GEO для интернет-магазина: как получать продажи из нейросетей, если на маркетплейсе тот же товар дешевле

У интернет-магазина может отлично сработать GEO, товар появится в рекомендациях ChatGPT или Алисы, а заказ все равно уйдет на маркетплейс.

Простейший пример: специализированный продавец предлагает кофемашину за 99 900 рублей. На маркетплейсе тот же SKU стоит 94 900. Нейросеть правильно выбрала модель под запрос покупателя, человек скопировал название, нашел более дешевое предложение и оформил заказ там.

В проектах по GEO-продвижению интернет-магазинов я поэтому разделяю 2 разные задачи. Сначала нужно попасть в рекомендацию товара. Затем надо добиться, чтобы нейросеть учитывала причины купить этот товар именно у нужного продавца.

Для российского e-commerce это особенно заметно. По данным Data Insight, в 2025 году универсальные маркетплейсы получили 81% всех заказов интернет-торговли и 62% ее денежного объема. Доля онлайн-продаж в непродовольственном ритейле достигла 52%.

Если GEO заканчивается фразой "вам подходит модель X", интернет-магазин может оплатить продвижение товара и фактически привести покупателя маркетплейсу.

Тогда главный вопрос звучит уже иначе: как сделать так, чтобы нейросеть сама включила в выбор продавца сервис, гарантию, настройку, надежность поставки или другой фактор, по которому специализированный магазин действительно сильнее?

Рекомендация товара еще не означает продажу

В классическом GEO мы часто считаем успехом появление нужного бренда, компании или товара в ответе нейросети. Для услуг это нередко уже близко к бизнес-результату. Если пользователь спросил, какой фулфилмент выбрать, и получил название конкретного фулфилмента, следующая развилка сравнительно короткая.

С интернет-магазинами все сложнее. Один популярный SKU продают десятки площадок. Нейросеть может прекрасно выполнить задачу выбора модели и вообще не решить задачу выбора продавца.

Допустим, пользователь спрашивает:

Ответ приводит его к конкретной De'Longhi. Сам интернет-магазин в этой точке еще не выиграл ничего. Покупатель может открыть поиск, маркетплейсы и сравнить цену за 30 секунд.

Поэтому для e-commerce я бы разделял воронку минимум на 2 события:

1. нейросеть рекомендовала нужную модель или линейку;
2. нейросеть объяснила, по каким критериям выбирать продавца, и связала релевантное преимущество с конкретным магазином.

Вторая часть особенно важна, когда магазин не является самым дешевым каналом покупки.

Сначала надо внедрить критерий выбора продавца

Возьмем ту же кофемашину. Для технически сложной бытовой техники цена важна, но не единственна. Есть гарантия, наличие авторизованного сервиса, настройка, доставка, возможность получить помощь после покупки.

На российском сайте De'Longhi указан стандартный гарантийный срок сервисного обслуживания 2 года. Для части автоматических кофемашин в рамках условий производителя может действовать расширенная гарантия. Там же опубликована сеть авторизованных сервисных центров.

Теперь представим специализированного продавца, который реально дает покупателю дополнительную ценность: настраивает технику, помогает с выбором, берет на себя коммуникацию с сервисом, быстрее решает гарантийные вопросы или предлагает собственную дополнительную гарантию.

Проблема в том, что пользователь обычно не спрашивает:

Он спрашивает:

Задача GEO здесь состоит в том, чтобы нейросеть сама добавила критерий продавца в ответ, хотя человек его отдельно не сформулировал.

Желаемый результат выглядит примерно так:

На этом этапе название нужного магазина можно вообще не упоминать. Сначала полезно закрепить саму логику выбора.

Рассуждающие и быстрые модели требуют разной подачи фактов

Разные нейросети приходят к ответу разными путями. Старшая модель с большим бюджетом на рассуждение способна собрать вывод из нескольких документов. В одном источнике описаны проблемы владельцев кофемашин, в другом условия гарантии, в третьем стоимость обслуживания, на сайте продавца его сервис.

Такая модель может связать факты сама.

У быстрых режимов другая экономика ответа. Им полезнее документ, где нужная связь уже сформулирована в одном компактном фрагменте.

Например:

Это уже готовая смысловая единица. Ее можно извлечь из документа почти без дополнительного рассуждения.

В своем исследовании 500+ ответов нейросетей я отдельно разбирал, насколько сильно состав источников зависит от нейросети, интента и формата запроса. Для e-commerce это означает, что один универсальный тип контента редко закрывает весь набор интерфейсов.

