В этой статье вместе с Владимиром Золотарёвым, руководителем продукта «Персонализация» в Retail Rocket Group, разберём, зачем интернет-магазину нужны товарные рекомендательные системы, с чего начинать их внедрение и как разные типы товарных рекомендаций помогают зарабатывать больше, не усложняя бизнес лишним ML.
Зачем интернет-магазину рекомендательные системы
Вокруг рекомендательных систем много романтики: «как у Netflix», «как у Amazon», «как лента в соцсети». Но если говорить честно, в обычном интернет-магазине товарные рекомендации для интернет-магазина почти никогда не являются сердцем бизнеса.
Они не превращают плохой продукт в хороший и не удваивают выручку сами по себе. В нормальном сценарии это аккуратный, но полезный усилитель:
- чуть увеличивают выручку за счёт до-продаж и роста среднего чека;
- делают путь пользователя короче и понятнее: он быстрее находит то, что и так примерно хотел.
В цифрах это чаще всего дополнительные 5–7% к выручке, иногда 10–15% в удачных проектах. В прибыли эффект выше, потому что хорошо настроенные товарные рекомендации для интернет-магазина помогают продавать больше тем же клиентам без пропорционального увеличения маркетинг-бюджета.
Поэтому первая честная установка такая:
Товарная рекомендация — не чудо-оружие, а важный, но вспомогательный механизм.
И от этого уже стоит отталкиваться в архитектуре и приоритизации.
Почему нельзя начинать с тяжёлого ML
Как только в компании произносят «нужны рекомендации», у технической части команды возникает естественное желание:
- строить коллаборативную фильтрацию;
- пробовать матричные факторизации;
- запускать нейросети, эмбеддинги, ранжировщики.
Но реальность интернет-магазина устроена по-другому. У вас есть:
- сайт;
- мобильное приложение;
- email-рассылки и push-уведомления;
- соцсети и промостраницы.
И всем этим занимаются разные команды. Самая сложная часть внедрения товарной рекомендации — не модель, а сцепка всего этого хозяйства:
- где именно будут стоять виджеты;
- кто владеет их содержанием — маркетинг, продукт, категорийный менеджер или «чёрный ящик»;
- как измерять эффект и как быстро можно экспериментировать с расположением и логикой.
И пока эти организационные вещи не решены, любая супер-модель рискует так и остаться красивым экспериментом в ноутбуке.
Поэтому разумный подход такой: сначала спросить не «какой алгоритм нам нужен?», а «какой самый простой бейзлайн мы можем сделать быстро и запустить в реальный интерфейс». А уже потом, на этом фундаменте, усложнять.
С чего на самом деле стоит начинать в интернет-магазине
Если представить, что в интернет-магазине пока нет ничего, что похоже на товарные рекомендации, я бы начал не с кода, а с трёх приземлённых вопросов:
- Как человек возвращается к товарам, которые уже смотрел?
- Как он находит свои регулярные покупки, не лазая по каталогу каждый раз?
- Как магазин показывает, что сейчас выгодно купить?
Ответы на эти вопросы — это уже товарные рекомендации для интернет-магазина, только в самом приземлённом виде. И часто они дают больший эффект, чем «умные» модели на старте.
«Вы смотрели» и «Избранное» как базовые товарные рекомендации
Первая и, пожалуй, самая честная персональная товарная рекомендация — это блок «Вы смотрели».
Человек уже сам сделал за вас половину работы: накликал десяток товаров, которые его действительно интересуют. Ваша задача — не дать ему потерять этот след:
- сохранить историю просмотров хотя бы на несколько недель;
- аккуратно показать её в одном виджете, чтобы не нужно было заново бродить по фильтрам и категориям.
Особенно это критично для товаров с длинным или средним циклом выбора: смартфоны, ноутбуки, техника, сложные товары для дома. В таких сценариях «Вы смотрели» — это уже очень сильная товарная рекомендация: не предлагаем что-то «возможно понравится», а возвращаем к тому, что человек уже счёл достойным внимания.
Вторая опора — «Избранное» и «Повторить заказ».
В продуктовой рознице, FMCG и многих других категориях корзина пользователя на 80–90% состоит из повторяющихся покупок. Если дать ему:
- нормальное «Избранное», куда удобно складывать базовые товары;
- простую кнопку «Повторить прошлый заказ»,
вы, по сути, строите микро-персональный магазин под каждого. И это тоже товарные рекомендации для интернет-магазина, только реализованные через интерфейс, а не алгоритм. Они работают потому, что уважают привычки человека и экономят его время.
Роль скидок: товарные рекомендации как витрина выгоды
Следующий шаг в понимании — признать роль промо. В большинстве крупных розничных сетей и интернет-магазинов львиная доля оборота идёт через товары по скидке.
Покупатель:
- знает «нормальные» цены;
- сравнивает с конкурентами;
- и принимает решение не только по желанию, но и по выгоде.
Поэтому хороший виджет «Товары по акции в этой категории» — это тоже товарная рекомендация. Да, она не персонализирована под конкретного пользователя, но она учитывает реальную мотивацию — купить выгодно. И во многих случаях такой виджет даёт больше продаж, чем сложная персональная лента.
