20.11.2026
17 минут

Как подобрать товары для блока рекомендаций

Когда человек смотрит карточку товара, ему нужно быстро понять, что ещё подойдёт: найти похожие товары, если этот не устроил, или докупить сопутствующие. Для этого в интернет-магазинах размещают блок с товарами: «Похожие товары», «Сопутствующие товары», «Связанные товары» или «С этим товаром часто покупают». Но работает он, только если в него попадают правильные позиции. Похожие товары на сайте без учёта цены, предложение того, чего нет в наличии, или аксессуары не к той модели не приводят ни к кликам, ни к продажам.

Рассказываем, как подобрать товары для блока рекомендаций: какие данные для этого нужны, чем блок «С этим покупают» отличается от «Похожие», как действовать, когда информации о покупателе мало, и какие позиции лучше не показывать. А ещё объясняем, как автоматизировать подбор, чтобы не искать похожие товары вручную для каждого клиента.

Зарегистрируйтесь
И попробуйте Sendsay бесплатно

С чего начать подбор товаров для рекомендаций

Прежде всего нужно определить цель рекомендательного блока и место его размещения. От этого будет зависеть, какие товары в него попадут и по какому принципу их отбирать.

  • Цель блока. Определить бизнес-задачу и метрику для её оценки: сопутствующие товары увеличивают средний чек, похожие повышают конверсию, расходники и новинки возвращают клиента за повторной покупкой.
  • Место размещения. Учитывать контекст: на главной уместны хиты и персональные подборки, в карточке товара альтернативы и аксессуары, в корзине недорогие дополнения, в письме или push-уведомлении — просмотренные и брошенные товары.

Какие данные использовать для подбора товаров

Качество рекомендаций зависит от того, какие данные доступны системе. Чем полнее картина о поведении покупателей, тем точнее подбор. Обычно используют четыре группы данных ↓

Данные о самих товарах

Это основа для рекомендаций «похожие товары» и «с этим покупают». К ним относятся:

  • категория и подкатегория;
  • цена и ценовой сегмент;
  • бренд;
  • характеристики: цвет, размер, материал, объём, модель;
  • наличие на складе и сезонность.

По этим атрибутам система находит товары, близкие по свойствам, и исключает неподходящие: например, не предложит смартфон вместо чехла или товар, которого нет в наличии. Здесь критично качество каталога: если характеристики заполнены частично или с ошибками, подбор будет неточным.

Поведенческие данные

Показывают, что пользователь делает на сайте и в приложении, ещё до покупки:

  • просмотры карточек товаров и категорий;
  • добавления в корзину и в избранное;
  • брошенные корзины;
  • поисковые запросы;
  • клики по рекомендациям и открытия писем.

Эти данные отражают текущий интерес. Человек, который трижды открыл беговые кроссовки, скорее всего, выбирает именно их. Рекомендации по недавнему поведению часто работают лучше, чем подборки по старым покупкам. Но нужно помнить, что интерес быстро остывает.

История покупок

Показывает, что пользователь уже купил и как часто покупает:

  • состав прошлых заказов и категории покупок;
  • средний чек и частота заказов;
  • дата последней покупки;
  • повторные покупки одних и тех же товаров.

На основе истории строят рекомендации расходников и товаров для пополнения запаса, а также исключают то, что клиент уже купил и вряд ли купит снова, во всяком случае в ближайшие годы, например холодильник. Кроме того, история позволяет находить связки: какие товары покупают вместе.

Данные о популярности товаров

Помогают, когда персональных данных мало, например у нового посетителя или в новой категории:

  • хиты продаж и самые просматриваемые товары;
  • новинки и растущий спрос;
  • товары с высоким рейтингом и отзывами;
  • популярность в сегменте или регионе.

Такие данные служат запасным вариантом для холодного старта и дополняют персональные рекомендации.

Лишь один источник не даст полной картины. Данные о товарах задают рамки, поведение и покупки отвечают за персонализацию, а популярность подстраховывает там, где информации о пользователе не хватает. Чтобы собрать всё это в едином профиле клиента, используют CDP-платформу, например Sendsay: она объединяет данные с сайта, из CRM и рассылок, и рекомендации строятся на едином источнике.

Как подбирать товары в зависимости от типа рекомендаций

У каждого типа блока своя задача, поэтому и принцип отбора товаров отличается. Вот на какие данные опираться и что учитывать в каждом случае ↓

Для блока «Похожие товары»

Задача блока — помочь пользователю определиться, если просматриваемый товар не подошёл. Подбор строится на атрибутах каталога. Лучше всего блок работает в карточке товара и на странице с ним, когда он закончился.

