Товарные рекомендации и ML-алгоритмы: как бизнес зарабатывает на персонализации

Почему товарные рекомендации перестали быть «фишкой» и стали нормой

Открываете интернет-магазин, добавляете в корзину кроссовки, и через секунду видите блок «С этим товаром покупают»: носки, стельки, спрей для обуви. Или заходите в приложение стримингового сервиса, а там уже подобрана подборка фильмов, которые вам, скорее всего, понравятся. Это товарные рекомендации это механика, которая за последние пять лет превратилась из приятного дополнения в одну из главных точек роста выручки для e-commerce, ритейла, маркетплейсов и даже B2B-сервисов.

Суть: алгоритм анализирует поведение пользователя (что смотрел, что покупал, сколько времени провёл на странице) и предлагает подходящие товары или контент. Но если раньше рекомендации строились на примитивных правилах вроде «покажи самое популярное», то сегодня за этим стоят ML-модели, которые учитывают десятки параметров одновременно.

Как работают ML-рекомендации: три подхода

Коллаборативная фильтрация

Алгоритм ищет пользователей с похожим поведением. Если пользователь A купил товары X, Y и Z, а пользователь B купил X и Y, система предложит пользователю B товар Z. Метод хорошо работает при большой базе пользователей, но плохо справляется с «холодным стартом»: когда данных о новом пользователе ещё нет.

Контентная фильтрация

Здесь алгоритм смотрит не на поведение других людей, а на характеристики самих товаров. Если клиент купил увлажняющий крем для сухой кожи это ему предложат сыворотку для сухой кожи той же ценовой категории. Этот подход отлично подходит для нишевых магазинов с детальной атрибутикой товаров.

Гибридные модели

Самый распространённый подход на практике. Комбинирует оба метода и дополняет их контекстными сигналами: время суток, сезонность, устройство пользователя, география. Такие модели дают лучшие результаты, но требуют больше данных для обучения и больше вычислительных ресурсов.

Реальные цифры: что дают рекомендации бизнесу

Теория это хорошо, но бизнес смотрит на деньги. Вот что показывают реальные кейсы компаний, внедривших ML-рекомендации:

• Рост ARPU на 11-33%. Косметический бренд Aravia после внедрения AI-подбора уходовой косметики зафиксировал рост среднего дохода на пользователя на 11%. Аптечная сеть «Вита» получила +33% к ARPU после запуска товарных рекомендаций в мобильных push-уведомлениях.
• Увеличение конверсии до 1,5 п.п. Онлайн-гипермаркет 21vek.by с помощью AI-опросов и автоматического подбора товаров поднял конверсию в заказ на 1,5 процентных пункта, для крупного магазина с миллионным трафиком это огромные деньги.
• +23% к заказам из CRM-канала. Компания «Комус» персонализировала email-рассылки и контент на сайте, в результате число заказов через CRM выросло почти на четверть.
• Рост выручки от email в 8 раз. Один из мебельных ритейлеров после серии тестов с ML-рекомендациями в триггерных рассылках увеличил доход от email-канала с 200 тысяч до 1,6 млн рублей в месяц.
• Шестикратный рост выручки на получателя. Обувной бренд EKONIKA за счёт точечной сегментации базы подписчиков добился роста выручки на получателя ручных рассылок в шесть раз.

Эти цифры объединяет одна закономерность: чем точнее персонализация, тем выше отклик. Массовые рассылки «одно письмо на всех» проигрывают сегментированным коммуникациям по всем метрикам: open rate, click rate, конверсия, средний чек.

Где применяются ML-рекомендации кроме e-commerce

HR-маркетинг

Яндекс применил персонализированные рекомендации в HR-рассылках для разработчиков и получил рост откликов в 2,5 раза. Каждый кандидат получал вакансии, подобранные под его профиль, стек технологий и локацию, вместо стандартной подборки «у нас открыты 50 позиций».

B2B-закупки

Площадка Росэлторг запустила Telegram-бот, который рекомендует поставщикам подходящие закупки. Результат в сравнении с email-каналом: open rate выше в 1,9 раза, click rate выше в 3,5 раза. Мессенджер плюс персонализация это комбинация, которая работает лучше, чем просто email.

