Товарные рекомендации
и ML-алгоритмы

Товарные рекомендации — персонализированные подборки товаров, которые бренд показывает покупателю на сайте, в письме, пуше или на кассе. Товарные рекомендации бывают ручными и автоматическими.

В случае с ручными вы сами настраиваете их для разных сегментов клиентов. В автоматических алгоритм подбирает рекомендации на основе поведения клиента: что он смотрел, покупал, добавлял в корзину. Это помогает подсветить похожие или сопутствующие товары и помочь покупателю быстрее найти то, что он ищет.

ML (машинное обучение) — метод, при котором алгоритм находит закономерности в исторических данных, а затем использует их для прогнозов. В маркетинге ML решает задачи, которые вручную требовали бы часов работы аналитика: определяет, какой товар предложить конкретному клиенту, в какое время отправить сообщение, какие покупатели близки к оттоку и их надо удержать. Алгоритм опирается на историю покупок, поведение на сайте и данные из офлайн‑магазинов.

В Mindbox есть два инструмента машинного обучения. Первый — 14 алгоритмов товарных рекомендаций. Они формируют персональные подборки по четырем направлениям — популярные товары, похожие, сопутствующие и персональные, — каждое с несколькими вариантами под разные сценарии. Второй — функция Next Best Action: она определяет, в какой момент конкретный клиент с наибольшей вероятностью откроет сообщение и совершит покупку.

Оба инструмента работают с профилем клиента, который объединяет данные интернет‑магазина, кассы и мобильного приложения. Рекомендации можно показывать в любом из этих каналов.

Маркетолог задает правила вручную: «всем, кто купил пальто, показывать шарфы». ML (машинное обучение) строит модель на данных о поведении тысяч клиентов и самостоятельно выбирает, что предложить каждому. Фиксированное правило одинаково для всей аудитории или для целого сегмента, а ML учитывает индивидуальный контекст: историю покупок, просмотры, частоту визитов.

Рекомендательная система — программный механизм, который предлагает покупателю релевантные товары на основе данных о его поведении. В интернет‑торговле это блоки «Вам может понравиться» и «С этим товаром покупают». Первый строится на истории конкретного пользователя — его заказах, просмотрах и поисковых запросах. Второй — на поведении других покупателей: что они смотрели и заказывали вместе с этим товаром. В Mindbox за это отвечают ML‑алгоритмы персональных и сопутствующих рекомендаций.

Рекомендации влияют на продажи двумя способами. Первый — повышают конверсию: покупатель быстрее находит нужное и реже уходит без покупки. Второй — увеличивают средний чек за счет дополнительных товаров в корзине. На офлайн‑кассе механика та же: кассир видит подсказки и предлагает сопутствующие товары в момент оплаты. У «Музторга» ROI от рекомендательного блока составил 326%: каждый вложенный рубль принес 3,26 рубля. У бренда белья INCANTO ценность одного сеанса с рекомендациями составила 65–68 рублей против 57–64 рублей без них.

ML (машинное обучение) в рекомендациях эффективно для интернет‑магазинов и розничных сетей с каталогом от нескольких сотен позиций и регулярными покупками. Алгоритм обучается на данных: чем больше транзакций накоплено, тем точнее подборки. Для запуска персональных рекомендаций на каждую позицию каталога должно приходиться примерно 100 событий — покупок или кликов по товарам.

ML‑алгоритм работает с тремя типами данных: товарный каталог, история транзакций и поведение на сайте. Например, просмотры страниц, добавления в корзину, поисковые запросы. Данные из разных источников (сайт, приложение, кассы) объединяются в единый профиль клиента. Для персональных рекомендаций количество действий пользователей — заказов, просмотров и добавлений в корзину — должно примерно в 100 раз превышать число позиций каталога. Для алгоритмов сопутствующих или популярных товаров достаточно данных в 10 раз больше.

Стандартный способ — тест с контрольной группой: большинство покупателей видит рекомендации, небольшая часть — нет. Сравнение показывает инкрементальный эффект — насколько рекомендации реально увеличили конверсию и средний чек, а не просто совпали с покупками, которые клиент совершил бы и без подсказки алгоритма. В Mindbox тест встроен в платформу: маркетолог настраивает его самостоятельно, без участия разработчика.