Метрики UGC-вовлечённости на Wildberries WB: считаем процент фото/видеоотзывов, среднюю длину текста и эмоциональную окраску — вводим внутренние KPI качества пользовательского контента и отслеживаем их динамику
Введение: когда 340 отзывов молчат, а 12 — говорят
Селлер открыл аналитику Wildberries и увидел цифру, от которой ему стало спокойно. Отзывы — 340 штук. Рейтинг — 4,6. Всё хорошо. Но потом он открыл блок отзывов и начал читать. Первые 50: «Хороший товар, рекомендую». «Всё супер, спасибо». «Качество на высоте». «Быстрая доставка». «Понравилось». Он пролистал все 340. 280 из них — вариации одного предложения. 40 — чуть длиннее, но без конкретики. 15 — с фото, но без подписи или с подписью «вот». 5 — видео, но размытые, без звука, без смысла. И только 12 — двенадцать из трёхсот сорока — были настоящими: с параметрами, с историей, с оговорками, с эмоцией. С именем. С городом. С «честно скажу».
Он посмотрел на конкурента — того, что рос без рекламы. У него 680 отзывов. Казалось бы, в два раза меньше объём. Но когда селлер открыл их, он увидел другую картину. 210 — с фото. 34 — с видео. Средняя длина текста — 340 символов против его 85. 60% содержали конкретику: рост, размер, контекст использования, сравнение с другим товаром. 40% — эмоциональные маркеры: «не ожидала», «наконец-то», «разочаровалась, но потом». И — главное — динамика: 8—12 новых отзывов в неделю, из которых 70% — качественные. Не «всё супер», а «всё супер, но вот нюанс».
Алгоритм Wildberries 2026 видит эту разницу. Не «340 vs 680». А «12 vs 400». Двенадцать живых голосов против четырёхсот шёпотов. И алгоритм выбирает тех, у кого голоса — не те, у кого шум.
В 2026 году на Wildberries WBколичество отзывов перестало быть метрикой. Качество UGC — вот что ранжирует, конвертирует, удерживает. Но «качество» — абстракция. Нужны числа. Нужны KPI. Нужна система, которая считает, сравнивает, требует.
В этой статье разберём, какие метрики UGC-вовлечённости вводить в ежедневную аналитику. Как считать процент фото/видеоотзывов — не просто «есть/нет», а «полезно/бесполезно». Как измерять среднюю длину текста — и почему 300 символов лучше 30. Как оценивать эмоциональную окраску — не «позитив/негатив», а глубину, искренность, вариативность. Как строить дашборд KPI и отслеживать динамику — не раз в квартал, а еженедельно. И как использовать эти метрики для управления UGC-стратегией: где вкладывать, что стимулировать, что прекращать.
Первая часть: почему классические метрики отзывов умерли
Три иллюзии, которые убивают карточку
Иллюзия первая: «Больше отзывов = выше доверие».
340 отзывов, из которых 280 — «хороший товар». Покупатель Wildberries, открывший блок отзывов, видит стену однообразия. Не доверие — подозрение. «Накрутили». «Боты». «Не читаю». И алгоритм видит то же: низкое время на блоке отзывов, низкая глубина скролла, нет кликов на фото. 340 отзывов весят меньше, чем 12 — если 12 живые, а 340 — шаблон.
Иллюзия вторая: «Есть фото = хороший отзыв».
Фото без подписи. Фото, где непонятно, что показано. Фото в темноте. Фото, очевидно сделанное для галочки — «вот, держите». Алгоритм анализирует визуальный контент: распознаёт объекты, оценивает качество, проверяет уникальность. Размытый снимок стены с висящей кофтой в углу — это не UGC-мощь. Это шум.
Иллюзия третья: «Рейтинг 4,6 = всё в порядке».
Рейтинг — среднее. Он скрывает структуру. Скрывает, что 80% отзывов — безликие пятёрки. Что 15% — негатив без объяснений. Что 5% — настоящие, но они утопают в шаблоне. Рейтинг 4,6 с дисперсией отзывов «всё супер» — хуже, чем рейтинг 4,4 с диалогом, историями, эмоциями.
Что такое UGC-вовлечённость и почему она — новая валюта
UGC-вовлечённость — это способность пользовательского контентаудерживать внимание, генерировать доверие, стимулировать действие и сигнализировать алгоритму о качестве карточки. Она измеряется не объёмом, а структурой:
- Сколько контента требует усилий от автора (фото, видео, длинный текст, конкретика).