Доставка еды и ресторанный бизнес

Сеть ТОКИО-CITY строит маркетинг через мобильное приложение: push-уведомления, In-App сообщения, товарные рекомендации, реферальная программа. 73% заказов доставки уже приходят из приложения, и персонализированные рекомендации блюд играют в этом не последнюю роль.

Фармацевтика и health-ритейл

Аптечные сети тестируют рекомендации в мобильных push-уведомлениях. Логика понятна: если клиент регулярно покупает витамин D, имеет смысл напомнить о покупке, когда запас подходит к концу, и дополнить рекомендацией сопутствующего товара, например, омега-3.

Динамическое ценообразование: следующий рубеж ML

Товарные рекомендации это «что показать». Динамическое ценообразование это «по какой цене продать». Это направление развивается не менее стремительно.

ML-алгоритмы для ценообразования анализируют:

1. Спрос и его эластичность по каждому товару
2. Цены конкурентов в реальном времени
3. Остатки на складе и скорость оборота
4. Сезонные паттерны и тренды
5. Поведение конкретного сегмента покупателей

На практике путь от ручных корректировок до полноценных ML-моделей занимает 6-12 месяцев. Первый этап, правила («если остаток меньше 10 штук, поднять цену на 5%»). Второй это статистические модели (регрессия по историческим данным). Третий это ML-модели, которые учатся на данных в реальном времени и адаптируются без участия человека.

Фиды: инфраструктура для рекомендаций

За любой системой рекомендаций стоят данные. И чтобы эти данные попадали в рекламные и маркетинговые платформы, используются фиды, структурированные файлы с информацией о товарах (название, цена, категория, наличие, изображение, URL).

Фиды нужны для:

• Рекламных платформ: Яндекс Директ, VK Реклама, Google Ads используют товарные фиды для динамического ретаргетинга
• Маркетплейсов: выгрузка товарного ассортимента на Ozon, Wildberries, Яндекс Маркет
• Email-рассылок: подстановка актуальных цен и наличия в письма
• Рекомендательных блоков на сайте: виджеты «Похожие товары», «С этим покупают», «Вам может понравиться»

Качество фида напрямую влияет на качество рекомендаций. Если в фиде нет категорий или атрибутов: алгоритм не сможет найти похожие товары. Если цены устарели, клиент увидит одну цену в рекомендации, а другую на странице товара, и доверие упадёт.

Пять методов роста продаж без скидок

Скидки это самый очевидный, но далеко не единственный способ стимулировать покупки. ML-рекомендации открывают другие подходы:

1. Персональные подборки. Вместо скидки 10% на всё: подборка из пяти товаров, которые клиент с высокой вероятностью купит. Конверсия выше, маржа сохраняется.
2. Сопутствующие товары. Cross-sell и up-sell на основе анализа корзин: алгоритм знает, что 40% покупателей кроссовок берут к ним спортивные носки.
3. Триггерные коммуникации по поведению. Бросил корзину: получи напоминание с персональной рекомендацией замены (если товар закончился) или дополнения. Посмотрел категорию три раза это получи дайджест новинок из этой категории.
4. Сегментация по готовности к покупке. ML-модель может определить, на каком этапе воронки находится клиент, и адаптировать коммуникацию. Новичку это образовательный контент, «тёплому», социальные доказательства, «горячему» это конкретный оффер.
5. Реферальные программы с персонализацией. Предложение порекомендовать друзьям не абстрактный магазин, а конкретные товары, которые клиент уже купил и оценил.

AB-тесты: как проверять гипотезы в рекомендациях

Внедрить рекомендации это полдела. Дальше начинается самое интересное: оптимизация. И здесь без AB-тестов никуда.

Примеры тестов, которые проводят крупные ритейлеры:

• Алгоритм рекомендаций A vs алгоритм B (коллаборативная фильтрация vs гибридная модель)
• Количество товаров в блоке рекомендаций (4 vs 6 vs 8)
• Расположение блока на странице (над описанием товара vs под ним)
• Персонализированная тема письма vs стандартная
• Рекомендации на основе последней покупки vs на основе всей истории

Бренд Mario Berlucci провёл 12 AB-тестов в email-рассылках и push-уведомлениях, последовательно улучшая open rate и click rate. Каждый тест давал прирост в 1-3%, но в сумме за полгода показатели выросли кратно.

