Пользователи всё реже ищут товары и контент сами, за них это делают алгоритмы. Музыкальный сервис собирает плейлист под настроение, книжный — подсказывает, что почитать дальше, а приложение доставки предлагает добавить к заказу любимый соус. За этим стоят рекомендательные системы — технологии, которые угадывают интересы человека и влияют на его выбор. Рассказываем, как устроены такие алгоритмы, какими бывают, зачем нужны и как с ними работать.
Что такое рекомендательные системы
Это набор алгоритмов, которые анализируют данные о пользователях и предсказывают, что им может быть интересно. Проще говоря, система изучает поведение человека — что он покупал, что смотрел, на что кликал — и на основе этого подбирает релевантные предложения.
В основе лежат два компонента:
- Данные. Всё, что известно о пользователе: история покупок, просмотры страниц, оценки, лайки, время на сайте.
- Алгоритмы. Математические модели, которые находят закономерности в этих данных и формируют предложения.
С рекомендациями мы сталкиваемся каждый день. Например, маркетплейсы показывают блок «С этим товаром покупают» — по данным McKinsey, 35% заказов на Amazon приходится именно на такие подсказки.
Какие виды систем бывают
Выделяют два основных: внутренние и внешние. Различие в том, кто контролирует алгоритмы и данные — бизнес или сторонняя площадка.
Внутренние встроены в продукт компании: сайт, приложение, email-рассылки. Бизнес сам решает, какие данные собирать, по какой логике формировать предложения и где их показывать. Типичные примеры — блоки «С этим товаром покупают» и «Вам может понравиться» в магазинах, товарные рекомендации в письмах.
Внешние работают на сторонних площадках, где алгоритмы решают, какой контент показать пользователю. Бизнес не управляет ими, но может адаптировать материалы под их логику. К этой группе относятся:
- контентные экосистемы вроде Дзена, которые рекомендуют читателям статьи и видео;
- соцсети и видеохостинги с алгоритмической лентой, как YouTube или ВКонтакте;
- рекламные сети с блоками «Читайте также» на сторонних сайтах.
Такие площадки открывают доступ к огромной аудитории. Но бизнес зависит от их правил: алгоритмы меняются, и охват может просесть в любой момент.
Зачем бизнесу рекомендательные системы: какие задачи можно решать с помощью рекомендаций
- Увеличить продажи и средний чек. Блоки-подсказки работают как цифровой консультант: предлагают сопутствующие товары и более дорогие альтернативы. По данным Barilliance, персонализированные рекомендации могут увеличивать конверсию до 320%, а средний чек — на 25%.
- Повысить вовлечённость. Для медиа и контентных платформ это ключевая метрика, от которой зависит рекламная выручка. А персональные подборки помогают удерживать посетителей: когда контент соответствует интересам, человек дольше остаётся на сайте, глубже изучает каталог и чаще возвращается.
- Персонализировать клиентский опыт. По данным McKinsey, 71% покупателей ждёт от брендов индивидуального подхода, а 76% — раздражаются, если его нет. Рекомендации как раз персональны — каждый видит подборку, собранную под его интересы.
Как устроены алгоритмы рекомендаций
Они подбирают предложения в зависимости от того, какие данные анализируют. Допустим, два разных клиента — Марина и Олег — заказали кофемашину и набор капсул. Олег позже купил молочник для капучино. Система замечает совпадение в покупках и рекомендует молочник Марине. Это называется коллаборативной фильтрацией — алгоритм опирается на поведение похожих пользователей.
Есть и другой подход — контентная фильтрация. В этом случае система отталкивается от характеристик товаров, а не от действий людей. Например, Марина купила букет в минималистичной упаковке — ей предложат композиции в похожей стилистике.
На практике большинство систем комбинируют оба подхода — это называется гибридной моделью. Например, YouTube учитывает и то, что смотрели похожие пользователи, и характеристики контента, и даже контекст: время суток или устройство.
Алгоритмы обучаются на поведении аудитории в реальном времени: каждый клик, покупка или отказ корректирует модель. Поэтому со временем, когда накапливаются данные, предложения становятся точнее. С новыми пользователями, о которых пока ничего не известно, алгоритмам работать сложнее — это называют проблемой холодного старта.
Как продвигаться на внешних платформах
Внешние рекомендательные системы показывают пользователям контент компании на сторонних площадках. Бизнес может публиковать материалы и получать органические переходы или оплачивать рекламное размещение. Рассмотрим три типа таких площадок.
- Контентные экосистемы. Площадки вроде Дзена объединяют статьи, посты и видео и подбирают их под интересы читателя. Компания может вести здесь канал с полезными материалами: например, магазин техники — объяснять, как выбрать и использовать товары. Такие публикации знакомят читателя с брендом и могут приводить его на сайт.
