В условиях трансформации цифровой торговли маркетплейсы приобрели черты инфраструктурных платформ, что повысило их зависимость от нормативной среды, технологических решений и поведения потребителей. Переход от классической электронной коммерции к экосистемной модели сопровождается новыми рисками — институциональными, операционными и поведенческими. Современная платформа электронной торговли функционирует в условиях высокой технологической плотности, трансграничного правового поля и изменчивых пользовательских предпочтений, что делает управление рисками центральным направлением стратегического развития.
Одним из наиболее острых вызовов становится вопрос регуляторной стабильности. В России и Китае формируются различные модели цифрового регулирования, что создаёт сложности при попытках масштабирования экосистем на международном уровне. Российская нормативная система страдает от фрагментарности и отсутствия правил по алгоритмическому регулированию. Китайская, напротив, отличается директивным подходом, который сопровождается значительными санкциями за нарушения. Примером служит штраф в размере 18,2 млрд юаней, наложенный на Alibaba в 2021 году [16, С. 85—93].
Кроме этого, возрастает нагрузка на управление трансграничной передачей данных. Законодательство КНР ограничивает экспорт пользовательской информации, а российские платформы обязаны локализовывать персональные данные на территории РФ [3]. Это существенно ограничивает возможности создания единой аналитической базы и мешает унификации моделей персонализации.
Сложности вызывает и фрагментация алгоритмических практик. В КНР с августа 2023 года действуют Временные меры по регулированию генеративного ИИ, предполагающие раскрытие логики работы рекомендательных систем [12]. В РФ соответствующие нормы находятся на стадии апробации. Отсутствие единых стандартов влечёт за собой риски этической и поведенческой дискриминации пользователей, а также затрудняет настройку экосистемных интерфейсов под разные регионы.
Регуляторные и технологические вызовы усиливаются в условиях конкуренции с международными игроками. Amazon, Shopee и Lazada активно экспансируют в цифровое пространство стран СНГ, предлагая унифицированные решения и агрессивную ценовую политику. По данным доклада Макриновой Е. И., в 2024 году доля заказов с AliExpress в южных регионах РФ достигла 27%, несмотря на ограниченную логистику [30, С. 207—208]. СберМегаМаркет и Wildberries теряют позиции в этих кластерах из-за недостаточной персонализации и слабого клиентского сервиса.
Особое внимание привлекает проблема фрода. Цифровые экосистемы подвержены рискам недобросовестного поведения продавцов, сговорам, манипуляциям с отзывами и кибератакам. Как указывается в отчёте Агатеевой В. В., в 2023 году на платформе СберМегаМаркет было зафиксировано более 11 тыс. инцидентов, связанных с фальсификацией скидок и отзывов [15, С. 8—10]. Аналогичные механизмы действуют и на китайских платформах: в 2022 году Taobao заблокировал 47 тыс. аккаунтов за систематическое манипулирование репутацией.
Цитата: По данным Приходько К. С., «вовлеченность пользователя в экосистему снижается при повторяющихся нарушениях доверия: фрод, недостоверная персонализация, навязанные рекомендации» [41, С. 261—262].
Вопрос доверия приобретает стратегическое значение. Поведенческая аналитика и алгоритмические рекомендации требуют высокого уровня прозрачности и этичности. Уровень отказа от персонализированной выдачи на китайских платформах не превышает 6%, в то время как в РФ доля пользователей, отключивших персонализацию, достигла 22% по итогам 2023 года, что свидетельствует о недоверии к алгоритмам [32, С. 332].
Сложности возникают и в сфере ESG-повестки. Экосистемы обязаны не только выполнять экологические и социальные обязательства, но и учитывать влияние своей деятельности на устойчивое развитие. В Китае на уровне законодательства закреплены принципы экологичной доставки, отслеживания углеродного следа и социальной отчётности. В России соответствующие стандарты разрабатываются, но их исполнение добровольно. Как отмечает Дамбаева Д. Ц., Alibaba участвует в национальной программе цифровизации сельских регионов, одновременно способствуя решению задач экологического равновесия [22, С. 2223—2224].
Для сопоставления основных рисков, выявленных в литературе и нормативной практике, представлена таблица 22.
Таблица 22 — Классификация рисков и вызовов в развитии цифровых экосистем маркетплейсов
Как видно из таблицы 22, основные риски связаны не столько с технологическим сбоем, сколько с институциональными и поведенческими ограничениями. Ключевыми направлениями становятся антимонопольный комплаенс, управление доверием и реализация принципов устойчивости.
Отдельного внимания заслуживают геополитические факторы. Санкционное давление, ограничения в трансграничной логистике, разрыв платёжных систем и запрет на использование отдельных технологических решений (например, западных облачных инфраструктур) существенно снижают возможности международной интеграции. Alibaba и её дочерние проекты (в частности, Ant Group) подвергались санкциям со стороны США и ЕС, а российские платформы ограничены в доступе к зарубежным API и решениям по прогнозированию спроса.