- Сколько контента содержит информацию, которую нельзя подделать (параметры, контекст, оговорки, сравнения).
- Сколько контента вызывает эмоциональную реакцию (удивление, идентификацию, доверие, любопытство).
- Насколько контент свежий и динамичный (поток vs озеро).
Алгоритм Wildberries 2026 оценивает всё это — через поведенческие сигналы (время на отзыве, клики на фото, просмотры видео) и NLP-анализ (семантика, эмоциональная окраска, уникальность фраз). И селлер, который измеряет и управляет этими параметрами, получает преимущество, которое не купить за рекламу.
Вторая часть: система метрик UGC-вовлечённости — семь KPI
KPI 1: Плотность визуального UGC (V — Visual Density)
Что считаем: процент отзывов с полезными фото и видео.
Не «есть фото». А «фото, которое даёт информацию». Критерии полезности:
- Фото с человеком — видно, как сидит, как выглядит в контексте.
- Фото с параметрами — подпись «рост 172, размер L» или линейка/рулетка в кадре.
- Фото в реальном свете — у окна, в ванной, на кухне. Не студия.
- Фото «после использования» — после стирки, через месяц, в износе.
- Видео с голосом/текстом — не беззвучное размытое снятие пола.
- Видео с параметрами и сценарием — «Рост 168, вот как сидит, вот длина».
Формула: V = (F_useful × 3 + V_useful × 10) / Total_reviews × 100
Где F_useful — полезные фото, V_useful — полезные видео, Total_reviews — общее число отзывов. Видео весит в 3+ раза больше фото — потому что требует больше усилий и удерживает дольше.
Шкала:
Table
| V | Интерпретация |
|---|---|
| 0—5% | Пустыня. Алгоритм не видит визуального подтверждения. |
| 5—15% | Базовый уровень. Есть, но не достаточно для выделения. |
| 15—30% | Хорошо. Визуальный UGC работает на доверие. |
| 30—50% | Отлично. Карточка визуально «живая». |
| 50%+ | Экстра. Каждый второй отзыв — с доказательством. |
Динамика: отслеживать V не точечно, а трендом. Рост V на 5% за месяц — сигнал, что стимулирование работает. Падение — сигнал тревоги.
KPI 2: Средняя длина текстового отзыва (L — Length)
Что считаем: среднее число символов в текстовых отзывах (без учёта фото/видео-отзывов без текста).
Не «всего символов / всего отзывов». А «символов в текстовых отзывах / число текстовых отзывов». Потому что фото без текста — это не «0 символов», а другой формат.
Почему длина важна:
- 30—60 символов: «Хороший товар, рекомендую» — шаблон, написанный за 10 секунд. Нулевая информационная ценность.
- 150—250 символов: «Купила на рост 170, размер L. Сидит свободно, ткань приятная» — конкретика, параметры, контекст. Базовая ценность.
- 300—500 символов: «Думала, будет тоньше, но для лета — идеально. Ношу под пальто, не колется. После третьей стирки не село. Цвет у окна — как на фото, без фильтров» — история, оговорки, сценарии, сравнения. Максимальная ценность.
- 500+ символов: риск «перелива». Если текст размытый, эмоционально неструктурированный — может утомлять. Но если структурированный, с абзацами, с фото — это эссе, которое алгоритм индексирует как авторитетный контент.
Формула: L = Σ символов текстовых отзывов / число текстовых отзывов
Шкала:
Table
| L | Интерпретация |
|---|---|
| < 80 | Шаблонная пустыня. 80%+ отзывов — бессмысленные. |
| 80—150 | Низкая вовлечённость. Есть намёк на конкретику, но редко. |
| 150—250 | Средний уровень. Базовые параметры, минимальная история. |
| 250—400 | Хорошо. Истории, оговорки, контекст использования. |
| 400+ | Отлично. Глубокие сценарии, сравнения, эмоциональные нарративы. |
Динамика: рост L на 20%+ за квартал — стимулирование качественных отзывов работает. Стагнация — нужно менять подход к запросам.
KPI 3: Коэффициент конкретики (C — Concreteness)
Что считаем: процент отзывов, содержащих конкретные параметры или сценарии.
