Agent AI obserwuje sklepy internetowe konkurencji: wykonuje skany na żądanie z analizą LLM i podglądem postępu na żywo oraz cyklicznie analizuje produkty, aby wykrywać rynkowe trendy promocyjne.
Wdrożenie dla firmy e-commerce z branży handlu detalicznego w Polsce
Zespół marketingu chciał wiedzieć, co promuje konkurencja — ale ręczne sprawdzanie każdego sklepu było wolne, nieregularne i w gorącym tygodniu wypadało z planu jako pierwsze.
Dziś pracownik wybiera konkurentów w panelu i uruchamia skan. Agent pobiera strony sklepów, a model językowy analizuje je w czterech stałych sekcjach — akcje i kampanie sezonowe, promocje, nowe produkty, inne obserwacje — a postęp i wyniki spływają na żywo do panelu. Jeden klik eksportuje całość do raportu PDF gotowego do przesłania dalej.
Druga ścieżka działa cyklicznie: analizuje strony promocyjne konkurencji, wyodrębnia promowane produkty i rodzaje promocji, a następnie wskazuje produkty i tematy – np. witaminę D, kolagen czy magnez – obecne u kilku konkurentów jednocześnie. Pozwala to odróżnić pojedynczą akcję od szerszego trendu rynkowego.
Dwa zastosowania oparte na wspólnej warstwie pozyskiwania danych: skan konkurencji na żądanie z podglądem na żywo oraz cykliczna analiza produktowa, która krok po kroku archiwizuje materiały źródłowe.
Skan na żądanie
Panel marketingu
zespół wybiera konkurentów
Warstwa scrapingu
HTTP + zapasowa przeglądarka headless
Analiza LLM
4 stałe sekcje + synteza rynkowa
Podgląd + PDF
wyniki w panelu, raport PDF
Analiza produktowa
Sklepy konkurencji
publiczne strony promocyjne
Analiza źródeł
słowa kluczowe i linki produktów
Wyodrębnianie produktów
LLM + reguły, wspólne nazwy
Produkty wspólne
tematy u wielu konkurentów
PostgreSQL
zadanie, log na żywo, wyniki · szary = wspólna warstwa pozyskiwania danych
Uruchamiany przez zespół, kiedy potrzeba
Cyklicznie, w niezależnie uruchamianych krokach
Strony konkurencji zmieniają się, blokują boty i miewają awarie — agent jest na to przygotowany, więc zespół i tak dostaje odpowiedź.
Panel widzą wyłącznie osoby z grupy marketingu oraz administratorzy.
Automatyczne ponowienia przy błędach serwera i zapasowa przeglądarka headless, gdy strona blokuje zwykłe zapytania HTTP.
Każdy skan ma własny wpis z postępem i logiem, widoczny na żywo w panelu — niezależnie od liczby wcześniejszych zadań.
LLM musi odpowiadać w czterech stałych sekcjach, więc z wyniku zawsze da się zbudować czytelny PDF.
Analiza produktowa dzieli się na pozyskiwanie → wyodrębnianie → porównanie; każdy etap zapisuje wynik i można go uruchomić osobno.
Każdą obserwację można powiązać z pierwotnymi plikami źródłowymi – zawsze wiadomo, na czym opiera się wniosek.
Technologia: Python · Django · API modeli LLM · headless Chrome/Selenium · PostgreSQL
Monitoring konkurencji, obserwację cen i wykrywanie trendów można prowadzić regularnie i konsekwentnie. Porozmawiajmy o Twoich potrzebach.
Porozmawiajmy o zastosowaniu