Мониторинг маркетплейсов без платных сервисов аналитики
Конкуренты, свои продажи, позиции и алерты по Wildberries и Ozon. Python stdlib, SQLite, Telegram-бот и разбор от LLM.
Конкуренты, свои продажи, позиции и алерты по Wildberries и Ozon. Python stdlib, SQLite, Telegram-бот и разбор от LLM.
Один цикл раз в три часа: сбор, аналитика, алерты, дашборд, выгрузка на сайт. Ни одной pip-зависимости.
Коэффициент оценки продаж конкурентов калибруется автоматически по своим магазинам через API продавца.
Главное за период, события и что сделать, с ответственными.
Топ-200 по своим запросам, доля рекламы, «кто выше нас», динамика за неделю.
Цена, остаток, демпинг, новый конкурент. Уровень важности и что делать.
Меню по площадкам, свободные вопросы к данным, доступ по заявке.
Весь код на Python 3.14 из стандартной библиотеки. Хранилище: один файл SQLite, резервная копия равна копии файла.
flowchart LR L[launchd, каждые 3 ч] --> C[app.collect<br/>card.wb.ru · basket · feedbacks · search] L --> S[app.wb_seller<br/>API продавца WB] L --> O[app.ozon<br/>Seller + Performance API] L --> M[app.sellmonitor<br/>MCP JSON-RPC] C --> DB[(SQLite<br/>wbmon.db)] S --> DB O --> DB M --> DB DB --> A[app.analyze<br/>метрики · калибровка · алерты] A --> LLM[LLM-разбор<br/>Codex CLI] A --> D[app.dashboard<br/>index.html + data.json] D --> W[sync.sh<br/>rsync / FTPS → сайт] A --> B[app.bot<br/>Telegram] LLM --> B
Настоящие данные; названия компаний и брендов заменены.
Прирост отзывов на карточку умножается на коэффициент, который монитор сам измеряет по своим магазинам через API продавца.
После десяти быстрых запросов 429 на минуты. Сборщик держит паузу 25 секунд и не снимает больше 30 ключей за цикл.
Shell из launchd не пускают в Documents, а Python из /Library/Frameworks пускают. Поэтому цикл написан на Python.
Транспорт FTPS с переиспользованием TLS-сессии на канале данных, иначе vsftpd отвечает 522.