Чем короче смысловая цепочка, тем надежнее результат

Представим длинную конструкцию:

Старшая модель иногда пройдет всю цепочку. Для быстрого ответа надежнее положить рядом начало и конец.

Например:

Или:

Разумеется, писать такое можно только тогда, когда услуга действительно существует.

Мой практический принцип здесь простой: важная для бизнеса связь должна по возможности укладываться в один смысловой переход.

Не надо убеждать весь интернет

Попытка массово размножить одну рекламную формулировку даст много мусора и мало пользы. Важнее понять, какие документы нейросеть реально использует для конкретного класса запросов.

Допустим, мы собрали 30 промптов про выбор кофемашины и несколько раз прогнали их через нужные нейросети. Дальше смотрим не только на рекомендации, но и на источники.

Что встречается чаще?

• категории интернет-магазинов;
• рейтинги и обзоры;
• страницы производителей;
• специализированные медиа;
• форумы и пользовательские обсуждения;
• собственные страницы продавцов.

Наша задача состоит в том, чтобы нужный критерий появился в достаточной доле реально используемых документов, а не в максимально большом числе публикаций вообще.

Для Алисы часть этой работы можно вести через раздел видимости сайта в Алисе AI в Яндекс Вебмастере. Там доступны примеры запросов, Share of Voice и страницы сайтов той же тематики, которые используются в генеративных ответах.

Полезно вести такую карту источников по каждому кластеру запросов отдельно. Документы, которые помогают при выборе кофемашины для капучино, могут почти не пересекаться с источниками по простоте ухода или надежности продавца. Поэтому единый список "площадок для GEO" быстро становится слишком грубым.

Для магазина нужны страницы пользовательских сценариев

Классический каталог строится вокруг товарной иерархии:

Пользователь нейросети часто начинает с другой стороны:

Или:

Или:

Под такие интенты полезна отдельная ветвь сайта со сценарными страницами.

Например:

• /coffee-machines/for-cappuccino/

• /coffee-machines/easy-to-clean/

• /coffee-machines/for-small-kitchen/

У такой страницы должен быть стабильный URL, нормальный индексируемый текст, критерии выбора, FAQ и алгоритм подбора актуальных товаров. Ассортимент внутри может меняться из каталога: сегодня подходят 5 моделей, через месяц одна исчезла, появилась новая, у 2 изменилась цена. Сама смысловая страница продолжает жить.

Сценарная страница и SEO-фильтр – разные вещи

Не каждый набор параметров заслуживает индексируемой посадочной.

"Кофемашина для маленькой кухни" описывает задачу человека.

"Кофемашины шириной 231–239 мм и мощностью 1400–1490 Вт" описывает машинный фильтр.

Для GEO ценнее первый вариант: он ближе к естественному вопросу, который пользователь задает нейросети.

Товарный блок должен быть доступен роботам

Если смысловой текст приходит обычным HTML, а рекомендуемые модели появляются только после сложного клиентского JavaScript, возникает лишняя зависимость от рендеринга.

Яндекс поддерживает выполнение JavaScript, но прямо указывает, что решение о выполнении остается за роботом. Для важных сценарных страниц я предпочитаю SSR, SSG, пререндеринг или другую архитектуру, при которой основной контент и товарный блок доступны сразу.

Товарные факты при этом надо передавать машинно. Яндекс поддерживает Schema.org Product, Offer, AggregateOffer и OfferCatalog, а для товарных представлений используется также YML-фид.

Получается 2 параллельных уровня:

1. редакционная часть объясняет, какие критерии важны для сценария;
2. каталог и структурированные данные сообщают, какие модели сейчас соответствуют этим критериям, сколько стоят и есть ли в наличии.

Для e-commerce такая связка полезнее обычного блога, который существует отдельно от каталога.

Эксклюзивный SKU сильно упрощает задачу

Теперь поменяем исходное условие. Производитель выпускает отдельную модель или модификацию специально для одного ритейлера. Бренд известный, но конкретный SKU доступен только у одного продавца.

В этом случае рекомендация товара почти автоматически становится рекомендацией магазина.

У обычного товара надо решить 2 задачи:

1. убедить нейросеть, что модель подходит;
2. объяснить, почему покупать ее стоит у конкретного продавца.

У эксклюзивной модели остается в основном первая.

Но появляется другая проблема: новый артикул информационно почти пустой. Нейросеть знает бренд, известную серию и массовые модели, а специальную модификацию может вообще не знать.

