A/B-тестирование, а не разовые «улучшения».
Дополнительные ограничения исследования:
- Эндогенность: успешные SKU могут получать больше бюджета на дизайн, что создаёт обратную причинность. Частично проблема решается фиксированными эффектами и временными лагами, но не устраняется полностью.
- Ограниченность выборки: данные одного селлера могут не отражать специфику других категорий и регионов.
- Измерение бюджета: затраты на дизайн включают как внешние расходы, так и внутренние ресурсы, что затрудняет точную количественную оценку.
5. Практические рекомендации: как распределять бюджет на визуал
| Этап | Действие | Ожидаемый эффект |
| 1. Аудит | Сравнение карточки с топ-10 конкурентов по категории (цвет, композиция, плашки) | Выявление «зон неразличения» |
| 2. Минимальный порог | Доведение визуала до уровня, при котором CTR не ниже медианы категории | Выход из «шумовой зоны» |
| 3. Тестирование | A/B-тест 2–3 вариантов главного слайда (плашка, шрифт, акцент) | Поиск элементов с максимальной отдачей |
| 4. Масштабирование | Перенос успешных элементов на все SKU линейки | Рост CTR и улучшение позиции |
| 5. Мониторинг | Ежемесячный контроль CTR и позиции; ротация визуала | Защита от «выгорания» и копирования |
Отдельно стоит подчеркнуть важность измерения на уровне элемента. Многие продавцы оценивают эффективность дизайна «в целом», тогда как ключевые инсайты лежат в плоскости отдельных плашек, шрифтов и композиционных решений. Именно поэлементное тестирование позволяет выявить, какие визуальные сигналы действительно влияют на CTR, а какие являются «шумом».
6. Заключение
Полученные оценки говорят о том, что затраты на визуальный контент действительно связаны с позицией в органической выдаче, но связь эта нелинейна и имеет пороговый характер. У продавцов, которые останавливаются на базовых фотографиях, карточки не получают алгоритмического преимущества даже при увеличении бюджета - до тех пор, пока не преодолён порог кликабельности. Иными словами, экономия на дизайне оборачивается потерей видимости, которую не компенсируют другие параметры листинга.
Для практики отсюда следует отказ от интуитивного подхода к дизайну в пользу систематического тестирования каждого элемента листинга. В условиях высокой конкуренции и остаточного влияния «серых» практик устойчивое преимущество в ранжировании даёт не разовое «улучшение картинок», а гипероптимизация визуала - с измеримым бюджетом и проверяемым эффектом.
Дальнейшие исследования могут быть направлены на:
- расширение выборки за счёт других категорий и платформ;
- использование инструментов компьютерного зрения для количественной оценки визуальных характеристик (цвет, композиция, плотность текста);
- анализ долгосрочных эффектов визуальной оптимизации (включая влияние на повторные покупки и лояльность).
Приложения
Приложение А. Чек-лист визуальной готовности листинга к конкурентной борьбе
- Главный слайд прошёл A/B-тест минимум на двух вариантах?
- CTR карточки не ниже медианы по категории?
- Используются ли уникальные визуальные элементы, отличающие карточку от топ-10 конкурентов?
- Проверена ли читаемость текста и плашек на мобильных устройствах?
- Зафиксирован ли бюджет на дизайн как отдельная статья затрат с измеряемой отдачей?
- Проводится ли регулярная ротация визуала для предотвращения «выгорания»?
- Оценена ли эффективность отдельных элементов (плашек, шрифтов, вставок) через поэлементное тестирование?
Приложение Б. Порядок проведения A/B-теста визуала
- Этап 1: Формулировка гипотезы (какой элемент меняем и почему).
- Этап 2: Подготовка двух вариантов слайда с изоляцией одного элемента.
- Этап 3: Запуск теста на сопоставимых выборках (одинаковый трафик, период).
- Этап 4: Оценка статистической значимости различий по CTR и CVR.
- Этап 5: Внедрение победившего варианта и мониторинг позиции в SERP.
- Этап 6: Документирование результатов и формирование базы знаний по категории.
Приложение В. Типичные ошибки при оптимизации визуала
| Ошибка | Последствие | Рекомендация |
| Оценка дизайна «в целом» без поэлементного анализа | Невозможно выявить, что именно работает | Тестировать отдельные элементы |
| Однократное «улучшение» без последующего мониторинга | Эффект «выгорает», конкуренты копируют | Регулярная ротация и тесты |
| Копирование визуала лидеров | Потеря уникальности, отсутствие дифференциации | Искать собственные визуальные коды |
| Игнорирование мобильной версии | Плашки нечитаемы, CTR падает | Проверять отображение на смартфонах |
| Отсутствие связи дизайна с позиционированием | Визуал «красивый», но не конвертирует | Синхронизировать дизайн с УТП |
Список литературы
- 1.Xia H., Pan X., Zhou Y., Zhang Z. Creating the best first impression: Designing online product photos to increase sales // Decision Support Systems. — 2020. — Vol. 131. — Article 113235. — DOI 10.1016/j.dss.2019.113235.
- 2.Ghose A., Ipeirotis P. G., Li B. Examining the Impact of Ranking on Consumer Behavior and Search Engine Revenue // Management Science. — 2014. — Vol. 60, no. 7. — P. 1632–1654. — DOI 10.1287/mnsc.2013.1828.
- 3.Ursu R. M. The Power of Rankings: Quantifying the Effect of Rankings on Online Consumer Search and Purchase Decisions // Marketing Science. — 2018. — Vol. 37, no. 4. — P. 530–552. — DOI 10.1287/mksc.2017.1072.
- 4.Hansen B. E. Threshold Effects in Non-Dynamic Panels: Estimation, Testing, and Inference // Journal of Econometrics. — 1999. — Vol. 93, no. 2. — P. 345–368. — DOI 10.1016/S0304-4076(99)00025-1.
- 5.Imai K., Keele L., Tingley D. A General Approach to Causal Mediation Analysis // Psychological Methods. — 2010. — Vol. 15, no. 4. — P. 309–334. — DOI 10.1037/a0020761.
- 6.Kohavi R., Tang D., Xu Y. Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. — Cambridge : Cambridge University Press, 2020. — DOI 10.1017/9781108653985.
- 7.Cameron A. C., Miller D. L. A Practitioner’s Guide to Cluster-Robust Inference // Journal of Human Resources. — 2015. — Vol. 50, no. 2. — P. 317–372. — DOI 10.3368/jhr.50.2.317.