Далее обобщим количественные показатели, иллюстрирующие ключевые вызовы для экосистем Alibaba Group и СберМегаМаркет, рисунок 17.
Разнообразие рисков цифровых экосистем маркетплейсов требует их структурированной оценки и количественной интерпретации. Необходимость расчётной интерпретации рисков обусловлена тем, что традиционные методы правового и поведенческого анализа не позволяют в полной мере зафиксировать интегральный уровень уязвимости цифровой платформы. В связи с этим предлагается использовать модель сводного индекса уязвимости Iуяз, учитывающего ключевые группы факторов: нормативные ограничения, поведенческие отклонения, технологическую нестабильность и институциональные пробелы.
Интегральная оценка Iуяз рассчитывается по формуле (1):
Iуяз = R × 0,3 + T × 0,25 + D × 0,2 + L × 0,25, (1)
где:
R — уровень регуляторной нагрузки (число нормативных обязательств и претензий);
T — показатель технологической уязвимости (сбои, фрод-инциденты, отключения персонализации);
D — уровень недоверия (доля пользователей, отключивших алгоритмы, и негативные отзывы);
L — институциональные барьеры (доступ к господдержке, плотность логистики, кадровый дефицит).
Каждый из компонентов нормируется в шкале от 0 до 1 по отношению к отраслевым средним. При этом значения от 0,0 до 0,3 отражают низкий риск, от 0,31 до 0,6 — умеренный, выше 0,6 — высокий. Данный подход позволяет агрегировать разнородные угрозы в единый показатель.
На основе эмпирических данных, собранных в ходе анализа глав 1 и 2, а также опубликованных отчётов компаний и исследований [18, С. 33—36; 15, С. 5—14], можно определить значения компонентов Iуяз для экосистем Alibaba Group и СберМегаМаркет по состоянию на 2024 год:
R (регуляторная нагрузка): Alibaba = 0,8 (высокие санкционные риски); СММ = 0,5 (умеренные претензии).
T (технологическая уязвимость): Alibaba = 0,3 (низкая фрод-активность и высокая автоматизация); СММ = 0,6 (частые сбои и рост фрода).
D (доверие пользователей): Alibaba = 0,2 (низкий уровень отказа от персонализации); СММ = 0,55 (значительное недоверие).
L (институциональные ограничения): Alibaba = 0,2 (глубокая интеграция в стратегии КНР); СММ = 0,7 (ограниченная логистика, слабая интеграция).
Подставляя значения в формулу (1), получим:
Для Alibaba — Iуяз_Alibaba = 0,8 × 0,3 +0,3 × 0,25 +0,2 × 0,2 +0,2 × 0,25 = 0,24 +0,075 +0,04 +0,05 = 0,405
Для СберМегаМаркет — Iуяз_СММ = 0,5 × 0,3 +0,6 × 0,25 +0,55 × 0,2 +0,7 × 0,25 = 0,15 +0,15 +0,11 +0,175 = 0,585
Таким образом, уязвимость экосистемы Alibaba остаётся на уровне умеренного риска, тогда как у СберМегаМаркет приближается к границе высокой зоны. Эти различия обусловлены как внешней средой, так и архитектурой платформ, глубиной алгоритмического контроля и структурой институциональных связей.
Для наглядного сопоставления рассчитанных значений предложена таблица 23, на которую в дальнейшем можно построить сравнительный график в Excel.
Таблица 23 — Интегральная оценка уровня уязвимости экосистем маркетплейсов (2024 г.)
Рекомендации по графику (Excel): построить столбчатую диаграмму по компонентам с двумя сериями данных (Alibaba и СММ). Тип — «гистограмма с группировкой».
Промежуточный вывод: высокий уровень Iуяз у СберМегаМаркет требует пересмотра стратегий прозрачности, устойчивости и алгоритмической этики. Принимая во внимание специфику санкционной среды, вектор развития должен смещаться в сторону внутренних стандартов цифровой ответственности и локальных механизмов верификации поведения.
Дополнительные риски связаны с неравномерной архитектурой цифровых решений. Например, в Китае персонализация реализуется на базе DAMO Academy, включающей 17 модулей предиктивной аналитики, в то время как в СберМегаМаркет лишь часть товарных карточек оптимизирована под поведенческую модель [44, С. 82—88]. Это означает, что платформы имеют разные возможности по адаптации к изменениям спроса и цифровым сценариям.
Наряду с регуляторными и пользовательскими рисками, ключевое значение приобретает проблема кадрового обеспечения. Alibaba обучает до 3 тыс. специалистов в год в собственной платформе Alibaba University, тогда как в экосистеме Сбера подобный процесс ограничен корпоративными курсами. Как отмечает Ладугин Н. А., отставание в подготовке ИТ-кадров создаёт риски технологической стагнации и снижает уровень инновационной готовности [27, С. 167—170].