Маркеры конкретики:
- Физические параметры: рост, вес, размер, объём, длина, ширина.
- Контекст использования: «на работу», «под пальто», «после спортзала», «на даче», «для сна».
- Сравнения: «лучше, чем прошлая», «похоже на Zara, но дешевле», «не как на фото, а вот так».
- Временные маркеры: «ношу вторую неделю», «после третьей стирки», «через месяц использования».
- Оговорки и нюансы: «но рукава коротковаты», «цвет чуть темнее», «для зимы — тонковато».
Формула: C = Отзывы с ≥ 2 маркерами конкретики / Total_reviews × 100
Почему ≥ 2: один маркер («рост 170») может быть случайным. Два и более — паттерн вовлечённости.
Шкала:
Table
| C | Интерпретация |
|---|---|
| < 10% | Абстракция. Покупатели не делятся опытом. |
| 10—25% | Базовый уровень. Есть параметры, но редко. |
| 25—45% | Хорошо. Покупатели описывают реальный опыт. |
| 45—65% | Отлично. Большинство отзывов — инструкции для других. |
| 65%+ | Экстра. Каждый отзыв — руководство по применению. |
KPI 4: Эмоциональная вариативность (E — Emotional Variability)
Что считаем: не «позитив/негатив», а разнообразие эмоций и искренность.
Алгоритм Wildberries 2026 через NLP распознаёт эмоциональные паттерны. И он не любитмонотонность. 300 отзывов с «довольна» — подозрительно. 300 отзывов с «довольна, но…», «не ожидала», «наконец-то», «разочаровалась, потом поняла» — естественно.
Маркеры эмоциональной вариативности:
- Удивление: «не ожидала», «думала, будет хуже», «шокирована».
- Облегчение: «наконец-то», «долго искала», «перепробовала много».
- Сомнение → принятие: «сначала испугалась цвета», «подумала, мелковато», «но потом привыкла».
- Идентификация: «у меня такая же проблема», «я тоже полненькая», «мой муж тоже скептик».
- Радость: «восторг», «обожаю», «заказала ещё».
- Разочарование с оговоркой: «цвет не тот, но качество спасает», «маломерит, но смотрится круто».
Формула: E = Число уникальных эмоциональных маркеров / Число отзывов с эмоциональными маркерами × 100
Не «сколько эмоций», а «насколько они разнообразны». Если 100 отзывов содержат 15 разных эмоциональных маркеров — вариативность высокая. Если 100 отзывов содержат только «довольна» и «хорошо» — монотонность, шаблон.
Шкала:
Table
| E | Интерпретация |
|---|---|
| < 5% | Монотонность. Все эмоции — одни и те же. Подозрение на накрутку. |
| 5—12% | Низкая вариативность. Преобладает 2—3 эмоции. |
| 12—20% | Средний уровень. Естественное распределение. |
| 20—30% | Хорошо. Богатая эмоциональная палитра. |
| 30%+ | Отлично. Каждый отзыв — уникальный эмоциональный отпечаток. |
Дополнительно: считать соотношение позитивных эмоций к негативным с оговоркой. «Негатив с оговоркой» («цвет не тот, но мне нравится») — ценнее, чем «позитив без нюансов». Потому что честность = доверие.
KPI 5: Скорость UGC-потока (F — Flow)
Что считаем: количество качественных отзывов в неделю.
Не «всего отзывов». А «отзывов, которые проходят фильтр качества»: длина > 150 символов ИЛИ есть фото/видео ИЛИ ≥ 2 маркера конкретики.
Формула: F = Качественные отзывы за 7 дней
Шкала (зависит от категории и объёма продаж):
Table
| F (в неделю) | Интерпретация |
|---|---|
| 0—2 | Стагнация. Карточка «застыла». Алгоритм забывает. |
| 3—5 | Базовый поток. Минимальная свежесть. |
| 6—10 | Хорошо. Постоянное обновление контента. |
| 11—20 | Отлично. Активный конвейер, алгоритм индексирует регулярно. |
| 20+ | Экстра. Карточка — живой организм. |
Динамика: F должно расти или стабилизироваться на высоком уровне. Падение F на 50%+ за месяц — сигнал: стимулирование отзывов перестало работать.