На мобильных интерфейсах, где мало места, выбор особенно жёсткий: что поставить выше — блок «вам может понравиться» или товары по акции. Если смотреть на цифры, чаще выигрывает именно витрина акций, а персональные товарные рекомендации стоит подстраивать уже вокруг неё, а не вместо.
Когда эвристика становится моделью
Как только базовые блоки работают, можно начать превращать бизнес-интуицию в простые формулы. Например, вы хотите показывать популярные товары в категории.
Для этого нужно:
- понять, какой период отражает «актуальную популярность» в вашей нише:
в продуктах — около 60 дней, в стройке — 90, в спорттоварах — полгода, в ювелирке тренды держатся дольше; - ввести скор: скажем, количество продаж, умноженное на квадратный корень из цены, чтобы не отдавать всё поле либо только дорогим товарам, либо только массовым расходникам;
- пересчитывать этот скор раз в неделю и использовать его при заполнении виджета.
Формально это уже маленькая модель, которая стоит за товарной рекомендацией. Но она выросла не из желания применить конкретный алгоритм, а из попытки аккуратно описать реальное поведение покупателей и сезонность.
Сюда же добавляется логика работы с остатками: рекомендовать товар, которого нет, — испортить впечатление. Поэтому любой блок, где есть товарная рекомендация, должен умело обходиться с наличием: считать запас кандидатов заранее и фильтровать по складу на момент показа.
Ручные рекомендации и ABC-анализ: где без человека никак
Чем больше ассортимент, тем важнее признать: не всё стоит отдавать на откуп автоматике.
В любом интернет-магазине есть небольшой процент товаров, которые делают основную кассу. По принципу Парето это может быть:
- 20% ассортимента, дающие 80% оборота;
- или даже 1% SKU, отвечающий за треть выручки.
Эти позиции нужно выделять через ABC-анализ и относиться к ним особенно внимательно. Для них товарная рекомендация часто должна быть ручной:
- к флагманскому смартфону — конкретные чехлы, зарядки, наушники;
- к популярному креслу — пуф, столик, дополнительные элементы.
Категорийный менеджер лучше алгоритма понимает, какие именно сочетания продаются в реальности. Задача системы — зафиксировать эту экспертизу и сделать её масштабируемой: вручную задать правила там, где ставка высока, и автоматически добрать остальной хвост товаров по эвристикам.
«С этим товаром покупают» и похожие товары
Когда фундамент заложен, можно переходить к более «математическим» вещам — но всё ещё в рамках здравого смысла.
Блок «С этим товаром покупают» базируется на простой коллаборативной фильтрации:
- мы смотрим на чеки и корзины;
- считаем, какие товары чаще всего встречаются вместе;
- для каждого товара строим список «часто покупают вместе».
В стройке, товарах для ремонта и в маркетплейсах с регулярными покупками это даёт хороший эффект: человек получает готовые наборы, о части которых он бы даже не вспомнил. В ювелирке или одноразовых нишах работа слабее — нет достаточного объёма повторных связок.
Другая важная линия — похожие товары. В одежде, украшениях, сувенирах и декоре внешнее сходство зачастую важнее текста. Здесь пригодятся эмбеддинги изображений: предобученная нейросеть превращает картинку в вектор, и по косинусному расстоянию можно находить визуально похожие позиции.
Важно не забывать о цене: товарная рекомендация должна учитывать диапазон, чтобы рядом с недорогим кольцом не появлялось похожее на вид изделие в десять раз дороже.
От товарных рекомендаций к персонализации
Если продолжать разворачивать эту линию, то становится видно, что отдельная товарная рекомендация — лишь частный случай более широкой персонализации.
У разных людей разные устойчивые паттерны:
- один покупает вино, другой пиво, третий коньяк;
- один бегун, другой футболист, третий занимается единоборствами;
- у кого-то ребёнок годовалый, у кого-то школьник.
Эти паттерны можно поймать совсем простыми средствами — раз в неделю или месяц пробегать историю покупок, сегментировать по типам и дальше уже строить товарные рекомендации для интернет-магазина не «вообще», а внутри сегмента:
- новинки по любимой категории;
- акции по тем товарам, которые человек регулярно покупает;
- персональные купоны для «остывающих» клиентов, выделенных через RFM-анализ.
Математика здесь может быть очень простой. Главное — правильно задать вопросы к данным и встроить ответы в маркетинговую и продуктовую логику.
Куда эта логика ведёт
Если собрать всё вместе, то направление мысли выглядит так:
- Сначала мы перестаём ждать от рекомендаций чудес и видим их как усилитель, а не ядро.
- Потом закрываем базу:
- возвращаем человека к тому, что он уже смотрел;
- даём ему «Избранное» и «Повторить заказ»;
- честно показываем, что сейчас выгодно купить.
- Затем начинаем формализовывать интуицию:
- вводим скор популярности;
- учитываем сезонность;
- аккуратно работаем с остатками.
- Поверх этого появляються простые модели:
- «с этим товаром покупают»;
- визуальная и текстовая похожесть.
- И только потом растим полноценные рекомендательные системы:
- гибридные подходы;
- персонализацию по сегментам;
- RFM-аналитику и модели следующего действия.
Так товарные рекомендации для интернет-магазина перестают быть «чёрной магией алгоритмов» и становятся естественным продолжением здравого смысла, бизнес-логики и уважения к времени пользователя.