Как действовать:

  • Выбирать товары из той же категории и близкого ценового сегмента — обычно в пределах 20–30% от цены просматриваемого товара.
  • Сопоставлять ключевые характеристики: бренд, размер, цвет, материал, модель.
  • Показывать только товары в наличии, иначе блок потеряет смысл.
  • Исключать сам просматриваемый товар и его варианты, которые отличаются только цветом, если это не нужно.

Для блока «С этим товаром покупают»

Задача блока — дополнить покупку и увеличить средний чек. Здесь нужны не похожие, а сопутствующие товары. Основное место размещения: карточка товара и корзина.

Как действовать:

  • Опираться на данные о совместных покупках: какие товары чаще всего оказываются в одном заказе.
  • Добавлять комплектующие, аксессуары и расходники, которые нужны для использования основного товара.
  • Подбирать дополнения дешевле основного товара: чехол за 500 рублей к смартфону за 50 000 добавят без раздумий, а второй смартфон нет.
  • Не предлагать товары из той же категории, что и основной.

Для блока «Вам может понравиться»

Это персональный блок, и его качество зависит от объёма данных о пользователе. Подходит для главной страницы, страницы категории, писем и push-уведомлений.

Как действовать:

  • Брать за основу недавние просмотры, добавления в корзину и избранное, а также историю покупок.
  • Находить товары, которые выбирали пользователи с похожим поведением.
  • Добавлять товары из смежных категорий, чтобы расширять интерес, а не повторять уже показанное.
  • Для новых посетителей подставлять популярные товары как запасной вариант.

Для блока «Популярные товары»

Блок опирается на общую статистику, а не на поведение конкретного человека, поэтому подходит для холодного старта — главной страницы, пустой корзины, страницы «ничего не найдено» и первых писем для новых подписчиков.

Как действовать:

  • Ранжировать товары по продажам, просмотрам и конверсии за последние 7–30 дней: так в блок не попадут хиты прошлых сезонов.
  • Учитывать рейтинг и отзывы: популярный товар с низкой оценкой вызовет недоумение.
  • Сегментировать по категориям, региону и устройству, чтобы блок не был одинаковым для всех.
  • Учитывать размерный ряд: если ходовых размеров нет, товар лучше не показывать.

Для блока «Купите снова»

Блок возвращает клиента к товарам, которые он уже покупал и которые заканчиваются или требуют обновления. Лучше всего работает в личном кабинете, письмах и push-уведомлениях.

Как действовать:

  • Отбирать товары, которые покупали повторно, и расходники: косметику, корм для питомцев, бытовую химию, продукты и тому подобное.
  • Рассчитывать цикл покупки: если клиент берёт корм раз в месяц, напоминать о нём стоит через 3–4 недели после последнего заказа.
  • Исключать товары длительного пользования: бытовую технику, мебель, электронику.
  • Показывать актуальную цену, а в письме добавлять прямую ссылку на оформление заказа.

Для блока «Новинки для вас»

Задача блока — показать свежие поступления, которые соответствуют интересам пользователя. Подходит для рассылок, главной страницы и личного кабинета.

Как действовать:

  • Выбирать товары, добавленные в каталог за последние 2–4 недели.
  • Фильтровать их по интересам пользователя: любимым категориям, брендам и ценовому диапазону из истории просмотров и покупок.
  • Не показывать новинки, которые клиент не купил бы в принципе: например, премиальную линейку тому, кто всегда выбирает бюджетные товары.

Если подходящих новинок нет, лучше пропустить блок, чем заполнять его случайными товарами.

Для upsell-рекомендаций

Upsell предлагает более дорогую или более функциональную версию того, что пользователь уже выбрал. Так бизнес увеличивает сумму заказа.

Как действовать:

  • Подбирать товары из той же категории, но на ступень выше: с бо́льшим объёмом, расширенной комплектацией, лучшими характеристиками.
  • Сохранять разумную разницу в цене: в том же диапазоне, что и для похожих товаров, иначе предложение выглядит навязчивым.
  • Объяснять выгоду понятным языком: что именно получает клиент за доплату (больше памяти, длиннее гарантия, выгоднее цена за единицу).
  • Показывать upsell в карточке товара или в корзине, до оформления заказа, и не более одного-двух вариантов, чтобы не перегружать выбор.