- Платформы с алгоритмической выдачей. В соцсетях и на видеохостингах, например во ВКонтакте и на YouTube, рекомендации помогают показывать публикации людям, которые ещё не подписаны на автора. Бизнес использует их, чтобы расширять аудиторию. Для этого контент адаптируют под формат площадки, а по реакциям и просмотрам оценивают, какие темы интересны пользователям.
- Рекламные рекомендательные сети. Размещают анонсы материалов в блоках рекомендаций на сайтах партнёров. Пользователь нажимает на заголовок или изображение и переходит на страницу рекламодателя. Бизнес использует такие сети для платного привлечения аудитории: готовит анонс и посадочную страницу, задаёт бюджет и оценивает стоимость переходов и заявок.
Как оценивать результат
Результат оценивают по задаче: для привлечения аудитории отслеживают переходы на сайт, для продаж — заявки и заказы.
Общий принцип — сравнивать стоимость создания контента с результатом. Например, статья в Дзене обошлась в 5 000 рублей и привела 200 переходов на сайт, значит, 25 рублей за переход. Если это укладывается в медиаплан — всё хорошо.
Каких ошибок стоит избегать
Большой охват сам по себе не означает, что публикация привела покупателей: контент стоит адаптировать под каждую площадку, а расходы оценивать по целевым действиям.
Также нельзя допускать зависимость от одной площадки. Когда весь трафик приходит с одного канала, бизнес рискует: после обновления алгоритмов поток аудитории может резко сократиться. Поэтому стоит развивать и собственные площадки, где подборки будут под контролем.
Как работать с внутренними рекомендациями
К ним относятся блоки на сайте, подборки в приложении и персональные предложения в рассылках — всем этим бизнес управляет сам. Разберём, как подготовиться к запуску рекомендательной системы.
1. Определить источники данных
Чтобы подобрать подходящие товары, системе нужны сведения о клиенте:
- История покупок. Что человек заказывал, когда, на какую сумму и как часто возвращался за покупками. Это самый ценные данные: на них строятся допродажи.
- Поведение на сайте. Какие страницы просматривал, сколько времени провёл на каждой, что добавлял в корзину и избранное, откуда пришёл. Поведенческие данные позволяют рекомендовать товары даже тем, кто ничего не купил.
- Предпочтения. Бывают явными: оценки, лайки, отзывы. И неявными — когда человек пролистал карточку или задержался на ней, выбрал определённые фильтры. Так алгоритм понимает, что пользователю интересно, а что ему точно не подходит.
Дальше проверяют, где хранятся эти сведения: история покупок — в CRM или системе учёта заказов, действия на сайте — в веб-аналитике, оценки и отзывы — в базе сайта или приложения.
Отдельно задают правила подбора с учётом целей компании: например, чаще показывать маржинальные товары или позиции, которые нужно распродать.
2. Выбрать точки контакта с пользователем
Подборки могут показываться клиенту в нескольких местах — обычно там, где он принимает решение о покупке. Вот где стоит размещать рекомендации:
- Карточка товара. Блоки «С этим покупают» и «Похожие товары» решают две задачи: помогают сравнить варианты, если конкретная модель не подошла, и подсказывают, чем дополнить заказ.
- Главная страница. Постоянным посетителям можно показывать блок «Рекомендуем для вас» с товарами, похожими на те, что они уже смотрели. Это помогает зацепить человека релевантным предложением, пока он не ушёл.
- Email-рассылки. Триггерные письма отправляются автоматически после действия клиента — например, если он добавил товары в корзину, но не оформил заказ. По данным платформы Klaviyo, рассылка по сценарию брошенной корзины приносит до 27 $ дохода с одного получателя. Помимо товаров из корзины, в такое письмо можно добавить рекомендации: например, к кофемашине предложить подходящие капсулы. В письме после просмотра товара без покупки можно показать похожие модели. Клиенту, который давно не заказывал, — отправить новинки из интересных ему категорий. А в приветственной серии — предложить подборку по интересам, указанным при подписке.
- Корзина и оформление заказа. В корзине можно предложить аксессуары, расходники и другие товары, которые дополнят покупку.
- Страница «Нет результатов». Если поиск ничего не нашёл, страница не должна оставаться пустой: подборка похожих или популярных позиций поможет удержать человека на сайте.
- Мобильное приложение и пуш-уведомления. В приложении рекомендации можно разместить на главном экране или в карточке товара, а в пуш-уведомлении — предложить перейти к подборке. Например, приложение доставки утром показывает завтраки из ближайших кафе, а уведомление ведёт к этой подборке.
