Платформа, которая начинается с прибыльности на уровне SKU и оптимизации рекламных расходов, расширяется до рекомендаций сделок в цепочке поставок — и в конечной точке становится agent-ready каталогом: прямым интерфейсом для AI-агентов покупателей.
Селлеры управляют прибыльностью через 1С / Excel, ручной мониторинг конкурентов и разрозненные кабинеты маркетплейсов. Реальную маржу по каждому SKU никто не считает — деньги горят в рекламных бюджетах без видимой отдачи.
Ho4u интегрирует учётный контур и API маркетплейсов в единую P&L-модель на уровне SKU, выдаёт конкретные рекомендации по рекламным ставкам, росту органики и ассортименту — и монетизирует накопленный data-слой через supply-chain network и agent-ready каталог.
в России в 2024 г., прогноз роста до ~900 млрд ₽ к 2029 г. Глобальный retail media — $293–300 млрд к 2029–2030 гг.
Upside-сценарий по России и СНГ — подписки small/mid/enterprise плюс транзакционная монетизация supply-chain сети.
Горизонт 18 месяцев: продукт первой фазы, первые 10–20 платящих клиентов.
Ho4u — B2B SaaS-платформа для селлеров, которая соединяет учётные системы, API маркетплейсов и конкурентные сигналы, чтобы улучшать unit-экономику на уровне SKU.
Начальная точка входа в рынок (wedge) — система, которая считает прибыльность по SKU, выявляет неэффективные рекламные расходы и выдаёт рекомендации по росту доли органических продаж. Затем продукт расширяется в слой рекомендаций сделок в цепочке поставок между участниками системы, а далее — в agent-ready каталог для новых сценариев agentic commerce.
В своей финальной стадии Ho4u — это система прямого доступа AI-агентов потребителей к каталогу товаров производителей, что позволит значительно нарастить органический трафик на карточки селлеров, оптимизируя рекламные расходы на маркетплейсах.
Селлеры работают в разорванном контуре: 1С или Excel для управленческого учёта, отдельные кабинеты маркетплейсов для продаж и рекламы, ручной мониторинг конкурентов и несвязанная операционная аналитика.
Из-за разрыва данных сложно видеть реальную прибыльность каждого SKU, отделять полезные рекламные расходы от пустого сжигания бюджета и понимать, чем именно вызвано падение маржи — рекламой, ценой, логистикой или проблемой ассортимента.
Retail media составляет уже более одной пятой рекламного рынка России. Продавцы направляют всё большие бюджеты внутри маркетплейсов, при этом не контролируя их реальную отдачу. Без инструмента оптимизации это прямые потери маржи.
Даже умеренное улучшение распределения рекламного бюджета, доли органики и ассортимента создаёт для селлера экономический эффект, достаточный для покупки софта, который раньше мог восприниматься как nice-to-have.
От SKU-аналитики — к supply-chain intelligence — к agent-ready каталогу.
Интегрирует данные учётной системы (Excel, 1С) и API маркетплейсов для построения практической P&L-модели на уровне SKU. Входные данные: закупочные цены, себестоимость, логистика, налоги, остатки, данные о рекламных кампаниях из Ozon, Wildberries, Яндекс.Маркета.
Расширяет data layer в приватную сеть supply-chain intelligence между пользователями. Платформа моделирует цепочку поставок от производителя до селлера и выявляет случаи, когда один пользователь закупает товар существенно хуже по экономике, чем другой готов предложить внутри сети.
Финальная фаза: agent-ready каталог для сценариев, в которых AI-агенты получают товарные данные, сравнивают предложения и направляют пользователя к покупке. На горизонте 5–7 лет AI-агенты станут полноценным цифровым двойником покупателя.
Три слоя: problem TAM, software/ad-tech pool и целевой SOM компании.
Цель выглядит агрессивной только если воспринимать продукт как лёгкий аналитический виджет. Она становится реалистичной при взгляде на три источника выручки:
Дополнительную поддержку тезису даёт макротренд: retail media и e-commerce продолжают расти структурно. Рынок e-commerce в России может достичь 35 трлн руб. к 2030 г., а глобальный retail media — приблизиться к $293–300 млрд к 2029–2030 гг.
В качестве коммерческой модели выбран подход freemium — small-селлеры редко готовы платить до того, как увидят денежный эффект. Оптимальный путь онбординга: один месяц бесплатного trial с доступом ко всем функциям Pro, после чего аккаунт деградирует в ограниченный free-tier при отсутствии конверсии.