KPI 6: Индекс ответной реакции (R — Responsiveness)
Что считаем: как селлер работает с UGC.
Не «процент отвеченных отзывов». А качество ответов и их влияние на вовлечённость.
Компоненты:
- Скорость: среднее время ответа на отзыв (часы).
- Персонализация: процент ответов с именем покупателя Wildberries.
- UGC-усиление: процент ответов со ссылкой на фото/видео в галерее или с предложением посмотреть контент.
- Семантическое обогащение: процент ответов с ключевыми фразами, которые покрывают новые запросы.
- Обратная связь: процент ответов, после которых появляется новый отзыв или комментарий от того же или другого покупателя Wildberries.
Формула: R = (Speed_score × 0,2 + Personal_score × 0,2 + UGC_enhance × 0,25 + Semantic × 0,2 + Feedback × 0,15)
Где каждый score — от 1 до 10.
Шкала итогового R:
Table
| R | Интерпретация |
|---|---|
| < 3 | Игнорирование. Отзывы — чёрный ящик. |
| 3—5 | Формальные ответы. «Спасибо» без ценности. |
| 5—7 | Базовая реактивность. Есть ответы, но без стратегии. |
| 7—8,5 | Хорошо. Ответы работают на SEO и доверие. |
| 8,5+ | Отлично. Каждый ответ — мост к другому блоку карточки. |
KPI 7: Интегральный индекс UGC-вовлечённости (U — UGC Engagement Index)
Формула: U = (V × 0,2 + L_norm × 0,15 + C × 0,2 + E × 0,15 + F_norm × 0,15 + R × 0,15)
Где L_norm — нормализованная длина (по шкале 0—10, где 400+ символов = 10), F_norm — нормализованный поток (максимум из категории = 10).
Интерпретация U:
Table
| U | Интерпретация |
|---|---|
| < 3 | Критически низкая вовлечённость. Карточка «мертва» для алгоритма. |
| 3—4,5 | Низкая. Нужна срочная реструктуризация UGC-стратегии. |
| 4,5—6 | Средняя. Есть потенциал, но много «пустых» отзывов. |
| 6—7,5 | Хорошо. UGC работает на карточку. |
| 7,5—9 | Отлично. Карточка — пример для категории. |
| 9+ | Экстра. Алгоритм «любит» эту карточку. Органический рост обеспечен. |
Третья часть: инструменты подсчёта и дашборд
Ручной подсчёт (для малых объёмов)
Выборка: 50—100 последних отзывов (для статистической значимости).
Шаг 1: открыть блок отзывов, сортировка «Сначала новые».
Шаг 2: для каждого отзыва заполнить таблицу:
Table
| № | Длина | Фото (0/1) | Видео (0/1) | Маркеры конкретики | Эмоциональные маркеры | Полезный? |
|---|---|---|---|---|---|---|
| 1 | 45 | 0 | 0 | 0 | 0 | 0 |
| 2 | 320 | 1 | 0 | 3 | 2 | 1 |
| 3 | 180 | 0 | 0 | 2 | 1 | 1 |
| … |
Шаг 3: суммировать и считать KPI.
Время: 20—30 минут на 50 отзывов. Для 1—2 карточек — приемлемо. Для 10+ — нужна автоматизация.
Полуавтоматический подсчёт (Excel/Google Sheets)
Шаблон с формулами:
- V: считает процент отзывов с 1 в колонках «Фото» или «Видео» (с учётом веса).
- L: среднее по колонке «Длина».
- C: процент отзывов с ≥ 2 в колонке «Маркеры конкретики».
- E: число уникальных эмоциональных маркеров / число отзывов с маркерами.
Макросы или Google Apps Script: для парсинга текста отзывов на ключевые слова (длина, маркеры конкретики, эмоции).
Автоматизированный сбор (для крупных селлеров)
Сторонние сервисы:
- MPStats, SellerStats, Stat4Market — имеют модули анализа отзывов с фильтрами по наличию фото/видео, длине текста, ключевым словам.
- API Wildberries — для выгрузки отзывов в собственную систему аналитики.
- Python + NLP-библиотеки (spaCy, Natasha для русского) — для автоматической классификации отзывов по эмоциональной окраске, извлечения маркеров конкретики, подсчёта уникальных фраз.