3. Оценить эффективность рекомендаций
Чтобы понять, окупаются ли затраты на подключение и поддержку рекомендательной системы, отслеживают показы подборок, клики по товарам, покупки и выручку. На основе этих данных рассчитывают показатели:
- CTR. Доля кликов по рекомендательным блокам. Универсального бенчмарка здесь нет: показатель отслеживают в динамике и сравнивают между разными страницами сайта. Если кликов мало, предложения нерелевантны или блок стоит не на том месте.
- Конверсия и средний чек. Сравнивают посетителей, которые перешли к товару из рекомендаций, с теми, кто этого не сделал. В каждой группе считают долю покупателей и среднюю сумму заказа.
- Доля в выручке. Чтобы посчитать её, нужно узнать, какой процент продаж приходится на товары из рекомендательных блоков. Показывает реальный вклад системы в бизнес-результат.
Самый надёжный способ оценки — A/B-тест. Одной группе пользователей показывается страница с рекомендательными блоками, другой — без них, и сравниваются результаты. Без теста сложно отделить эффект блоков от сезонности, акций и изменений в ассортименте.
Как запустить рекомендации
Во многих сервисах для интернет-магазинов есть готовые блоки «Похожие товары» и «С этим покупают». Если их настроек недостаточно для задач бизнеса, можно разработать собственную систему рекомендаций. Ниже разберём, как подготовить данные и запустить подборки.
Подготовить данные
Перед запуском нужно собрать базу, на которой будет учиться модель. Для этого нужно объединить данные из разных источников. Пока они разрознены, модель видит неполную картину и может предложить товар, который клиент уже купил.
Сделать это можно с помощью платформы клиентских данных (CDP). Например, Sendsay — одна из ведущих российских омниканальных CDP. Она позволяет собирать информацию о поведении клиента в email, SMS, пуш-уведомлениях и на сайте в единый профиль 360°.
На этой основе маркетолог сегментирует аудиторию и запускает персональные сценарии, в том числе товарные подборки в письмах. Для бизнеса такой инструмент помогает увеличивать средний чек и стимулировать повторные продажи.
Внедрить систему
Собранных данных пока недостаточно: нужна модель, которая превратит их в рекомендации. Сделать её можно двумя путями:
- Разработать самостоятельно. Команда аналитиков и инженеров обучает модель под логику компании: какие сигналы учитывать и какие товары продвигать в первую очередь. Это даёт полный контроль над алгоритмом, но требует месяцев работы и постоянной поддержки, так как её нужно дообучать, когда меняются ассортимент и поведение покупателей. Такой способ подходит крупным компаниям, для которых рекомендации — один из основных источников выручки.
- Использовать готовое решение. Рекомендательные модули встроены в платформы клиентских данных. Достаточно подключить источники данных — сайт, CRM, каталог — и задать правила: где показывать блоки и что предлагать. Собирать подборки под каждого клиента будут алгоритмы платформы. Такой вариант запускается за несколько дней и не требует отдельной команды разработки.
Дальше внедрение идёт по шагам:
- Определить задачу. Что именно нужно рекомендовать и зачем: повысить средний чек, удержать пользователей, распродать остатки, ускорить оформление заказа. От цели зависит и выбор алгоритма, и место размещения блоков.
- Провести аудит данных. Что уже собирается, чего не хватает, насколько записи актуальны. Если информации мало или она разрознена — сначала собрать и объединить, потом строить алгоритм.
- Выбрать подход. Коллаборативная, контентная или гибридная модель — в зависимости от того, чего больше: сведений о пользователях или о товарах. На старте чаще используют гибридный вариант.
- Запустить пилотный продукт. Начать с одной точки контакта — например, карточки товара или email-рассылки. Так проще отладить механику и быстрее получить первые результаты.
- Протестировать. A/B-тест на ограниченной аудитории, сравнение с контрольной группой. Если прироста продаж нет, проверить полноту данных и настройки алгоритма; если есть — двигаться дальше.
- Масштабировать. Расширить рекомендации на другие точки контакта, добавить новые источники данных, усложнить логику персонализации.
Что запомнить про рекомендательные системы
- В их основе — алгоритмы, которые анализируют данные о пользователях и подбирают релевантные предложения.
- Системы бывают внутренними: на сайте и в рассылках компании. И внешними: Дзен, YouTube, Google Discover и другие площадки.
- Алгоритмы опираются на поведение пользователей и характеристики контента, а модель обучается в реальном времени.
- Персонализированные подборки увеличивают конверсию, средний чек и вовлечённость.
- Для точных предложений нужны полные данные о клиентах из разных источников, собранные в один профиль.
- Ключевые метрики эффективности: CTR, конверсия, средний чек и доля рекомендаций в выручке.
Ответы на частые вопросы