Как учитывать контекст пользователя при подборе рекомендаций

Подбор зависит от того, сколько данных о человеке есть прямо сейчас. Чем активнее он взаимодействует с магазином, тем точнее можно настроить блок: от ориентиров для новичка до сервисных напоминаний для постоянного покупателя. Разберём четыре стадии ↓

Новый посетитель без истории

О человеке известно мало: источник перехода, устройство, регион, время визита и первые действия на сайте. Но этого уже достаточно, чтобы не показывать что-то общее.

  • Используем контекст сессии: если пользователь пришёл по рекламе кроссовок или из письма с акцией, показываем товары из этой категории.
  • Ориентируемся на первые клики: уже после двух-трёх просмотров можно перестроить блок.
  • Если сигналов нет, подставляем популярные товары с учётом региона, устройства и сезона. Более подробно об этом ниже — в подразделе про холодный старт.

Цель этого этапа — быстро получить сигналы о предпочтениях и не потерять внимание.

Пользователь с историей просмотров

Есть сигналы интереса, но покупок ещё не было — это лучший момент для рекомендаций.

  • Опираемся на свежие просмотры, добавления в корзину и избранное, а также на поисковые запросы.
  • Показываем похожие товары и альтернативы тому, что человек уже смотрел.
  • Учитываем давность: просмотры за последние дни имеют больше значения, чем недельной давности.
  • Возвращаем к брошенным корзинам и просмотренным, но не купленным товарам.
  • Добавляем товары из смежных категорий, если интерес уже сформирован.

Но важно не зациклиться: если человек просмотрел десять моделей чайников, вряд ли ему хочется посмотреть ещё десять похожих, лучше добавить подходящие аксессуары или популярную альтернативу.

Клиент с историей заказов

Появляются данные о том, что человек реально покупает: категории, ценовой диапазон, бренды, размер чека.

  • Исключаем то, что клиент вряд ли купит снова (подробнее — в разделе «Какие товары не стоит добавлять»).
  • Предлагаем сопутствующие товары к прошлым покупкам: аксессуары, расходники, комплектующие.
  • Подбираем товары по привычному ценовому сегменту, чтобы предложения были реалистичными.
  • Используем связки: что покупают вместе с уже заказанными товарами клиенты с похожим поведением.
  • Ориентируемся на время с последней покупки: через неделю и через два месяца актуальны разные предложения.

Постоянный покупатель

Накоплена богатая история: частота заказов, цикл покупок, любимые категории и бренды, реакция на прошлые рекомендации. Для этой группы рекомендации работают как сервис: напомнить вовремя, предложить нужное, сэкономить время.

  • Включаем блоки «Купите снова» и напоминания о расходниках с учётом индивидуального цикла покупки.
  • Показываем новинки из любимых категорий и брендов.
  • Учитываем, на какие рекомендации человек реагировал раньше, а какие игнорировал.
  • Используем upsell и предложения повышенного уровня: для лояльного клиента это уместнее, чем для нового.
  • Соблюдаем меру: постоянный покупатель знает каталог, и повторяющиеся блоки быстро перестают привлекать внимание.

Cold Start: что рекомендовать, когда данных недостаточно

При подборе товаров для блока рекомендаций существует проблема так называемого холодного старта — когда персональных данных о пользователе ещё недостаточно. Она возникает в трёх ситуациях: на сайте новый пользователь, в каталоге новый товар или запускается новый магазин с минимумом статистики. Во всех случаях алгоритму не на что опереться, и без запасного сценария рекомендательный блок рискует выглядеть пустым или хаотичным.

Что делать с новым пользователем:

  • показывать популярные товары и хиты продаж по региону и категории;
  • использовать контекст визита: источник трафика, рекламный запрос, страницу входа;
  • предлагать выбрать интересы при регистрации или подписке: категории, бренды, цели покупки;
  • быстро переключаться на персональные рекомендации, как только появятся первые просмотры.

Что делать с новым товаром:

  • подбирать рекомендации по атрибутам: категории, бренду, цене, характеристикам;
  • показывать новинку в блоке «Новинки» и пользователям, которым интересны похожие товары;
  • дать товару первую статистику: показывать часть трафика и отслеживать клики и добавления в корзину.

Что делать при запуске нового магазина:

  • опираться на правила и ручные подборки: хиты категории, сезонные товары, сопутствующие связки, заданные вручную;
  • использовать внешние данные: например, сезонный спрос и запросы в поиске;
  • подключать алгоритмы по мере накопления данных, а не сразу.

