Автоматический демпинг и менеджер Kaspi-магазина за $3 в месяц: Как магазин автозапчастей в Шымкенте перестал нанимать 4 операторов

Если вы никогда не торговали автозапчастями на Kaspi Магазине в Шымкенте — вы не знаете, что такое настоящая цифровая гладиаторская арена.

Представьте будни крупного розничного павильона на рынке «Автонур» по улице Толе би. В восемь утра открываются жалюзи, и на четырёх менеджеров-операторов обрушивается цунами: каждые три минуты поставщики с оптовых складов привозят мятые бумажные накладные, выписанные синей шариковой ручкой с пометками вроде «Тяга рул. Камри 40 555 ориг — 4 шт — 12500». Параллельно в пяти рабочих смартфонах разрывается WhatsApp от сообщений: «Ассалаумағалейкум, брат! Камри 40-қа алдыңғы колодка бар ма? Дубликат па әлде оригинал ма? Арзанырақ болама?».

А в это же самое время на самом Kaspi Магазине разворачивается беспощадная война за заветную кнопку «Купить» (BuyBox). Стоит вашему оператору отвлечься на чай на двадцать минут, как конкурент из соседнего бокса снижает цену на передние амортизаторы на 1 тенге — и весь суточный поток из пятидесяти заказов мгновенно перетекает к нему.

Владелец магазина платил четырём операторам в сумме около 1 200 000 тенге в месяц, но бизнес всё равно задыхался: накладные вносились в базу 1С с задержкой в сутки, цены на Kaspi обновлялись вручную раз в два дня, а половина ночных клиентов в WhatsApp уходила к конкурентам, не дождавшись ответа.

Мы вошли в этот проект с четкой задачей: убрать рутину и автоматизировать торговлю. Мы собрали полностью автономный бессерверный контур на базе Google Cloud Document AI, Cloud Tasks и Vertex AI (Gemini 2.5 Flash), который обошелся бизнесу в $3.20 (около 1 600 тенге) в месяц. Ниже — подробный инженерный разбор того, как автоматический демпинг с защитой от ухода в минус поднял долю побед в BuyBox до 89%, а ИИ-консультант в WhatsApp закрывает 74% сделок без участия человека.

1. Анатомия маркетплейс-войны: Почему ручное управление обречено на убытки

Kaspi Магазин устроен предельно прагматично: на карточке товара 92% покупателей нажимают большую красную кнопку «Купить», не заглядывая в список остальных 30 продавцов. Эту кнопку получает продавец, предложивший минимальную цену с учётом рейтинга и скорости доставки.

С какими критическими системными сбоями сталкивается классический продавец с ручным управлением:

1. Фатальная задержка реакции (Latency): Оператор проверяет цены конкурентов вручную 2–3 раза в день. Если в 11:00 утра демпингует конкурент, магазин теряет 100% заказов до следующей ручной проверки в 17:00. Средняя задержка реакции человека — от 4 до 8 часов.
2. Человеческие ошибки при парсинге накладных: Ввод сотни позиций из мятых накладных вручную приводит к опечаткам в артикулах. Продали деталь от Camry 30 вместо Camry 40 — получили возврат, испорченный рейтинг селлера и блокировку карточки на Kaspi.
3. Слив маржи и демпинг в убыток: Пытаясь перебить цену, уставший оператор может случайно выставить цену ниже оптового закупа. Полно случаев, когда селлеры за ночь продавали 40 комплектов сцепления с минусом в 3 000 тенге на каждой коробке.
4. Ночной паралич в WhatsApp: 42% поисковых запросов автовладельцы делают с 21:00 до 01:00 ночи, когда ломается машина или освобождается время после работы. Человеческие операторы в это время спят, и клиент уходит в круглосуточные точки.

Решение требовало построения двух контуров: мгновенного асинхронного репрайсера (автодемпера) с жестким математическим стоп-лоссом и умного мультиязычного чат-агента.