Поэтому надо явно закрепить связь:

• модель X относится к серии Y;
• использует ту же платформу;
• отличается конкретной функцией или комплектацией;
• это отличие имеет значение для определенного пользовательского сценария.

Если связь подтверждается на сайте бренда или продавца, в обзорах и сравнениях, новый SKU получает контекст уже известной линейки.

Для GEO эксклюзивная модель сильного бренда часто проще малоизвестного эксклюзивного бренда: во втором случае приходится отдельно создавать доверие к производителю.

Если продавцу нечего добавить к цене, GEO это не исправит

Это главный ограничитель всей схемы.

Допустим, специализированный магазин дороже маркетплейса на 8%. Гарантия та же. Сервис тот же. Доставка хуже. Дополнительных услуг нет. Консультация ничего не меняет.

Маркетплейс продает тот же официальный товар у нормального продавца с высоким рейтингом и большим числом отзывов.

В такой ситуации нейросеть, советующая более дешевое предложение, ведет себя рационально. Контентом нельзя создать преимущество, которого нет в самом бизнесе.

Иногда GEO-аудит e-commerce должен закончиться вопросом к продукту продавца:

• можно ли включить бесплатную настройку;
• дать дополнительную гарантию;
• взять на себя сервисные обращения;
• добавить запуск и установку;
• забирать технику в ремонт;
• включить стартовый набор расходников;
• предложить регулярное обслуживание.

Конкретный набор зависит от категории и экономики. Сначала бизнес создает преимущество. Потом GEO помогает нейросетям его увидеть и учитывать.

Внешние публикации нужны как независимые подтверждения

Если магазин сам пишет "у нас лучший сервис", это слабый аргумент. Гораздо сильнее, когда один и тот же критерий подтверждается разными типами источников.

Например:

• производитель описывает гарантию и авторизованную сервисную сеть;
• отраслевой материал объясняет стоимость владения;
• рейтинг включает ремонтопригодность или обслуживание в критерии;
• обзор разбирает действия при гарантийном случае;
• магазин точно описывает собственную дополнительную услугу;
• отзывы подтверждают, что услуга реально оказывается.

Для рассуждающей модели это набор независимых доказательств. Для быстрого режима дополнительно нужны короткие фрагменты, где ключевой вывод уже сформулирован.

Эти механизмы работают вместе.

Как измерять GEO интернет-магазина

BMR, доля ответов с упоминанием бренда, для этой задачи недостаточна.

Представим, что модели из ассортимента магазина начали встречаться в ответах в 2 раза чаще. Это хорошо, но мы все еще не знаем, получает ли магазин больше шансов на продажу.

Я использую более длинную цепочку показателей.

Все эти показатели лучше считать на фиксированном контрольном пуле запросов, а не по случайным диалогам.

В кейсе Преп-Центра хорошо видно, почему я разделяю метрики видимости и коммерческий результат: BMR вырос с 0% до 30%, но главным показателем для бизнеса стали 6 оплаченных клиентов из нейросетей за первые 1,5 месяца.

Для интернет-магазина логика та же: рост упоминаний полезен только тогда, когда мы понимаем, где он находится в цепочке до покупки.

Эксперимент с ценовой премией

Можно отдельно проверить, насколько нейросеть учитывает сервисное преимущество.

Берем один пользовательский запрос:

Дальше сравниваем 2 предложения одной модели:

1. одинаковая цена;
2. 95 000 против 100 000;
3. 93 000 против 100 000;
4. 90 000 против 100 000.

Смотрим, при каком ценовом разрыве дополнительный сервис перестает влиять на рекомендацию.

Это не исследование готовности реальных покупателей переплачивать. Если ChatGPT сохраняет рекомендацию при разнице 7%, нельзя заявить, что потребитель готов переплатить 7%.

Зато мы измеряем другое: насколько хорошо нейросеть понимает ценностное предложение магазина и способна сопоставить его с ценой.

Такой показатель можно сравнивать до начала GEO-продвижения и после накопления новых источников и изменений сайта.

Как проверить внедрение нового критерия

Берем 20–30 запросов, где человек выбирает товар, но не упоминает продавца, гарантию или сервис.

Например:

• какую кофемашину выбрать для капучино до 100 тысяч;
• какую кофемашину купить родителям;
• какая автоматическая модель проще в уходе;
• что выбрать для маленькой кухни.