Free-tier включает: анализ управленческой отчётности в Excel, одну конфигурацию 1С (УНФ или Бухгалтерию), одну интеграцию с маркетплейсом и глубокий анализ трёх SKU. Достаточно полезен, чтобы показать value — и достаточно ограничен, чтобы серьёзный клиент быстро увидел смысл апгрейда. Платный функционал — смесь подписки и add-ons: доп. конфигурации 1С, доп. маркетплейсы, расширение аналитики за пределы лимита в три SKU, automation, supply-chain recommendations, расширенная аналитика для multi-entity клиентов.
| Сегмент | Типичный клиент | Месячная подписка | Дополнительная монетизация |
|---|---|---|---|
| Free | Микроселлер, тестирующий продукт | 0 ₽ | Только воронка на конверсию |
| Small Pro | Небольшой селлер, ограниченные интеграции | 15–20 тыс. ₽ | Add-ons за доп. SKU и маркетплейсы |
| Mid-market | Больше SKU, каналов и рекламных бюджетов | 60–180 тыс. ₽ | Automation, доп. источники данных, сервисные upsell-модули |
| Enterprise | Крупные селлеры, бренды, агрегаторы | 300–700 тыс. ₽+ | Интеграционные fee, кастомные workflow, premium support |
По количеству большинство клиентов останутся small, но основная часть ARR придёт из mid-market и enterprise-сегментов, где интеграции глубже, процессы сложнее, а потенциал экономии достаточно велик, чтобы оправдать шестизначные месячные чеки.
Три реальности: большинство аккаунтов — small-селлеры, один бесплатный Pro-trial-месяц, enterprise дают непропорционально большую долю ARR.
| Год | Small | Mid | Enterprise | Оценочный ARR |
|---|---|---|---|---|
| Год 1 | 15 | 5 | 1 | ~13 млн ₽ |
| Год 2 | 60 | 25 | 5 | ~70 млн ₽ |
| Год 3 | 150 | 60 | 10 | ~180 млн ₽ |
| Год 4 | 280 | 110 | 18 | ~374 млн ₽ |
| Год 5 — base | 450 | 190 | 30 | ~698 млн ₽ |
| Год 5 — upside | 500 | 230 | 40 | ~960 млн ₽ + network fees |
При такой структуре бизнес может иметь клиентскую базу, где по числу доминируют small-селлеры, но по выручке профиль будет заметно тяжелее, чем у обычного SMB SaaS. Upside-сценарий пятого года выводит бизнес примерно к 1,0 млрд ₽ ARR ещё до учёта дополнительной выручки от supply-chain рекомендаций и network effects.
Лучший первый wedge — mid-market селлеры в России и СНГ, а не микроселлеры и не самые крупные enterprise. У mid-market уже достаточно рекламных расходов и операционной боли, чтобы им был нужен SKU-level profitability tool, но при этом нет собственной data-команды — они готовы терпеть неидеальный, но высокоокупаемый продукт, если внедрение делается «под ключ».
Founder-led sales, усиленный понятными ROI-кейсами и практической помощью с интеграциями. Продукт позиционируется не как «AI-аналитика», а как система роста маржи и эффективности рекламных расходов.
Интеграторы 1С, e-commerce-консультанты и агентства, уже работающие с селлерами. Со временем дистрибуция расширяется через партнёров, которые готовы рекомендовать продукт, если внедрение делается для клиента «под ключ» и есть чёткий экономический кейс.
Freemium-модель снижает барьер входа: один месяц полного Pro-trial, затем деградация в free-tier при отсутствии конверсии. Это создаёт органический поток квалифицированных лидов без агрессивного outbound.
Два основных класса игроков — интеграционные решения и сервисы аналитики. Ни один не закрывает всю связку.
К этому классу относятся SelSup, Uniseller, RDV и ряд похожих решений, ориентированных на автоматизацию операционного контура продавца. Их основная ценность — синхронизация товаров, остатков, цен, заказов и отгрузок между 1С и маркетплейсами, снижение числа ручных операций и уменьшение ошибок в учёте. Эти продукты закрывают важную инфраструктурную боль, но по своему ядру остаются слоем интеграции и операционной автоматизации. В открытых описаниях таких решений не видно сильного акцента на AI-рекомендательном слое, глубоком анализе управленческой P&L по SKU или на механике оптимизации рекламных расходов.