Главное правило холодного старта: лучше простая подборка популярного, чем «персонализация» без данных. С появлением первых данных система должна постепенно уходить от общих рекомендаций к индивидуальным.

Контекст пользователя меняется, и блок должен меняться вместе с ним: от популярных товаров для новичка к подборкам по просмотрам, затем к рекомендациям по истории заказов и, наконец, к индивидуальным предложениям. Чтобы логика переключалась без ручной работы, данные каждого этапа должны попадать в единый профиль клиента: тогда пользователь видит релевантные предложения на сайте, в приложении, в письме и в мессенджере.

Как подбирать рекомендации на разных этапах customer journey

В предыдущем разделе логика выстроена от того, сколько данных о клиенте есть. Но важно и другое: на каком этапе пути клиент находится прямо сейчас. Один и тот же человек в каталоге и в корзине решает разные задачи, поэтому и блоки ему нужны разные. Начало и конец пути (новый посетитель и постоянный клиент) мы разобрали выше. Здесь рассмотрим этапы внутри покупки и после неё ↓

Рекомендации на разных этапах customer journey

Чем точнее блок отвечает на задачу текущего этапа, тем выше шанс, что рекомендация сработает. На каждом этапе блок должен быть компактным. В карточке товара и в корзине избыток вариантов отвлекает от основной покупки, а после покупки лучше всего работают письмо или push через несколько дней после доставки.

Какие товары не стоит добавлять в рекомендации

Рекомендации работают, когда пользователь может сразу перейти к покупке. Любой товар, который вызывает вопросы или разочарование, снижает доверие к блоку. Из подборок стоит исключать такие позиции:

  • Отсутствующие в продаже. Товары, которых нет на складе, показывают только в специальных сценариях, например «Сообщить о поступлении».
  • Нерелевантные текущему интересу пользователя. Если человек выбирает ноутбук, рекомендации кормов для кошек, даже популярных, только отвлекают.
  • Уже купленные товары, если их не приобретают повторно. Предлагать технику, мебель или электронику сразу после покупки бессмысленно, а вот расходники и товары для пополнения запаса можно оставить.
  • Товары с неподходящей ценой. Слишком дорогие или слишком дешёвые для конкретного клиента позиции выбиваются из привычного для него диапазона и редко конвертируются.
  • Дубли и практически идентичные позиции. Одну и ту же модель в трёх цветах или от нескольких продавцов лучше объединять, чтобы блок давал выбор.
  • Товары, которые невозможно купить в регионе пользователя. Если доставка недоступна или действуют ограничения, предложение скорее разочарует.
  • Позиции, не соответствующие установленным бизнес-правилам. Это товары с нулевой или отрицательной маржой, с ограничениями по возрасту, снятые с продажи, а также позиции из категорий, которые решили не продвигать.

Как понять, что товары в блоке рекомендаций подобраны правильно

Нужно ориентироваться на метрики. Главные ориентиры — конверсия из блока в заказ, средний чек и доля заказов, в которых есть рекомендованные товары. Если эти показатели растут вместе с выручкой от блока, подбор работает. Если клики есть, а покупок нет, стоит проверить, не попадают ли в блок товары, которые не подходят по цене или интересам либо отсутствуют в наличии. Конечно, CTR показывает, привлекают ли рекомендации внимание, но клики сами по себе ещё не говорят об удачной подборке, ведь человек мог перейти из любопытства и сразу уйти.

Смотреть при этом нужно на результат не в среднем, а по сегментам и местам размещения. Блок «Похожие товары» в карточке и подборка в письме решают разные задачи, а у новичка и постоянного клиента показатели будут отличаться. Любые изменения стоит проверять A/B-тестом: так станет понятно, что именно улучшило результат — новое правило отбора, число товаров или место блока.

Как автоматизировать подбор товаров для блока рекомендаций

Ручной подбор работает для небольшого каталога и нескольких блоков. Но когда в каталоге сотни позиций, а покупателей множество и они находятся на разных этапах пути, вручную учесть интересы каждого почти невозможно. Эту задачу может решить автоматизация — когда система сама собирает данные, подбирает товары под конкретного человека и обновляет рекомендации по мере изменения его поведения.

Для автоматизации нужны три вещи:

  • Единая база данных о клиентах и товарах. Каталог, просмотры, заказы и реакции на рассылки должны собираться в одном месте. Для этого подходит CDP-платформа.
  • Алгоритмы подбора. Правила («с этим товаром покупают», «похожие», «новинки») и модели машинного обучения, которые находят закономерности в поведении покупателей.
  • Каналы доставки. Подборка должна попадать к клиенту там, где он с вами взаимодействует: на сайте, в email, push, мессенджерах.