Дашборд (еженедельное обновление):
plain
┌─────────────────────────────────────────────────────────────┐
│ ДАШБОРД UGC-ВОВЛЕЧЁННОСТИ │ Карточка: [Артикул] │
│ Дата: [ДД.ММ.ГГГГ] │ Категория: [Название] │
├─────────────────────────────────────────────────────────────┤
│ KPI │ Текущее │ Неделю назад │ Месяц назад │
├───────────────┼───────────┼───────────────┼───────────────┤
│ V (визуал) │ 24% │ 21% │ 15% │
│ L (длина) │ 285 │ 240 │ 180 │
│ C (конкр.) │ 38% │ 32% │ 22% │
│ E (эмоции) │ 18% │ 14% │ 9% │
│ F (поток) │ 9 │ 7 │ 4 │
│ R (ответы) │ 7,2 │ 6,1 │ 4,5 │
├───────────────┴───────────┴───────────────┴───────────────┤
│ U (интегральный) │ 6,8 │ 5,9 │ 4,2 │
├─────────────────────────────────────────────────────────────┤
│ ТРЕНД: ↗️ Рост по всем показателям. U вырос на 62% за │
│ месяц. Карточка переходит из «средней» в «хорошую» зону. │
│ Рекомендация: усилить F (поток) до 12+ для выхода в │
│ «отлично». │
└─────────────────────────────────────────────────────────────┘Четвёртая часть: управление по KPI — как использовать метрики
Сценарий 1: V низкий, остальное среднее
Диагностика: покупатели Wildberries пишут, но не снимают. Нет визуального доказательства.
Действия:
- Запустить стимулирование фотоотзывов: «Поделитесь фото в товаре — скидка 15% на следующий заказ».
- Добавить в сообщение после покупки примеры хороших фото: «Нам важно, как сидит на вас. Сфотографируйте у окна или в зеркале».
- Заказать 3—5 UGC-видео с параметрами для «поднятия планки».
Цель: вывести V из < 10% в 20—25% за 60 дней.
Сценарий 2: L высокий, C низкий
Диагностика: отзывы длинные, но абстрактные. «Распишу всё, но без конкретики». Эмоциональные, но не информативные.
Действия:
- В сообщении после покупки задать вопросы: «Какой у вас рост и размер? Как носите — на работу, на прогулку? Что сказали бы тому, кто сомневается?»
- В стимулировании подчеркнуть ценность конкретики: «Самые полезные отзывы — с параметрами и сценариями использования».
Цель: поднять C с < 15% до 30%+.
Сценарий 3: E монотонный (все «довольны»)
Диагностика: отзывы похожи друг на друга. Возможна накрутка или стимулирование «оставьте хороший отзыв» без просьбы о честности.
Действия:
- Полностью переписать сообщение после покупки: «Поделитесь честным опытом — с плюсами и минусами. Это поможет другим выбрать».
- Отвечать на негатив так, чтобы поощрять честность: не спорить, а благодарить за конкретику.
- Публиковать «честные отзывы» в описании как пример: «Мы ценим честность. Вот что пишут наши покупатели Wildberries».
Цель: разнообразить эмоциональную палитру, поднять E.
Сценарий 4: F падает
Диагностика: поток отзывов замедлился. Карточка «застывает».
Действия:
- Аудит воронки: сколько покупателей получают сообщение с просьбой об отзыве? Сколько открывают? Сколько отвечают?
- Усилить стимул: не просто «оставьте отзыв», а «лучший отзыв с фото этой недели — подарочный сертификат 1000 ₽».
- Упростить процесс: прямая ссылка на форму отзыва, напоминание через 5 и 12 дней после доставки.
Цель: стабилизировать F на уровне 8—12 в неделю.
Сценарий 5: U растёт, но позиции не растут
Диагностика: UGC качественный, но карточка не оптимизирована под алгоритм в других аспектах. Возможно, цена неконкурентна, возвраты высокие, скорость доставки низкая.
Действия:
- Проверить другие ранжировочные факторы: цена, возвраты, рейтинг доставки, наличие на складах.
- Убедиться, что UGCинтегрирован в карточку: цитаты в описании, фото в галерее, видео в отзывах — а не просто «есть в блоке отзывов».
- Проверить семантику: покрывает ли UGC длинный хвост запросов?