Наиболее близкий к целевому позиционированию игрок — Sellmonitor, который в публичных материалах описывается как сервис аналитики маркетплейсов для Wildberries, Ozon, Яндекс Маркета, а также как решение, связанное с экосистемой 1С. Сильная сторона Sellmonitor — уже на стыке аналитики маркетплейсов и учётного контура. При этом даже в этом случае позиционирование остаётся ближе к аналитике и управлению торговлей на маркетплейсах, чем к глубокой AI-операционной системе, которая строит персональную unit-экономику, даёт prescriptive recommendations на уровне P&L и затем расширяется в supply-chain intelligence между пользователями сети.
| Продукт | Интеграция 1С | SKU P&L | AI-рекомендации | Supply-chain сеть | Agent-ready |
|---|---|---|---|---|---|
| SelSup / Uniseller / RDV | ✓ | — | — | — | — |
| Sellmonitor | ◑ | ◑ | — | — | — |
| Ho4u | ✓ | ✓ | ✓ | ✓ | ✓ |
На рынке нет явно выраженного игрока, который бы в одном продукте сочетал: интеграцию в 1С, excel и другой учётный контур, построение персонализированной SKU-level экономики, рекомендации по снижению неэффективных рекламных расходов на основе полной внутренней экономики клиента и сетевой слой рекомендаций сделок между пользователями системы. Именно это создаёт окно для позиционирования не как ещё одного «сервиса аналитики маркетплейсов», а как AI operating system для селлера. Ho4u — следующий слой зрелости рынка: продукт, который объединяет финансовый контур, маркетплейсный контур и внешний конкурентный контур в единую систему принятия решений, а затем монетизирует накопленный data layer через supply-chain network и agent-ready catalog.
| Фаза | Объём работ | Оценочный бюджет |
|---|---|---|
| 0–18 мес. | Продукт первой фазы, первые 10–20 платящих клиентов | 27–38 млн ₽ |
| 18–36 мес. | Supply-chain модуль, network pilots, усиление GTM | 40–70 млн ₽ |
| 36–60 мес. | Масштабирование сети и agent-ready слоя | Follow-on growth capital |
API маркетплейсов могут меняться, системы ранжирования и рекламной выдачи — усложняться, а сами маркетплейсы могут усиливать собственные аналитические и рекламные инструменты, снижая ценность внешнего optimization layer. Контроль риска: обширный опыт команды разработки в области гибкого, быстрого внедрения передовых технологических решений.
Если каждый аккаунт будет требовать полностью ручного внедрения и большого объёма консалтинга, компания сможет расти по выручке, но не сможет построить масштабируемую софтверную маржу. Контроль риска: free-tier, ограниченный онбординг и стандартизированный путь интеграции.
Agent-ready каталог — будущее преимущество. Его легко обратить в тяжёлый, токсичный актив, если поспешить с выходом на рынок. Удачный момент вывода продукта легко пропустить, если не уделять разработке достаточного количества ресурсов. Контроль риска: постоянный текущий анализ рынка интеграции AI-агентов на конечные устройства пользователей и своевременное принятие стратегических решений.
Селлеры маркетплейсов в России и СНГ тратят деньги в быстро растущем retail media рынке, при этом управляя прибыльностью через разрозненные инструменты и неполную экономику. Российский рынок решений для селлеров маркетплейсов насыщен, но сильно сегментирован. Системного, персонализированного подхода к анализу эффективности расходов селлеров на маркетплейсах на рынке не представлено.
Решение — практическая AI-операционная система, которая начинается с расчёта прибыли и рекомендаций по эффективности рекламы на уровне SKU, расширяется в supply-chain intelligence и в дальнейшем — в agent-ready commerce infrastructure. Ho4u — следующий слой зрелости рынка: продукт, который объединяет финансовый контур, маркетплейсный контур и внешний конкурентный контур в единую систему принятия решений, а затем монетизирует накопленный data layer через supply-chain network и agent-ready catalog.
Рынок достаточно велик, чтобы оправдать венчурные амбиции. Цель компании — стать дефолтным операционным слоем для mid-market селлеров и части enterprise-аккаунтов в России и СНГ. В этой рамке несколько сотен миллионов рублей ARR — base-case, а 1,0–1,2 млрд ₽ ARR на горизонте пяти лет — амбициозный, но достижимый upside-case.