Персональные товарные рекомендации в Sendsay

У CDP Sendsay есть функция персональных товарных рекомендаций, которые подбираются автоматически с помощью искусственного интеллекта. Система анализирует поведение и покупки каждого клиента и формирует для него индивидуальную подборку без ручной настройки правил под каждый сегмент.

Что это даёт:

  • Персонализация на уровне клиента. Два получателя одной рассылки видят разные товары, соответствующие их интересам.
  • Актуальные данные. Подборка опирается на свежее поведение, поэтому не устаревает.
  • Экономия времени. Маркетологу не нужно вручную собирать подборки для каждого сегмента и места размещения.
  • Единая логика во всех каналах. Рекомендации используются в рассылках и других каналах коммуникации, а данные собираются в профиле клиента.

Настройка персональных рекомендаций в Sendsay простая:

Настройка персональных рекомендаций в Sendsay

Автоматизация не отменяет возможности контролировать процесс. Бизнес-правила по-прежнему задаёте вы: можете исключать те или иные товары, ограничивать ценовой диапазон, настраивать приоритет акционных позиций.

Зарегистрируйтесь
И попробуйте Sendsay бесплатно

Что запомнить: главное по теме

  • Подбор начинается с задачи, а не с алгоритма. Сначала нужно определить, что должен делать блок (повышать средний чек, помогать выбрать или возвращать за покупкой) и где он будет стоять. От этого зависит, какие товары в него попадут.
  • Одного источника данных мало. Каталог задаёт границы, поведение показывает текущий интерес, заказы дают представление о привычках и цикле покупок, а популярность товаров закрывает пробелы там, где о клиенте почти ничего не известно.
  • У каждого типа блока свой принцип отбора. «Похожие товары» формируются по характеристикам и цене, «С этим товаром покупают» — по совместным заказам, персональные подборки строятся на поведении, а upsell предлагает шаг вверх по той же категории.
  • Настроить блок раз и навсегда не получится. Правила и подборки нужно регулярно пересматривать. Логика меняется вместе с путём клиента. Пока сигналов мало, лучше сработает подборка популярного.
  • Фильтры важны не меньше алгоритма. Товары без остатка, недоступные в регионе, уже купленные или нарушающие бизнес-правила не сработают, даже если остальные позиции подобраны верно.
  • Оценивать блок нужно по деньгам, а не по кликам. Конверсия, средний чек и вклад блока в выручку покажут больше, чем CTR, а A/B-тесты помогут понять, какое изменение дало результат.

Чтобы упростить подбор товаров для рекомендаций и вывести их сразу в рассылки, на сайт и в мессенджеры, стоит попробовать персональные товарные рекомендации в Sendsay: система сама подберёт товары под каждого клиента, а бизнес-правила останутся под вашим контролем.

Ответы на часто задаваемые вопросы

Сколько товаров должно быть в блоке рекомендаций?
Количество зависит от места и устройства. В карточке товара и в корзине обычно достаточно 3–6 позиций: выбор остаётся простым, и блок не отвлекает от основной покупки. На главной странице и в письме можно показать 6–12 товаров, на мобильных устройствах удобнее карусель из 4–8 позиций. Если подходящих товаров меньше, лучше показать три релевантных, чем добирать блок случайными. Оптимальное количество стоит проверять A/B-тестом по конверсии из блока.
Нужно ли исключать из рекомендаций уже купленные товары?
Да, но не все. Товары длительного пользования — технику, мебель или электронику — после покупки лучше убрать: повторно их приобретают редко. А вот расходники, наоборот, стоит оставлять и напоминать о них в нужный момент. Исключение также составляют сопутствующие товары: к купленному смартфону можно предложить защитное стекло.
Что эффективнее — ручной подбор товаров или автоматические рекомендации?
Лучше всего работает сочетание обоих подходов. Автоматические алгоритмы масштабируются на весь каталог, учитывают поведение каждого пользователя и обновляются без участия команды, поэтому они подходят для основных блоков. Ручной подбор нужен там, где важен контроль: сезонные акции, новые коллекции, товары с высокой маржой, связки для холодного старта.
Похожие статьи
Рекомендации товаров: как они помогают увеличивать продажи в рассылке
Как персональные товарные рекомендации в рассылках повышают конверсию
Что такое триггерные email-рассылки и как их правильно применять
Над статьёй работали:
Следите за нами
Присоединяйтесь к нам в соцсетях