Surf 
Тендеры и лиды
Информация
Блок «с этим товаром покупают» приносит до трети выручки крупных магазинов — и при этом половина внедрений не даёт эффекта. Разбираем, как устроены рекомендательные системы, почему они спотыкаются на холодном старте и как отличить работающую персонализацию от красивой.
Рекомендации в интернет-магазине выглядят как магия: система будто угадывает, что вам нужно. На деле это не магия, а модель, которая предсказывает следующую покупку по поведению — вашему и похожих на вас людей. Эффект реальный: по рыночным оценкам, персонализированные рекомендации формируют до трети выручки в e-commerce. Но за этой цифрой стоят те, кто внедрил рекомендации правильно; у многих красивый блок «вам понравится» висит для галочки и не двигает ни конверсию, ни чек. Разница — в инженерии и в том, что и как измеряют.
Мы в Surf делаем мобильные приложения и цифровые витрины для ритейла и относимся к рекомендациям как к продуктовому инструменту с измеримой отдачей, а не как к модному ИИ. Разберём, как устроены рекомендательные системы, где они ломаются и как понять, что вам действительно нужно их строить, а не подключить готовое.
Рекомендательная система решает одну задачу — предсказать, что клиент захочет дальше, и показать это в нужном месте. «Похожие товары» в карточке, «с этим покупают» в корзине, персональная лента на главной, подборки в письме — всё это выходы одной механики: система смотрит на поведение и достраивает вероятное продолжение.
Ценность прямая и денежная. Хорошие рекомендации поднимают средний чек через допродажи, увеличивают конверсию, помогают клиенту найти нужное в большом каталоге и возвращают его через персональные письма. Именно поэтому рынок рекомендательных движков растёт на десятки процентов в год: для крупного магазина это не украшение, а один из главных рычагов выручки. Но рычаг работает, только если под ним есть данные и правильно выбранный подход.
Под капотом рекомендаций лежит один из трёх подходов, и у каждого свой характер.
Коллаборативная фильтрация (по поведению). Система ищет закономерности в поведении: «люди, покупавшие то же, что и вы, брали ещё вот это». Она не смотрит на содержимое товаров и потому находит неожиданные связи, которые не выведешь из атрибутов. Плата за это — зависимость от объёма данных и уязвимость к холодному старту: новому пользователю или товару, о котором ещё нет поведения, рекомендовать нечего.
Контентная фильтрация (по атрибутам). Система рекомендует похожее по характеристикам товара: цвет, категория, бренд, цена. Она устойчивее к холодному старту — работает даже при малых данных, потому что опирается на свойства, а не на историю. Обратная сторона — «пузырь похожего»: клиенту, купившему синюю рубашку, она предложит ещё десять синих рубашек и не удивит.
Гибрид. Рабочий продакшн-вариант почти всегда — комбинация: контентная фильтрация закрывает старт и новинки, коллаборативная включается по мере накопления поведения. Так система и не молчит на старте, и со временем находит нетривиальные связи.
Отдельно стоит сказать про простые базовые решения — «хиты продаж», «часто покупают вместе», «новинки категории». Они не ИИ, но работают на удивление хорошо и почти всегда должны быть основой, поверх которой уже надстраивается ML. Начинать с тяжёлой модели, минуя эти baseline, — частая ошибка.
Если и есть проблема, о которую спотыкаются все рекомендательные системы, — это холодный старт. Когда в магазин приходит новый посетитель без истории, алгоритму нечего анализировать; то же с новым товаром, который ещё никто не покупал. А если новых пользователей и товаров много — а в растущем магазине их много всегда, — рекомендации в целом проседают.
Лечится это не одной кнопкой, а слоями. На старте работают контентный подход и популярное — то, что можно показать вообще без истории. Дальше подключается быстрый сбор сигналов: даже пара просмотров в текущей сессии уже даёт зацепку. Иногда помогает мягкий онбординг — короткий вопрос о предпочтениях при первом входе. И только по мере накопления данных система переходит на полноценные персональные рекомендации. Грамотная архитектура — это не «включили ML», а плавный переход от простого к сложному по мере того, как о клиенте становится что-то известно.
Это стоит проговорить отдельно, потому что тут рушится большинство наивных проектов. Рекомендательная система — функция от данных: она учится на просмотрах, покупках, корзинах, времени на странице, добавлениях в избранное. Нет собранной и связанной истории поведения — не на чем строить рекомендации, и самый продвинутый алгоритм выдаст случайный набор.
Поэтому мы всегда начинаем разговор о рекомендациях не с выбора модели, а с вопроса о данных: собираете ли вы поведение пользователей, в каком виде, связано ли оно в единый профиль клиента. Часто оказывается, что первый этап проекта — не рекомендации, а наведение порядка в аналитике и сборе событий. Это скучнее, чем «внедрить ИИ», но без этого фундамента рекомендации не заработают. Данные первичны, модель вторична — порядок именно такой.
Наша система сама подберет вам исполнителей на услуги, связанные с разработкой сайта или приложения, поисковой оптимизацией, контекстной рекламой, маркетингом, SMM и PR.
Заполнить заявку
13691 тендер
проведено за восемь лет работы нашего сайта.