Считаем исходный SCR. Допустим, только в 3 ответах из 30 нейросеть сама заговорила о сервисе или условиях покупки.

Дальше создаем сценарные страницы, улучшаем товарные данные, публикуем доказательные внешние материалы и после индексации повторяем тот же пул.

Если критерий сервиса появился уже в 10 ответах из 30, изменилась не только частота упоминания бренда. Изменилась структура ответа.

Следующий уровень проверки: начала ли нейросеть связывать этот критерий с нужным продавцом.

У омниканального ритейла часть эффекта потеряется в аналитике

Путь может выглядеть так:

Последним источником в стандартной аналитике окажется офлайн. Нейросеть при этом могла запустить весь путь.

Для дорогой и сложной техники это особенно вероятно: человеку хочется посмотреть товар, поговорить с консультантом, уточнить установку или сервис.

Поэтому оценивать GEO только по прямым кликам из ChatGPT или Алисы в checkout недостаточно.

Нужно хотя бы частично склеивать звонки, обращения в мессенджеры, визиты, заказы и последующие покупки. И спрашивать клиента после оплаты, что повлияло на выбор.

Этот переход от поиска товара к диалогу я подробнее разбирал в материале о том, как покупки постепенно уходят в диалог с нейросетями и AI-агентами.

Три уровня GEO для e-commerce

Я бы описал зрелость проекта так.

Уровень 1. Рекомендация товара.

Нейросеть говорит:

Это уже лучше отсутствия в ответе, но деньги может получить любой продавец этой модели.

Уровень 2. Рекомендация продавца.

Нейросеть говорит:

Тут GEO уже влияет на выбор точки покупки.

Уровень 3. Влияние на саму модель выбора.

Нейросеть начинает регулярно объяснять пользователям:

Если бизнес объективно силен по A, B и C, он получает более устойчивое преимущество. Название магазина уже не обязательно искусственно вставлять в каждый ответ: меняется сама схема сравнения предложений.

Для тех, кому нужен более длинный разбор технической части, я оставил расширенный технический разбор этой модели на Habr.

Частые вопросы

Может ли GEO заставить нейросеть рекомендовать магазин, если он заметно дороже маркетплейса?

Иногда да, если у магазина есть реальное преимущество, которое компенсирует часть ценового разрыва для конкретного сценария. Это может быть сервис, настройка, дополнительная гарантия, установка или другой существенный фактор. Если предложение объективно хуже почти по всем параметрам, публикациями проблему не исправить.

Надо ли создавать отдельную страницу под каждый промпт?

Нет. Страница нужна под устойчивый пользовательский сценарий, а не под каждую формулировку вопроса. Несколько промптов могут описывать один и тот же интент: простота ухода, небольшая кухня, покупка для родителей, определенный тип напитков.

Чем сценарная страница отличается от SEO-фильтра?

Сценарная страница решает задачу человека и объясняет критерии выбора. Фильтр механически отбирает товары по характеристикам. URL вида "для маленькой кухни" может быть полезной постоянной страницей, а комбинация нескольких диапазонов мощности и ширины обычно остается фильтром.

Нужно ли продвигать один и тот же критерий во всех публикациях?

Нет. Одинаковая рекламная формулировка, размноженная десятки раз, выглядит искусственно и дает мало новой информации. Критерий должен появляться там, где он действительно связан с вопросом пользователя и подтверждается фактурой.

Как понять, что GEO влияет именно на продажи, а не только на упоминания?

Нужна цепочка метрик от рекомендации товара до продавца и собственная атрибуция обращений. BMR полезен как верхнеуровневый показатель, но для e-commerce дополнительно нужны PRR, SCR, RAR, RRR, PPSR и фактические данные о продажах или обращениях.

Итог

Для интернет-магазина GEO сложнее обычной задачи "чаще появляться в ChatGPT". У одного товара может быть много продавцов, и самое дешевое предложение часто находится на маркетплейсе.

Поэтому работа идет сразу по нескольким направлениям: товар должен попасть в рекомендацию, нейросеть должна учитывать правильные критерии выбора продавца, а преимущества магазина обязаны существовать в реальности и иметь внешние подтверждения.

Если этого нет, нейросеть вполне рационально отправит покупателя туда, где дешевле.

Если преимущества есть, GEO можно строить уже глубже: через сценарную структуру сайта, товарные данные, внешние источники и измерение того, как меняется сама логика ответа нейросети.

Подробнее о моей работе с GEO-продвижением можно посмотреть на GAEO.ru.