Покупатель зашел в интернет-магазин, положил кроссовки в корзину и ушел. Через несколько секунд система уже просчитала, что этому человеку с высокой вероятностью понадобятся стельки, а с чуть меньшей ― шнурки другого цвета. Это не угадывание ― это ML-рекомендации. В статье ― как они работают, чем отличаются от ручных правил и когда действительно влияют на выручку.
Чем ML отличается от «покупают вместе»
Самый простой способ рекомендовать товары ― составить таблицу: «те, кто купил X, часто берут Y». Это работает, но быстро упирается в потолок: правила статичны, не учитывают конкретного пользователя и устаревают при смене ассортимента.
ML-рекомендации устроены иначе. Алгоритм не просто считает совместные покупки ― он строит векторное представление каждого товара и каждого пользователя на основе поведения. Похожие по вкусам покупатели попадают в один кластер, и то, что купил один, становится подсказкой для другого. При этом модель переобучается автоматически: новые данные меняют рекомендации без участия маркетолога. Ручные правила так не умеют.
Триггерное письмо МегаФон: блок с рекомендациями популярных товаров формируется алгоритмом индивидуально для каждого получателя
Где встраивать рекомендации
Рекомендации работают в нескольких точках контакта. Карточка товара ― самое очевидное место: блок «похожие» или «с этим берут» удерживает посетителя на сайте и увеличивает глубину просмотра. Корзина ― лучший момент для допродажи: человек уже принял решение купить, и сопутствующий товар воспринимается как полезная подсказка, а не реклама.
Рассылки ― ещё одна точка. Письмо с персональной подборкой работает лучше письма с «хитами продаж», потому что учитывает то, что конкретный человек смотрел и покупал раньше. ML-рекомендации позволяют использовать одну модель одновременно на сайте и в email-канале ― данные об одном покупателе улучшают рекомендации во всех точках сразу.
Письмо о снижении цены с блоком персональных ML-рекомендаций: один и тот же триггер ― разные товары для каждого покупателя
Как оценивать и что тестировать
Главный вопрос при внедрении ― как убедиться, что рекомендации влияют на выручку, а не просто отображаются на странице. Ответ ― контрольная группа: часть пользователей видит рекомендации, часть ― нет. Разница в конверсии и среднем чеке между группами и есть реальный эффект механики, очищенный от сезонности и роста трафика.
Что стоит тестировать: алгоритм (похожие товары против часто покупаемых вместе против персональных), место блока на странице, количество позиций, заголовок. Часто небольшое изменение ― другой алгоритм или другой заголовок ― даёт заметную разницу в кликах без каких-либо изменений в ассортименте.
ML-рекомендации ― не разовая настройка, а живая система: чем больше данных о покупателях, тем точнее модель. Магазины, которые начали собирать и использовать эти данные раньше, со временем получают всё большее преимущество ― не потому что у них лучше алгоритм, а потому что у них больше данных для его обучения.