В рейтинг включены 100 крупнейших российских магазинов по объему онлайн-продаж по итогам 2018 года. «В основе рейтинга лежит комплексная методика построения рейтинга и сбора данных, включающая, в том числе, поэтапное уточнение данных рейтинга у представителей самих магазинов. Рейтинг интернет-магазинов включает данные по объему онлайн-продаж и количеству заказов», - говорится в пояснении методики расчета.

В отличие от рейтингов прошлых лет Data Insight убрала дополнительное условие к компаниям о преобладании трафика из России в посещаемости сайта или наличии отдельного поддомена для российских покупателей. Благодаря этому в рейтинг по итогам 2018 года вошел ряд интернет-магазинов международных компаний, у которых веб-продажи в России осуществляют их российские дочерние компании или представители, но у которых при этом российский интернет-магазин интегрирован в глобальный сайт.



Если смотреть десятку крупнейших интернет-магазинов, то первое и второе места в 2018 году, как и в 2017 году занимают Wildberries.ru и Citilink.ru соответственно. Кстати, выручка Wildberries.ru в рейтинге немного меньше показателей самой компании. Это связано с тем, что Data Insight посчитал только российскую выручку без учета продаж в остальных странах присутствия.

Дальше есть некоторые изменения. Например, DNS сместился с третьего места на пятое в 2018 году. Но это из-за разной методики подсчета. В 2017 году Data Insight эта компания была подсчитана с учетом сети интернет-дискаунтеров DNS Технопоинт, а в этом две сети одной компании посчитали раздельно. А вот если бы методика не изменилась бы и при составлении рейтинга 2018, то DNS занимал бы по-прежнему третью строчку и был бы выше mvideo.ru. 

Рейтинг ТОП-15 крупнейших интернет-магазинов России за 2018 год

# Магазины Категория товаров Онлайн-продажи, млн. руб. Заказы, тыс. Средний чек
2018 Рост 2018 Рост 2018 Рост
1 wildberries.ru одежда, обувь и аксессуары 111 200 0,74 72 500 0,82 1 530 -0,04
2 citilink.ru электроника и техника 73 200 0,33 7 670 0,32 9 540 0,01
3 mvideo.ru электроника и техника 52 800 0,46 4 590 0,3 11 500 0,12
4 ozon.ru универсальные магазины 41 770 0,73 15 550 0,85 2 690 -0,06
5 dns-shop.ru электроника и техника 38 810 0,83 5 240 0,78 7 410 0,02
6 lamoda.ru одежда, обувь и аксессуары 29 030 0,14 8 720 0,14 3 330 0
7 eldorado.ru электроника и техника 24 500 0,08 3 250 -0,21 7 540 0,37
8 svyaznoy.ru электроника и техника 19 720 0,26 1 690 0,14 11 670 0,11
9 technopoint.ru электроника и техника 19 080 0,08 3 000 0,05 6 360 0,03
10 petrovich.ru товары для дома 18 000 0,38 1 350 0,32 13 330 0,05
11 vseinstrumenti.ru товары для дома 17 830 0,2 2 530 0,17 7 050 0,03
12 onlinetrade.ru универсальные магазины 17 240 0,19 3 480 0,45 4 950 -0,18
13 apteka.ru красота и здоровье 12 630 0,59 7 890 0,66 1 600 -0,04
14 bonprix.ru одежда, обувь и аксессуары 11 350 -0,06 3 110 -0,12 3 650 0,07
15 utkonos.ru FMCG 10 190 0,08 1 980 0,09 5 150 -0,01
Источник: Data Insight


Ozon, наоборот, поднялась с 7-го на 4-ое место. «Юлмарт» вылетел с 8-ой строчки аж на 17-ую. Зато ворвалась в десятку крупнейших интернет-магазинов DIY-сеть «Петрович», поднявшись с 15-ой на 10-ую позицию.

Полностью с рейтингом можно ознакомиться здесь


Рейтинги используются на нескольких горизонтах принятия решения:

1. Государство и крупные инвесторы - рассматривают игроков в топ рейтингов как представительные бенчмарки для всего рынка: динамика роста рынка, эффекты консолидации, в том числе для введения и корректировки регуляторных механизмов

2. C-level (директора по стратегии, развитию, маркетинга, коммерческие отделы) - как конкурентный анализ и как основу для выстраивания партнёрских отношений (например, в сфере маркетинга, логистики, платёжных решений и пр).

Разные исследователи отталкиваются от разных целей и задач. Если Data Insight больше работает для C-уровня, то данные АКИТ больше нацелены на лоббирование на уровне государства.

Подсчёт рынка можно осуществлять двумя базовыми способами:

- со стороны supply, поставки - дистрибьюторы, логисты, платёжные услуги, маркетинговый канал - входят долями в конечную цену товара

- со стороны demand, спроса - количество покупателей в онлайн, средний чек и возвратность за покупкой по году (частота покупки в онлайне). При перемножении эти три числа дают искомый объём.

Числа по стороны supply и demand должны совпадать. Динамика трат со стороны потребителя должна равняться динамике выручки онлайн-витринами (с сайта или мобильного приложения).

Что мы имеем на текущей стороне со стороны demand?

Data Insight исторически собирала публичные данные компаний. Часть данных предоставляли сами онлайн-магазины (без возможности перепроверить по другим источникам). Часть данных по магазинам восстанавливаются по ближайшим конкурентам, там, где есть доступ к сопоставимым ключевым показателям (число сотрудников, количество чеков, трафик на витрины онлайн-магазинов).

В итоге появляется та самая «комплексная методика построения рейтинга и сбора данных, включающая, в том числе, поэтапное уточнение данных рейтинга у представителей самих магазинов.»

Разлёты в «восстановленных оценках» могут быть кратными. Кто-то даёт данные онлайн-продаж относительно общего объёма продаж, кто-то - с НДС, кто-то - без. Кто-то даёт отдельно показатели по среднему чеку, кто-то по количеству заказов: вместе получается объём продаж в онлайне для конкретного магазина.

Если «восстановленные данные» удовлетворяют магазин - они, как правило, не возражают. Возражают, как правило, конкуренты, у которых есть по своим каналам и поставщикам данные по их конкурентам.

Самая большая проблема с рейтингом - это композитный, гибридный рейтинг, в котором смешаны как публичные данные, так и композитные (по которым известны лишь часть данных), так и полностью «восстановленые», синтетические. При этом не выделяются отдельно данные от компаний, данные от конкурентов и смежных служб/партнёров и синтетические.

Мой подход отличается: я оцениваю данные чисто по трафику на витрины магазинов (с десктопа и веб-мобайла). Источником данных для меня являются статистика Alexa (принадлежит Amazon) и SimilarWeb (частная независимая компания с фондированием от Naspers), а также данные от Яндекс.Радара (последние полгода, с даты помесячных публикаций в августе 2018). После чего я сопоставляю проверенные данные от источников и вывожу единую для всех корреляционную кривую «ранг, трафик, оцениваемая выручка или GMV» за произвольный период.

Прикладная ценность моего подхода, со стороны demand заключается в том, что модель полностью "синтетическая", беспримесная, единая для всех участников рейтинга (более 10 тысяч онлайн-магазинов в России, включая трансграничных игроков). Оценка идёт не по «факту», а прогнозная, ожидаемая.