Следовательно, необходимо учитывать мультифакторность уязвимости экосистем и их зависимость от институциональной среды. Недостаток глубокой цифровой интеграции и слабая кадровая ёмкость увеличивают восприимчивость к киберугрозам, фроду и поведенческим отклонениям. Переход к зрелой модели цифровой безопасности возможен только при реализации целостной стратегии риск-менеджмента.
Завершающим блоком анализа рисков экосистем маркетплейсов являются правовые неопределённости и вызовы цифровой логистики. Элементы экосистемы СберМегаМаркет и Alibaba Group включают не только интерфейсы и алгоритмы, но и сети последней мили, платёжные шлюзы, облачные платформы и ИИ-модули персонализации. Каждое из этих звеньев уязвимо к сбоям, нормативным ограничениям или целевым атакам.
Одна из ключевых проблем — недостаточная правовая определённость в области интеллектуальной собственности, связанной с алгоритмами. В КНР действует система, при которой исходный код и поведенческие паттерны могут быть признаны интеллектуальным активом, подлежащим обязательному раскрытию в ряде случаев. В России данная практика отсутствует, что создаёт двойственность при экспорте решений и ухудшает инвестиционную привлекательность экосистем.
На практике это означает, что алгоритм рекомендательной выдачи, созданный в РФ, может быть заблокирован в КНР как «непрозрачный» или нарушающий принципы поведенческой этики. Китайские регуляторы требуют от маркетплейсов возможности объяснить каждую персональную рекомендацию в развернутом виде, тогда как российские платформы сосредоточены на эффективности и CTR без сопровождения алгоритмической отчётности.
Критичными остаются и логистические ограничения. Alibaba Group задействует мощный ресурс Cainiao Network, включающий 200+ центров обработки заказов и более 3000 трансграничных маршрутов. В России аналогичных логистических экосистем в цифровом сегменте пока не создано. СберМегаМаркет использует внешние сети (Boxberry, СДЭК, Почта России), что снижает контроль над скоростью и качеством доставки, увеличивает количество претензий и снижает NPS. Как указывается в отчёте Зориной М. В., в 2023 году 12% заказов в СММ не были доставлены в заявленные сроки, в то время как у Alibaba этот показатель не превышал 2% [39, С. 142—144].
Ситуация усугубляется растущей зависимостью от цифровой инфраструктуры — облачных решений, CDN-сетей, инструментов резервирования данных. В условиях технологического суверенитета и санкционных барьеров Россия испытывает нехватку собственных платформ, аналогичных Alibaba Cloud. По данным Минцифры, только 37% российских маркетплейсов в 2024 году использовали отечественные облачные решения, остальные — локальные серверы или частично зарубежные провайдеры, что повышает риск утечек и сбоев [11].
Отдельный блок рисков составляет динамика пользовательского поведения. Рост числа «умных» потребителей — тех, кто избегает персонализации, использует промокоды, читает отзывы и блокирует трекинг — приводит к снижению эффективности экосистемных моделей. Такие пользователи могут искажать аналитические данные, снижать точность предиктивных моделей и препятствовать обучению нейросетей. По данным исследования Маслова К. А., доля таких пользователей в РФ составляет уже 14%, тогда как в КНР — менее 5% [32, С. 333].
Для преодоления указанных вызовов необходим переход от реагирования к стратегическому управлению рисками. Ниже приведена таблица 24, в которой обобщены возможные стратегии и механизмы адаптации к рискам.
Таблица 24 — Механизмы управления рисками цифровых экосистем маркетплейсов
Как следует из таблицы 24, адаптация требует мультиуровневого подхода — от технологических решений до институциональных механизмов. Объединение аналитических платформ, развитие нормативных стандартов и укрепление доверия пользователей — ключевые направления устойчивости экосистем.
Анализ рисков и вызовов в развитии цифровых экосистем маркетплейсов показывает, что современные платформы функционируют в условиях институциональной нестабильности, высокой технологической уязвимости и поведенческой фрагментации. В отличие от Alibaba Group, интегрированной в национальные стратегии КНР, СберМегаМаркет демонстрирует повышенную чувствительность к внутренним и внешним угрозам. Высокий индекс уязвимости, растущее недоверие пользователей, слабая логистическая и облачная инфраструктура — всё это указывает на необходимость глубокого реформирования модели экосистемы. Стратегии минимизации рисков должны включать комплексные меры: от юридической и алгоритмической адаптации до устойчивой логистики и прозрачности пользовательских сценариев. Только целостный подход к управлению рисками обеспечит цифровым экосистемам устойчивое развитие и конкурентоспособность на трансграничных рынках.