С чего всё начинается: блок «с этим покупают»
Клиент кладёт в корзину кофемашину. Под ней — три кофеварки, которые он не спросит, и ни одной пачки зерна. Через неделю он покупает зерно в другом магазине — просто потому, что вспомнил не сразу. Магазин потерял допродажу в моменте.
Именно эту потерю закрывает рекомендательная система. Под кофемашиной появляется не «топ продаж месяца», а «зерно средней обжарки», «фильтры» и «жернова» — то, что этот клиент с высокой вероятностью купит вместе. Средний чек вырастает на 10–20%, потому что допродажа происходит ровно в момент готовности платить.
Дальше — о том, как такая система устроена внутри и сколько стоит.
Что под капотом: гибрид моделей, а не один алгоритм
Хорошие рекомендации никогда не строятся на одном методе. Мы используем гибрид из трёх слоёв:
- Коллаборативная фильтрация — «покупатели с похожим вкусом брали ещё это». Работает, когда есть история поведения у достаточного числа пользователей.
- Контентные признаки — «этот товар похож на тот по характеристикам». Выручает на холодном старте: для нового товара или нового пользователя, где истории ещё нет.
- Контекст сессии — что клиент посмотрел за последние минуты. Поэтому «с этим покупают» на странице кофемашины отличается от «для вас» на главной.
Поверх моделей — бизнес-логика, без которой хорошие алгоритмы дают плохой магазин: не предлагать то, чего нет в наличии, не три одинаковых товара подряд, поднимать маржинальные позиции, исключать недавно возвращённое.
Где эти блоки работают и что растят
Не один блок, а целая карта точек контакта — у каждой своя метрика:
| Точка | Что показывает | Метрика |
|---|---|---|
| Карточка товара | «С этим покупают», «похожие» | средний чек |
| Корзина | «Добавьте до бесплатной доставки» | чек + снижение брошенных |
| Главная и каталог | «Для вас», «снова в наличии» | вовлечённость, возвратность |
| Email и push | персональные подборки | повторные покупки |
Кейс: маркетплейс товаров для дома
Каталог 14 000 товаров, 60 000 уникальных посетителей в месяц. До проекта стояли ручные блоки «популярное» и «новинки» — одинаковые для всех.
Что сделали за 6 недель до пилота:
- собрали 18 месяцев событий (просмотры, корзина, покупки) в векторное хранилище;
- обучили гибрид: коллаборативная фильтрация + контентные признаки;
- поставили блоки на карточку, корзину, главную и в email;
- запустили A/B против старых блоков.
Результат через 6 недель:
- средний чек вырос на +18%;
- конверсия в покупку из карточки — +11%;
- товаров в заказе (items per order) — +14%;
- доля повторных покупок за 60 дней — +9%.
Окупилось за 3 месяца и продолжило расти по мере накопления данных. Кейс под NDA, цифры обезличены.
Как считаем эффект и почему это важно
Рекомендации — редкий случай, когда ROI виден сразу и измеряется напрямую. Но только при одном условии: A/B-тест, а не «сравнили с прошлым месяцем». Прошлый месяц мог быть сезонным, с другой рекламой и ассортиментом. Чистый эффект виден только в параллельном сравнении половины трафика с ИИ-блоками и половины — со старыми.
Поэтому A/B встроен в проект с первого дня, а не «посмотрим потом».
Инфраструктура и закон
Всё работает на российских серверах: сбор событий, обучение, инференс. Используем open-source ML — без зависимости от зарубежных API. События пользователей — персональные данные, обрабатываем по 152-ФЗ: согласие, хранение в РФ, обезличивание признаков там, где это возможно без потери качества. Часть проектов — под NDA.
Цена и что входит
Персонализированные рекомендации под ключ — от 850 000 ₽. В эту сумму:
- аудит событий и качества данных;
- стриминг событий в хранилище;
- гибридная модель + бизнес-логика;
- интеграция блоков на сайт и в email;
- A/B-движок и замер эффекта.
Точная цена зависит от размера каталога, объёма событий и числа точек размещения. Срок до пилота — 6–10 недель. Эксплуатация (серверы, стриминг, инференс) — в РФ, отдельной строкой.
По теме
- Интеллектуальное регулирование цен — цена и рекомендация работают вместе.
- Прогнозирование спроса — что закупать под выросший спрос.
- Предотвращение оттока клиентов — рекомендации как инструмент удержания.
- Концепция внедрения ИИ (PoC) — проверить эффект на одном блоке.
Комментарии · 0