Рекомендации живут не в одном месте, и у каждого места своя задача. На главной — персональная лента для вовлечения; в карточке товара — «похожие» (выбор) и «с этим покупают» (допродажа); в корзине — cross-sell перед оплатой; в письмах и push — реактивация ушедшего клиента; в поиске — персонализированная выдача. Это разные сценарии с разными целями, и одна модель «на всё» работает хуже, чем несколько под конкретные места.
Но главное — как измерять успех, и здесь чаще всего ошибаются. Ценность рекомендаций не в точности модели на бумаге, а в приросте бизнес-метрик: конверсии, среднего чека, выручки. И единственный честный способ это доказать — A/B-тест: часть аудитории видит рекомендации, часть нет, и мы смотрим на разницу. Без такого замера «рекомендации работают» — это вера, а не факт. Мы всегда закладываем A/B в проект, потому что рекомендательная система, которую не с чем сравнить, легко создаёт иллюзию пользы, не принося её.
Практический вопрос: делать свою систему или подключить готовую. На российском рынке есть зрелые платформы персонализации (Mindbox, RetailRocket и другие), которые закрывают типовые сценарии быстро и без своей команды дата-сайентистов. Для большинства магазинов это правильный старт: готовый сервис даёт рекомендации из коробки и окупается быстрее, чем разработка с нуля.
Своя система оправдана, когда персонализация — ваше конкурентное преимущество и ценность именно в ваших данных и специфике: большой уникальный каталог, нестандартные сценарии, масштаб, на котором каждый процент конверсии — это большие деньги. Тогда собственная модель на собственных данных даёт отрыв, которого не даст универсальный сервис. Как и в любой ML-задаче, решение здесь экономическое: типовое — берём готовым, уникальное и масштабное — строим. Ошибка в обе стороны стоит денег.
Ближе всего к рекомендациям — проекты, где опыт выстраивается вокруг данных о клиенте, и такие мы делаем. Для дома моды Henderson мы разработали мобильную платформу с индивидуализированными сервисами, интегрированную с CRM: приложение учитывает мерки и предпочтения клиента и синхронизирует эти данные с офлайн-консультантами в магазинах. Подробнее — в кейсе Henderson.
Прямая связь с темой в том, что персонализация — будь то рекомендации товаров или подбор под мерки — начинается с единого профиля клиента и собранных о нём данных. Пока данные разрознены между приложением, сайтом и офлайном, никакая модель не даст цельной картины. Мы поэтому и строим такие продукты от данных: сначала единый профиль и сбор поведения, потом персонализация поверх. Рекомендации — это надстройка над качественной работой с данными, а не отдельная фича, которую можно прикрутить сбоку.
Сначала данные, потом модель. Нет собранной истории поведения — рекомендации не на чем учить. Первый этап часто не ML, а порядок в аналитике.
Начните с простого. «Хиты», «часто вместе», популярное дают эффект сразу и должны быть основой, поверх которой уже надстраивается ML. Не начинайте с тяжёлой модели.
Продумайте холодный старт. Что показывать новому клиенту и новому товару — контентные рекомендации, популярное, онбординг. Это проектируется заранее, а не всплывает на запуске.
Меряйте бизнес-эффект через A/B. Точность модели вторична; важны конверсия, чек, выручка. Без A/B-теста польза недоказуема.
Не забывайте бизнес-правила. Не рекомендовать то, что уже куплено или закончилось на складе, учитывать маржу — модель должна знать про реальность магазина.
Назову ориентиры по рынку, а не наши ставки. Подключить готовый сервис персонализации — относительно быстро и предсказуемо по деньгам, это вопрос интеграции. Своя рекомендательная система — это уже полноценная ML-разработка: сбор и подготовка данных, модель, инфраструктура, поддержка и постоянное дообучение. Разница в стоимости между этими путями — кратная.
Поэтому смету имеет смысл считать после ответа на два вопроса: есть ли у вас данные и нужна ли вам своя модель или достаточно готового сервиса. Мы обычно рекомендуем начать с готового решения и простых механик, а к собственной системе переходить, когда понятно, что персонализация даёт измеримый отрыв и упирается в возможности коробки. Конкретную оценку даём под этот выбор.
Рекомендательная система — это модель, предсказывающая следующую покупку по поведению; персонализация приносит до трети выручки e-commerce, но только при грамотном внедрении.
Три подхода: коллаборативная фильтрация (по поведению, находит неожиданное, но холодный старт), контентная (по атрибутам, устойчива к старту, но «пузырь похожего») и гибрид — рабочий вариант.
Холодный старт — главная боль: новому клиенту и товару рекомендовать нечего; лечится слоями (контент, популярное, онбординг, переход на ML по мере данных).
Без собранных данных о поведении рекомендации не работают; первый этап проекта часто не ML, а порядок в аналитике и единый профиль клиента.
Эффект меряется бизнес-метриками через A/B-тест, а не точностью модели; типовое берут готовым сервисом, своё строят при уникальных данных и масштабе.
Рекомендации в интернет-магазине — не магия и не галочка «у нас есть ИИ», а инструмент с измеримой отдачей, который работает на данных и проверяется цифрами. Разумный путь — начать с простых механик и готового сервиса, честно замерить эффект и наращивать сложность там, где она окупается. Магазину нужны не рекомендации ради рекомендаций, а конкретный прирост чека и конверсии, который можно показать в отчёте.
Владимир Макеев, генеральный директор Surf — компании по разработке и дизайну цифровых продуктов для крупного и среднего бизнеса, в том числе для e-commerce.
