Автоматизация учёта Wildberries, Ozon и Яндекс.Маркет

Недавно ко мне обратился клиент — продавец, работающий сразу на трёх маркетплейсах: Wildberries, Ozon и Яндекс.Маркет. Продажи были стабильные, обороты росли, но внутренняя аналитика практически не масштабировалась.

Каждый день нужно было выгружать отчёты, сводить остатки, вручную считать выкупы, заказы, проверять рекламу. Все данные хранились в Excel, с множеством листов, дублирующих таблиц, случайными ошибками формул. При этом аналитика на лету — невозможна. Всё нужно проверять, перепроверять, строить вручную. Такая система тянет вниз.

Задача

Цель клиента была чёткая: убрать ручную сводку и автоматизировать сбор всех операционных данных с маркетплейсов. В Excel оставить только планы продаж — потому что они формируются вручную. Всё остальное должно поступать через API, быть унифицированным и легко доступным для визуализации.

Решение

Я разработал backend-сервис на Go, который работает в фоне и:

подключается к API WB, Ozon и Яндекс.Маркета;
каждые 4 часа загружает данные о заказах, остатках, продажах, рекламе;
обогащает эти данные и нормализует по брендам, складам, артикулам;
записывает всё в PostgreSQL в виде чистых, готовых к аналитике таблиц;
отдельно загружает план продаж из Excel-файла.

Сервис также включает REST API, через который можно получить любые агрегированные или сырые данные прямо из базы. Это позволяет напрямую подключить Yandex DataLens к нужным эндпоинтам — без необходимости дублировать данные в Google Sheets или делать отдельную выгрузку.

Примеры:

/api/stocks — остатки по складам
/api/orders?date_from=2025-06-01 — все заказы за период
/api/summary — агрегированные данные по артикулам
/api/plan — план vs факт

Все запросы возвращают JSON и легко подгружаются в DataLens в виде HTTP источника.

Детали реализации

Язык — Go: идеален для API, фоновых задач, работы с HTTP и минимальным потреблением ресурсов.
Хранилище — PostgreSQL, куда поступают все нормализованные данные.
Сервис запускается как обычное приложение и работает непрерывно.

Для заказов, особенно на Ozon, я реализовал повторные запросы, если не хватает информации о складе — например, warehouse_name для FBO заказов. Таким образом, данные в базе остаются чистыми и пригодными для визуализации по складам, брендам, платформам.

Что получил клиент

После внедрения проекта клиент:

отказался от ручной сводки данных полностью;
получает обновлённые данные каждые 4 часа;
подключил Yandex DataLens напрямую к API — и видит аналитику по остаткам, заказам, продажам и эффективности рекламы в реальном времени;
продолжает вносить планы продаж в Excel, но сравнивает их с фактами автоматически.

Это решение сэкономило десятки часов в неделю и убрало «человеческий фактор» из аналитики.

Вывод

Этот проект стал рабочим инструментом, а не просто экспериментом. Он показал, как можно выстроить гибкую и надёжную систему учёта на маркетплейсах, не полагаясь на Excel и ручные процедуры.

Если вы работаете с маркетплейсами, ведёте аналитику в DataLens, но устали от хаоса в отчётах — стоит подумать о собственном API-решении, которое подаёт данные уже в том виде, в каком их удобно анализировать.

🔧 Если вы работаете с маркетплейсами и устали от Excel — напишите. С удовольствием расскажу, как можно построить такую же систему под ваш бизнес.

🤖 Автор: @offrmdm | Telegram-канал: Скриптология | GitHub: d1mk9 · GitHub
Разрабатываю автоматизированные решения для бизнеса, чат-ботов на Golang и no-code платформах. Готов к сотрудничеству!