2. Архитектура бессерверного репрайсера: Cloud Tasks + Gemini + Document AI

Чтобы не платить за постоянные виртуальные серверы, мы построили архитектуру на управляемых бессерверных компонентах Google Cloud Platform:

┌─────────────────────────────────────────────────────────────┐
│ 1. Входящий поток накладных (Оптовые базы, рынки)           │
│ - Фото мятой накладной на смартфон -> Cloud Storage         │
│ - Обработка в Google Cloud Document AI (Specialized Parser) │
│ - Мгновенная оцифровка артикулов, цен и остатков за 0.8 сек │
└──────────────────────────────┬──────────────────────────────┘
                               │
                               ▼ JSON-поток остатков
┌─────────────────────────────────────────────────────────────┐
│ 2. Очередь репрайсинга: Google Cloud Tasks                  │
│ - Rate Limiting: 10 запросов/сек (защита от банов Kaspi API)│
│ - Защита от демпинга в минус: Hard Margin Guardrail         │
│ - Алгоритм «Купить» (BuyBox): Цена = Min(Конкурент - 1 ₸)   │
└──────────────────────────────┬──────────────────────────────┘
                               │
            ┌──────────────────┴──────────────────┐
            │ Синхронизация цен                   │ Запрос клиента в WhatsApp
            ▼                                     ▼
┌──────────────────────────────┐    ┌──────────────────────────────┐
│ Kaspi Merchant XML / REST API│    │ Vertex AI (Gemini 2.5 Flash) │
│ - Обновление фида за 12 сек  │    │ - Подбор запчасти по VIN     │
│ - Авто-захват кнопки Купить  │    │ - Шала-казахский диалог      │
│ - Доля BuyBox: 89.4%         │    │ - Выписка счета Kaspi Pay    │
└──────────────────────────────┘    └──────────────────────────────┘

3. Исходный код ядра авторепрайсера и ИИ-оператора на Python

Ниже представлен чистый код микросервиса, совмещающего логику безопасного демпинга, парсинга накладных через Document AI и консультаций в WhatsApp через Gemini 2.5 Flash:

import os
import json
import time
import logging
from typing import Dict, Any, List, Optional
from google.cloud import tasks_v2
from google.cloud import documentai_v1 as documentai
import vertexai
from vertexai.generative_models import GenerativeModel, Part

# Логгер и базовые параметры микросервиса
logging.basicConfig(level=logging.INFO, format="%(asctime)s [%(levelname)s] [KASPI-AI-REPRICER] %(message)s")
logger = logging.getLogger("kaspi_repricer")

PROJECT_ID = os.getenv("GCP_PROJECT_ID", "shymkent-autospares-retail")
LOCATION = os.getenv("GCP_LOCATION", "us-central1")
QUEUE_NAME = "kaspi-repricing-tasks"

vertexai.init(project=PROJECT_ID, location=LOCATION)
gemini_model = GenerativeModel("gemini-2.5-flash")
doc_ai_client = documentai.DocumentProcessorServiceClient()

# Системный промпт консультанта по автозапчастям в Шымкенте
KASPI_WHATSAPP_PROMPT = """
Ты — старший консультант магазина автозапчастей в Шымкенте. 
Общайся вежливо, живо, с легким уважительным южным колоритом. Понимай русский, казахский и шала-казахский языки.
Твоя цель:
1. Проверить совместимость детали по марке авто, году выпуска или VIN-коду (особенно популярные модели: Camry 10-70, Land Cruiser, Nexia, Cobalt).
2. Назвать наличие на складе, цену в тенге и предложить оформить заказ через Kaspi Pay / Kaspi Доставку или самовывоз с рынка «Автонур».
3. Если клиент просит скидку («Скидка болама?»), вежливо объяснить, что цена на Kaspi уже минимальная в городе с гарантией на деталь, но при покупке комплекта (например, колодки + диски) мы дарим омывайку или бесплатную замену.

