Zum Inhalt springen
Alle Projekte
BotsKIIntegrationen2026 · ~3 Min. Lesezeit

Produktanalyse für Ozon und Wildberries aus einer einzigen Artikelnummer

Der Nutzer tippt eine Artikelnummer — das System holt das Produkt vom Marktplatz, lässt eine KI die Bewertungen durcharbeiten und gibt ein fertiges PDF zurück: Ratings, Stimmung und die wiederkehrenden Für und Wider in den Worten der Käufer.

Produktanalyse für Ozon und Wildberries aus einer einzigen Artikelnummer
Ein fertiger Bericht, wie ihn das System zurückgibt: Bewertungszahl und Tageswachstum, Stimmung, wiederkehrende Für und Wider mit Zählung, ein Gesamteindruck und Käuferzitate. Das Angebot gehört einem fremden Verkäufer — Name, Artikelnummer und die Zitate selbst sind maskiert.

# Das Problem

Der Kunde ist ein Unternehmen, das auf Marktplätzen verkauft. Das Wettbewerbsanalyse-Werkzeug war nicht für das eigene Team: Es wurde den eigenen Nutzern angeboten, und jeder erzeugte Bericht wurde vom internen Guthaben des Nutzers abgebucht. So eine Analyse wird normalerweise von Hand gemacht. Das Angebot des Wettbewerbers öffnen, die Bewertungen bis zum Ende scrollen, notieren, was gelobt und was bemängelt wird, einschätzen, wie aktuell die Ratings sind — und das für jedes betrachtete Produkt wiederholen. Es frisst Zeit, das Ergebnis bleibt in einem Kopf oder in einer Notiz, die niemand sonst nutzen kann, und einen Monat später muss alles wiederholt werden. Daraus ergaben sich die Anforderungen. Der Nutzer tippt eine Artikelnummer und muss nichts weiter wissen. Das Ergebnis ist ein Dokument, das sich speichern und verschicken lässt, kein Fenster in einer Oberfläche. Und die Daten kommen von den öffentlichen Produkt- und Bewertungsseiten: Die Marktplätze geben niemandem offiziellen Zugriff auf fremde Angebote.

# Die Lösung

Die Datensammlung läuft auf HTTP-Ebene, ohne Headless-Browser. Die Arbeit war, das nachzubauen, was ein echter Browser tut — die Session, Satz und Reihenfolge der Header, die Anfragesignaturen — und von einem gewöhnlichen aiohttp-Client dieselben Antworten zu bekommen. Ozon dauerte am längsten: Ihr Schutz ist nirgendwo dokumentiert, also ging die Arbeit Hypothese für Hypothese — was genau geprüft wird, in welcher Reihenfolge, und was bei der kleinsten Abweichung bricht. Der übliche Weg hier ist, Playwright oder Selenium zu starten und einen echten Browser zu fahren. Das funktioniert, aber jeder parallele Bericht kostet einen eigenen Browserprozess und Hunderte Megabyte Speicher. Ein HTTP-Client ist eine Größenordnung günstiger — deshalb konnte das Werkzeug einen Strom von Nutzern bedienen statt einen nach dem anderen. ChatGPT arbeitet die Bewertungen ab: Es reduziert Dutzende Texte auf Stimmung, auf wiederkehrende Für und Wider mit Nennungszahl und auf einen Gesamteindruck. Der fertige Bericht wird als gestyltes HTML zusammengesetzt und zu PDF gedruckt. Die zweite Hälfte läuft über die offiziellen Verkäufer-APIs — von dort kommen neue Bewertungen und Fragen zu den eigenen Produkten des Unternehmens. ChatGPT entwirft die Antwort, aber nicht aus dem Nichts: Die Wissensdatenbank liegt in PostgreSQL und wird von Administratoren aus Excel-Exporten befüllt. Das Modell erschließt zuerst, um welche Artikelnummer es geht, zieht dann die relevanten Fragmente über RAG und schreibt die Antwort aus ihnen. Kundenkorrespondenz vollständig einer Maschine zu überlassen ist riskant, also gibt es zwei Modi. Der Operator bekommt die Antwort-Entwürfe in Telegram und bestätigt mit einem Knopf — oder die Autoantwort wird selektiv eingeschaltet, nach Bewertungsnote und getrennt für Fragen. Hoch bewertete Rezensionen können automatisch geschlossen werden, während niedrige auf einen Menschen warten.

# Das Ergebnis

Ein Bericht dauert 15–30 Sekunden, und fast alles davon ist Warten auf das Modell; die Datensammlung beeinflusst die Summe kaum. Die Entwicklung dauerte einen Monat. Ich habe keine Nutzungszahlen: Abrechnung und Statistik blieben beim Kunden. Das Projekt ist im Moment abgeschaltet, und nicht wegen des Codes. Der Kunde stieß auf Hosting-Beschränkungen in Russland, die die Telegram-Hälfte trafen. Ich schlug vor, den Dienst auf einen europäischen Server zu verlegen; der Kunde entschied sich fürs Pausieren.

# Wie es aufgebaut ist

  1. NutzerTippt eine Artikelnummer und füllt nichts weiter aus.
  2. Telegram-BotNimmt die Artikelnummer an, bucht vom Guthaben ab und gibt die fertige Datei zurück.
  3. Sammlung · aiohttpArbeitet auf HTTP-Ebene: Session, Header, Anfragesignaturen. Kein Headless-Browser.
  4. Ozon und WildberriesÖffentliche Produkt- und Bewertungsseiten. Die Marktplätze geben niemandem offiziellen Zugriff auf fremde Angebote.
  5. ChatGPTReduziert Dutzende Bewertungen auf Stimmung, wiederkehrende Für und Wider und einen Gesamteindruck.
  6. PDF-BerichtGestyltes HTML zu PDF gedruckt, damit das Ergebnis gespeichert und weitergeschickt werden kann.

Gestrichelt: nicht meine Arbeit — Plattformen und Systeme des Kunden

Nächstes Projekt

2bix — ein Baukasten für Geschäftsautomatisierung

Brauchen Sie etwas Ähnliches?

Aufgabe besprechen