Рекомендации без тестирования это угадывание. Рекомендации с систематическим AB-тестированием это инженерный подход к росту выручки.

ML-ретаргетинг: персонализация рекламы

Отдельное направление это использование ML для оптимизации рекламных кампаний. Классический ретаргетинг показывает рекламу всем, кто был на сайте. ML-ретаргетинг идёт дальше:

• Предсказывает вероятность покупки для каждого пользователя
• Определяет лучший момент показа (когда пользователь с наибольшей вероятностью кликнет)
• Подбирает товары для показа на основе поведенческой истории
• Оптимизирует ставки по каждому пользователю, а не по сегменту

Разница между обычным и ML-ретаргетингом это как между стрельбой из дробовика и снайперской винтовкой. Бюджет тот же, но попадание точнее.

In-App сообщения: рекомендации внутри приложения

Push-уведомления работают, когда приложение закрыто. In-App сообщения это когда пользователь уже внутри. Это всплывающие окна, баннеры, bottom sheet с рекомендациями, которые пов нужный момент:

• Пользователь добавил товар в корзину: покажи сопутствующие
• Пользователь просматривает категорию дольше 30 секунд: предложи персональную подборку
• Пользователь не заходил 7 дней: при возвращении покажи новинки по его интересам

In-App рекомендации получают конверсию в 3-5 раз выше, чем push-уведомления, потому что пользователь уже активен и вовлечён. Главное, не превращать их в спам и показывать действительно подходящий контент.

Что нужно для старта: минимальный набор

Если вы только думаете о внедрении ML-рекомендаций, вот минимальный чек-лист:

1. Данные. Нужна история покупок за 3-6 месяцев и хотя бы 1000 активных пользователей. Без данных ML-модель не обучится.
2. Качественный товарный каталог. Категории, атрибуты, описания: всё должно быть заполнено. Чем больше структурированных данных о товарах, тем точнее рекомендации.
3. Инфраструктура для сбора событий. Просмотры, добавления в корзину, покупки, клики по рекомендациям, все события нужно логировать и передавать в систему.
4. Платформа для экспериментов. AB-тестирование с первого дня. Без возможности сравнивать варианты вы не узнаете, что работает лучше.
5. Команда (или подрядчик). На старте достаточно одного маркетолога и одного аналитика. ML-инженер понадобится на этапе кастомных моделей.

Геймификация + рекомендации: усиление эффекта

Отдельно стоит сказать о связке геймификации и персональных рекомендаций. Когда пользователь проходит квиз («Подберём идеальный крем для вашей кожи»), он добровольно отдаёт данные о своих предпочтениях. Эти данные это золото для рекомендательной системы.

Квизы, колёса удачи, интерактивные тесты решают сразу две задачи:

• Собирают zero-party data: информацию, которую пользователь сознательно предоставляет о себе
• Вовлекают и удерживают внимание (средний показатель прохождения квиза 60-70%, что значительно выше конверсии обычных форм)

На выходе пользователь получает персональную рекомендацию, а бизнес, квалифицированный лид с данными для дальнейшей сегментации. Aravia, например, использует AI-квизы для подбора косметики, и конверсия таких квизов значительно выше стандартных каталожных страниц.

ML-рекомендации перестали быть привилегией крупных игроков. Инструменты стали доступнее, данных стало больше, а пользователи привыкли к персонализации и ожидают её по умолчанию. Если ваш магазин показывает всем одинаковые товары это вы проигрываете тем, кто этого не делает.

Начните с малого: сегментируйте базу по поведению, запустите первые AB-тесты в email-рассылках, добавьте блок сопутствующих товаров на страницу корзины. Результаты первых экспериментов покажут потенциал, а дальше это итерации, тесты, масштабирование. Без скидок, без массовых рассылок на всю базу, без слива бюджета на нецелевую рекламу.