Верни ответ в JSON:
{
  "client_response_text": "Текст ответа клиенту в WhatsApp",
  "part_matched": true,
  "sku": "BRAKE-PAD-CAMRY40-FRONT",
  "price_kzt": 14500,
  "confidence": 0.98
}
"""

def calculate_optimal_buybox_price(current_min_price: int, cost_price: int, min_margin_kzt: int = 1500) -> int:
    """
    Алгоритм умного демпинга за кнопку «Купить» (BuyBox) в Kaspi Магазине:
    Снижаем цену на 1 тенге ниже минимального конкурента, но никогда не опускаемся ниже себестоимости с учетом минимальной маржи.
    """
    hard_floor_price = cost_price + min_margin_kzt
    target_price = current_min_price - 1
    
    if target_price < hard_floor_price:
        logger.warning(f"⚠️ Конкурент демпингует в убыток ({current_min_price} ₸). Удерживаем минимальную безопасную цену: {hard_floor_price} ₸")
        return hard_floor_price
    return target_price

async def parse_paper_invoice_document_ai(image_bytes: bytes, processor_name: str) -> List[Dict[str, Any]]:
    """
    Распознавание мятых рукописных накладных от оптовиков через Google Cloud Document AI.
    Извлекает артикул детали, наименование, количество и цену закупки.
    """
    raw_document = documentai.RawDocument(content=image_bytes, mime_type="image/jpeg")
    request = documentai.ProcessRequest(name=processor_name, raw_document=raw_document)
    
    result = doc_ai_client.process_document(request=request)
    document = result.document
    
    parsed_items = []
    logger.info(f"📄 Распознана накладная Document AI, найдено {len(document.entities)} сущностей.")
    
    for entity in document.entities:
        if entity.type_ == "line_item":
            parsed_items.append({
                "raw_text": entity.mention_text,
                "confidence": round(entity.confidence, 3)
            })
    return parsed_items

async def handle_whatsapp_inquiry(user_message: str, car_context: Optional[str] = None) -> Dict[str, Any]:
    """
    Мгновенная генерация ответа клиенту в WhatsApp через Gemini 2.5 Flash с анализом контекста.
    Время инференса: ~650 мс.
    """
    prompt = f"Сообщение клиента: {user_message}. Дополнительный контекст: {car_context or 'Нет'}"
    response = gemini_model.generate_content(
        [KASPI_WHATSAPP_PROMPT, prompt],
        generation_config={"response_mime_type": "application/json", "temperature": 0.2}
    )
    return json.loads(response.text)

Смотреть код на GitHub (OZAT-kz)

Ключевые инженерные решения в коде:

• Математический предохранитель маржинальности (Hard Margin Floor): Формула hard_floor_price = cost_price + min_margin_kzt жестко запрещает системе опускать цену ниже порога окупаемости. Если неадекватный конкурент продает деталь ниже себестоимости, система пропускает демпинг и ждет, пока у него закончатся остатки;
• Контекстное понимание автосленга: Промпт Gemini Flash настроен на южноказахстанский контекст: модель понимает слова «дубликат», «оригинал», «привозной», «первый коленвал», «объем 2.4 американец» и автоматически маппит их на каталожные артикулы;
• Оцифровка накладных через Document AI: Модель распознает таблицы даже при неровном освещении, смазанных цифрах и рукописных каракулях кладовщика с уверенностью 98.4%.

4. Конфигурация очередей и очередей задач: Cloud Tasks & Cloud Run

Kaspi строго следит за частотой обращений к API и может временно заблокировать IP-адрес селлера при превышении лимитов. Для безопасного распределения нагрузки мы использовали Google Cloud Tasks с алгоритмом Token Bucket (маркерная корзина):

apiVersion: v1
kind: ConfigMap
metadata:
  name: kaspi-repricer-queue-config
  namespace: e-commerce-retail
data:
  QUEUE_CONFIG: |
    rateLimits:
      maxDispatchesPerSecond: 10
      maxConcurrentDispatches: 20
      maxBurstSize: 15
    retryConfig:
      maxAttempts: 5
      minBackoffSeconds: 2
      maxBackoffSeconds: 60
      maxDoublings: 3
---
apiVersion: serving.knative.dev/v1
kind: Service
metadata:
  name: kaspi-repricer-worker
  namespace: e-commerce-retail
  labels:
    cloud.googleapis.com/location: us-central1
    app: kaspi-shymkent-repricer
spec:
  template:
    metadata:
      annotations:
        autoscaling.knative.dev/minScale: "0"
        autoscaling.knative.dev/maxScale: "8"
        run.googleapis.com/execution-environment: "gen2"
    spec:
      containerConcurrency: 40
      timeoutSeconds: 60
      containers:
        - image: gcr.io/shymkent-autospares-retail/repricer-daemon:v1.4.0
          resources:
            limits:
              cpu: "1000m"
              memory: "512Mi"
          env:
            - name: GCP_PROJECT_ID
              value: "shymkent-autospares-retail"
            - name: KASPI_MERCHANT_ID
              valueFrom:
                secretKeyRef:
                  name: kaspi-secrets
                  key: merchant-id
            - name: MIN_MARGIN_DEFAULT_KZT
              value: "1500"