Пятая часть: типичные ошибки при внедрении KPI UGC-вовлечённости
Ошибка 1: гнаться за объёмом, забывая качество
«Нам нужно 1000 отзывов» — и запускается накрутка или массовое стимулирование без фильтра качества. Результат: U падает, потому что 900 из 1000 — шаблоны. Лучше 200 качественных, чем 1000 пустых.
Ошибка 2: считать всё вручную и бросить через месяц
Ручной подсчёт 50 отзывов — 30 минут. На 10 карточек — 5 часов. Неделю посчитали, устали, забросили. Решение: начать с 2—3 ключевых карточек, автоматизировать через шаблоны, постепенно масштабировать.
Ошибка 3: игнорировать динамику в пользу точечных замеров
«У нас U = 6,5 — хорошо». Но если месяц назад было 7,2, а два месяца назад — 7,8 — это падение, не стабильность. KPI работают только в динамике.
Ошибка 4: оценивать UGC изолированно от карточки
Отзывы отличные, но спрятаны на 4-м экране. Фото есть, но не в галерее. Видео снято, но не закреплено. UGC-вовлечённость — это не только создание контента, но и его позиционирование.
Ошибка 5: не связывать KPI с бизнес-метриками
U растёт — отлично. Но продажи не растут? Значит, UGC не тот, аудитория не та, или карточка имеет другие проблемы. KPI UGC — это инструмент, не цель. Цель — продажи, маржа, удержание.
Чек-лист: внедрение системы KPI UGC-вовлечённости
- Семь KPI определены: V, L, C, E, F, R, U
- Методика подсчёта выбрана: ручная, полуавтоматическая или автоматизированная
- Базовые значения зафиксированы для 2—3 ключевых карточек
- Дашборд создан: еженедельное обновление, визуализация трендов
- Целевые значения по каждому KPI установлены на квартал
- Ответственный назначен: кто считает, кто анализирует, кто принимает решения
- Стимулирование отзывов переписано под KPI: просьба о конкретике, фото, параметрах
- Система ответов настроена под KPI R: SLA, персонализация, ссылки, семантика
- Динамика отслеживается: не точечные замеры, а тренды за 4—8 недель
- KPI связаны с бизнес-метриками: корреляция U с конверсией, органическим трафиком, позициями
- Корректирующие действия прописаны для каждого сценария падения KPI
- Ежемесячный аудит запланирован: что работает, что нет, какие KPI пересмотреть
Заключение
340 отзывов — это не актив. Это пассив, если 328 из них — шёпот. Алгоритм Wildberries 2026 не глухой. Он слышит разницу между «хороший товар» и «Думала, будет тоньше, но для лета — идеально. На рост 170 — рукава чуть коротковаты, ношу как 3/4. После третьей стирки не село. Цвет у окна — как на фото, без фильтров». Он слышит, что второе — требует усилий, содержит информацию, вызывает доверие. И он ранжирует второе выше — даже если его в 28 раз меньше.
KPI UGC-вовлечённости — это слуховой аппарат для селлера. Он позволяет услышать, что слышит алгоритм. Не «много отзывов», а какие именно. Не «есть фото», а какие фото. Не «рейтинг 4,6», а что стоит за этой цифрой.
V — плотность визуального доказательства. Сколько покупателей Wildberriesприложили усилие, чтобы показать, а не просто сказать.
L — глубина текста. Сколько символов отделяют шаблон от истории.
C — конкретика. Сколько параметров и сценариев превращают отзыв в инструкцию для следующего.
E — эмоциональная вариативность. Насколько разнообразны голоса, или это хорботов.
F — поток. Живая ли карточка, или застывший памятник.
R — ответная реакция. Слышит ли селлер своих покупателей Wildberries, или молчит.
U — интегральный индекс. Сумма, которая говориталгоритму: «Здесь стоит остановиться. Здесь стоит доверять. Здесь стоит покупать».
Не считайте отзывы. Считайте вовлечённость. Вовлечённость — это язык, на котором алгоритм Wildberries 2026говорит с покупателем Wildberries. И если ваши отзывыговорят на этом языке — громко, честно, конкретно, эмоционально, свежо — алгоритмпереведёт их голос в позиции, трафик, продажи.
А если нет — 340 отзывов останутся шёпотом в пустоте. И покупатель Wildberries, пролистав их за 4 секунды, уйдёт к тому, у кого двенадцать — но какие.