ИИ для подбора персональных рекомендаций «сопутствующих товаров» в интернет-магазине

Вы когда‑нибудь замечали, что Amazon предлагает «покупатели также приобрели»? Это простая, но убийственная техника. Она увеличивает средний чек на 10–30%. Как это работает? Анализируются миллионы покупок, и система находит, какие товары часто покупают вместе.

Для малого интернет-магазина с 500–5000 заказов в месяц классический алгоритм коллаборативной фильтрации не очень эффективен — слишком мало данных. Но нейросеть может решить проблему иначе: она анализирует не только «купили вместе», но и свойства товаров (категории, теги, описание) и поведение пользователя (что он смотрел, что положил в корзину). В итоге рекомендации получаются релевантными даже для новых товаров.

Как внедрить ИИ-рекомендации дешево и без команды data scientist — сейчас расскажу.

Три уровня сложности (от простого к профитному)

Уровень 1. Рекомендации «по тегам» (проще некуда). Если у каждого товара есть категории и, например, цвет, сезон, бренд, то вы можете сами написать простой SQL-запрос: выбери товары из той же категории, исключи текущий, покажи 4 штуки. Нейросеть тут не нужна. Но такие рекомендации часто бывают скучными («такой же диван, но синий» — не цепляет).

Уровень 2. Гибридная рекомендация через нейросеть. Вы даёте YandexGPT список последних просмотренных товаров и просите подобрать 3–5 сопутствующих на основе их характеристик. Это уже интереснее.

Уровень 3. Полноценная модель машинного обучения (для тысяч заказов в день). Строится на Python, требует данных, но даёт точность 80%+. Малому бизнесу чаще всего хватает уровня 2.

Как реализовать уровень 2 на YandexGPT

Шаг 1. Для каждого товара сохраните его атрибуты в базе: название, категория, бренд, материал, назначение (например, «дрель для домашних работ»).

Шаг 2. Когда пользователь смотрит товар (или кладёт в корзину), ваша система запускает промпт:

«Ты — консультант интернет-магазина инструментов. Пользователь смотрит товар “Аккумуляторная дрель Bosch GSR 120-LI”. Характеристики: аккумулятор 12V, максимальный крутящий момент 30 Нм, вес 1 кг. Подбери 4 сопутствующих товара из списка ниже. Учитывай, что с дрелью часто покупают: набор бит, запасной аккумулятор, кейс для хранения, защитные очки. Не предлагай те же дрели от других брендов — только сопутствующие. Выбери из списка: (перечень всех товаров или только подходящих по категориям). Выдай в виде JSON с полями id и название товара.»

Шаг 3. Получаете JSON с ID товаров, подставляете их на страницу.

Плюс: рекомендации персонализированы под просмотренный товар. Минус: требуется вызов нейросети на каждую загрузку страницы (может быть чуть медленнее). Для ускорения кэшируйте результат на 1 час.

Кейс: магазин аксессуаров для телефонов увеличил чек на 18%

Продают чехлы, стёкла, кабели. Раньше блок «сопутствующие» был статичным: к каждому чехлу показывали кабель и стекло — скучно и не всегда конвертилось. Внедрили нейросеть: при просмотре конкретного чехла (розовый с цветочками) YandexGPT предлагала «розовый кабель в тон» и «розовое стекло», а к чёрному кейсу — «чёрный автомобильный держатель» и «защитную плёнку с чёрной рамкой». Конверсия в корзину из блока рекомендаций выросла с 4% до 11%, средний чек — на 18% за месяц. Затраты на API — около 2000 руб в месяц при 10 тыс просмотров товаров.

Когда нейросетевые рекомендации излишни

• У вас меньше 100 заказов в месяц — покупатели не выработали поведенческих паттернов, лучше использовать простые категорийные «похожие товары».
• Ассортимент очень узкий (5-10 товаров) — нейросети негде развернуться, предложит либо то же самое, либо нерелевант.
• Очень дешёвые товары (до 100 руб) — покупателю всё равно, что предложить, он не будет задумываться.

Как Falcon Space помогает с рекомендациями

В платформе вы можете создать компонент «Сопутствующие товары», который при загрузке страницы вызывает хранимую процедуру. Внутри процедуры — вызов YandexGPT через внешнее действие. Результат (JSON с ID товаров) возвращается и рендерится в HTML. Всё в одной системе, не нужно прикручивать отдельный микросервис.

Совет: не навязывайте рекомендации агрессивно. Лучше показывайте их как блок «С этим также покупают» после описания товара, а не как попап. И обязательно тестируйте два варианта: с ИИ-рекомендациями и без — замеряйте реальный рост чека. Иногда самая простая примитивная логика «кабель к телефону» побеждает сложные нейросети (если кабель покупают с 70% телефонов). Так что начните с простого, затем усложняйте.