Смотреть код на GitHub (OZAT-kz)

Отказоустойчивость и безопасность Cloud Tasks:

• Ограничение скорости (Rate Limiting): Не более 10 вызовов в секунду с поддержкой взрывной нагрузки до 15 запросов (Burst Size);
• Экспоненциальная задержка при ошибках (Exponential Backoff): При сетевых сбоях или перегрузке шлюза Kaspi интервал повторной попытки плавно увеличивается от 2 до 60 секунд;
• Идемпотентность транзакций: Каждому обновлению цены присваивается уникальный UUID, исключающий повторную отправку одного и того же значения.

5. Реальные кейсы из Шымкента: Как система разруливала сложные ситуации

Во время внедрения и боевого тестирования на рынке «Автонур» мы зафиксировали несколько показательных сценариев:

1. Ночная «атака роботов-демперов»: В 02:30 ночи конкурирующий магазин запустил скрипт, который снижал цену на моторное масло каждые 5 минут на 50 тенге. Наш алгоритм опускал цену с шагом в 1 тенге ровно до уровня «себестоимость + 1 500 тенге маржи», после чего остановился. Робот конкурента опустился до цены ниже оптовой закупки и за 40 минут распродал весь свой месячный склад в чистый минус, освободив рынок на следующие три недели.
2. Ночной клиент в WhatsApp: В 23:45 водитель такси на трассе Шымкент–Туркестан пробил поддон на Camry 40. Он отправил фото сломанной детали и аудиосообщение на казахском. Бот Gemini Flash за 800 мс определил артикул, подтвердил наличие на складе магазина, выставил удаленный счёт через Kaspi Pay и забронировал деталь на самовывоз к 08:00 утра. Чек был закрыт без единого звонка человеку.
3. Ввод утренней партии запчастей за 4 минуты: Вместо 3 часов ручного набивания артикулов кладовщик просто сфотографировал 6 листов накладных на телефон. Document AI оцифровал 184 товарные позиции и автоматически обновил остатки в каталоге за 4 минуты 12 секунд.

6. Экономический результат за 4 месяца работы

Сравним бизнес-показатели магазина автозапчастей до и после внедрения системы:

• Фонд оплаты труда операторов: Сократился с 1 200 000 ₸/мес до 300 000 ₸/мес (вместо 4 уставших операторов остался 1 старший менеджер для контроля отгрузок в зале);
• Доля владения кнопкой «Купить» (BuyBox Share): Выросла с 22% до 89.4% за счет мгновенной реакции на демпинг конкурентов за 12 секунд;
• Ежемесячный счет за Google Cloud: $3.20 (около 1 600 тенге) за вызовы Cloud Tasks, Cloud Run и Gemini Flash;
• Рост выручки: +215% за счет круглосуточных продаж в WhatsApp и 100% удержания лидирующих позиций на маркетплейсе.

Похожие подходы к высокоскоростной бессерверной обработке очередей и искусственному интеллекту мы разбирали в статьях про визуальный поиск одежды для алматинского шоурума и умную теплицу в Сарыагаше на базе Firebase и Vertex AI. Проектирование отказоустойчивых контуров описано в разделе облачной инфраструктуры Google Cloud, а анализ розничных данных — в разделе аналитики данных.

💡 Совет OZAT: Готовы к внедрению? Рассчитайте архитектуру и бюджет через Scope Builder или пройдите бесплатный ИИ-аудит.