İçeriğe geç
British American Tobacco için pazar istihbaratı platformu
British American TobaccoScraping · LLM · Python · Postgres

BritishAmericanTobaccoiçinpazaristihbaratıplatformu

Canlı analistler pazarın yalnızca küçük bir bölümünü fiziksel olarak kapsıyor ve verileri haftada bir güncelliyor — rakip yeni bir ürün çıkarıyor, şirket bunu geç öğreniyor, raf payını ve pazar payını kaybediyor. Scraping, ~%95 nitelik tanıma ve <24 sa güncelleme ile 15 000+ siteyi kapsıyor; ~12 analistlik bütçeyi (≈$180–250k/yıl) tasarruf ediyor ve pazarın kör noktalarını ortadan kaldırıyor.

Brief

Ürün pazarı istihbarat platformu — cihazlar, aromalar, haberler ve sosyal medyaya dair verilerin otomatik toplanması ve analizi. Lansmandan sonra departman 14 yerine 2 kişiyle çalışıyor; 15 000+ site ve 5 500 Instagram hesabı günlük izleniyor.

Bağlam

Manuel çalışmanın bedeli

Canlı analistler pazarın yalnızca küçük bir bölümünü fiziksel olarak kapsıyor ve verileri haftada bir güncelliyor — rakip yeni bir ürün çıkarıyor, şirket bunu geç öğreniyor, raf payını ve pazar payını kaybediyor.

AI neyi değiştirir

Scraping, ~%95 nitelik tanıma ve <24 sa güncelleme ile 15 000+ siteyi kapsıyor; ~12 analistlik bütçeyi (≈$180–250k/yıl) tasarruf ediyor ve pazarın kör noktalarını ortadan kaldırıyor.

Önce → Sonra

Operasyonel model

Önce
  • 14 analist pazarı elle izliyor
  • Kapsam, kaynakların küçük bir bölümüyle sınırlı
  • Raporlar yavaş hazırlanıyor, veriler eskiyor
6 hafta
Sonra
  • +14 → 2 kişi ekipte
  • +15 000+ site günlük izleniyor
  • +5 500 Instagram hesabı günlük izleniyor
Ne yaptık

Nasıl inşa ettik

01

Teşhis

Departmanın pazarı nasıl elle izlediğini ve hangi kaynakların kapsam dışında kaldığını inceledik. Sonuç metriklerini sabitledik: kaynak kapsamı ve yeni ürünün tabana girme hızı.

02

Gerçek veriyle prototip

İlk çalışan scraping ve nitelik tanıma döngüsünü gerçek kaynaklar üzerinde kurduk — başlangıçtan kullanılabilir veriye kadar 1–6 hafta içinde.

03

Canlıya alma ve destek

Kapsamı 15 000+ siteye ve 5 500 Instagram hesabına ölçekledik; ~%95 nitelik tanıma ve <24 sa güncellemeyi canlı kalite metrikleri olarak tuttuk.

Sonuçlar

Ne ortaya çıktı

14 → 2

ekipteki kişi

15 000+

izlenen site

<24 sa

yeni ürünün veritabanına girmesi

Proje ekibi
IG

Igor Golikov

Proje lideri

VK

Vitaly Kust

Teknik direktör

Sonraki vaka

Wellness pazarı için Wingle veri platformu

28 analist yüzlerce kaynağı elle birleştiriyor — bazı lansmanlar ve trendler gözden kaçıyor, raporlar yayımlanmadan eskiyor ve manuel giriş hataları kararları bozuyor. Platform 9 000+ siteyi ve 7 000+ hesabı gerçek zamanlı tutuyor ve raporu haftalar yerine dakikalar içinde hazırlıyor; ~24 kadroyu (≈$150k+/yıl tasarruf) serbest bırakıyor.

Wellness pazarı için Wingle veri platformu