AI-рекомендации товаров — это системы, которые предсказывают, какой товар покупатель, скорее всего, захочет следующим, используя историю просмотров и покупок, атрибуты товара и контекст, такой как устройство или сезон. Для маркетологов это уже не просто полоса «вам также может понравиться»: они формируют главные страницы, электронные письма, результаты поиска, рекламу и, все чаще, AI-помощники по покупкам, которые отвечают на вопросы на естественном языке.
Как работают рекомендательные движки?
Большинство систем комбинируют несколько методов. Коллаборативная фильтрация находит закономерности среди покупателей: люди, которые купили А, также купили Б. Контентная фильтрация сравнивает атрибуты товара, такие как цвет, материал или бренд. Более новые системы добавляют модели глубокого обучения, которые считывают последовательности действий в сессии, а в некоторых случаях — языковые модели, которые понимают описания товаров и отзывы.
Результатом является ранжированный список товаров для определенного слота, например, страницы товара, корзины или электронного письма. Лучшие системы часто переобучаются, поэтому внезапный тренд или изменение запасов быстро становятся заметными.
Какие инструменты на самом деле используют магазины?
Выбор зависит от платформы и размера каталога.
- Shopify: встроенное приложение Search & Discovery для сопутствующих товаров, плюс приложения, такие как Rebuy, LimeSpot и Klaviyo для рекомендаций по электронной почте
- WooCommerce: плагины и внешние сервисы, включая Klaviyo, Clerk.io и Algolia Recommend
- Enterprise: Google Cloud’s Vertex AI Search for commerce, Amazon Personalize, Salesforce Commerce Cloud Einstein, Adobe Commerce с функциями Adobe Sensei, Bloomreach, Dynamic Yield
- Электронная почта и CRM: Klaviyo, Braze, Insider и Salesforce Marketing Cloud предлагают товарные блоки, основанные на поведении
Многие из них настраиваются маркетологами, а не специалистами по данным. Это переносит работу с построения моделей на выбор стратегий, слотов и правил.
Где маркетологи используют рекомендации?
Рекомендации появляются на протяжении всего пути клиента. У каждого слота своя задача.
На сайте
- Главная страница: популярные или трендовые товары для новых посетителей, персонализированные подборки для вернувшихся
- Страница товара: похожие товары и часто покупаемые вместе
- Корзина: недорогие дополнения и аксессуары
- Поиск: переранжирование результатов по вероятному интересу
- Пустые или отсутствующие страницы: близкие альтернативы вместо тупика
Вне сайта
- Письма о брошенном просмотре и корзине с сопутствующими товарами
- Письма после покупки с дополнительными товарами, приуроченные к использованию
- Динамическая реклама товаров в Meta и Google, основанная на данных каталога и пикселя
Разговорный AI
- AI-помощники по покупкам на сайте, которые отвечают на вопрос «какие кроссовки для бега подходят для плоскостопия?» и предлагают товары
- Данные о товарах, которые питают ответы в таких инструментах, как ChatGPT shopping и AI Mode от Google, где важны чистые фиды товаров и отзывы
Что контролируют маркетологи?
Даже с автоматизированными моделями маркетолог задает рамки. Плохие настройки дают плохие рекомендации, независимо от того, насколько хороша модель.
- Стратегия для слота: похожие, дополнительные, трендовые, недавно просмотренные, персонализированные
- Бизнес-правила: исключить отсутствующие товары, установить минимальную маржу, продвигать новые коллекции
- Разнообразие: избегать показа пяти почти идентичных товаров
- Холодный старт: что видят новые посетители и новые товары до появления данных
- Размещение и дизайн: где находится блок и сколько товаров он показывает
- Тестирование: A/B-тесты между стратегиями или против отсутствия рекомендаций
Каковы ограничения и риски?
Рекомендации усиливают то, что уже продается. Без правил несколько бестселлеров заполняют каждый слот, а новые товары никогда не получают охвата. Это хорошо для краткосрочных кликов и плохо для ассортимента и маржи.
Также применяются правила конфиденциальности. Персонализация на основе отслеживания зависит от согласия в соответствии с GDPR, KVKK и аналогичными законами. Покупателям, которые отклоняют файлы cookie, все равно нужны разумные, неперсонализированные рекомендации.
- Пузыри фильтров: покупатели видят больше одного и того же и меньше ассортимента
- Качество данных: неправильные категории или отсутствующие атрибуты создают странные предложения
- Чрезмерная персонализация: рекомендации, которые кажутся навязчивыми, особенно для чувствительных товаров
- Атрибуция: поставщики часто приписывают виджету продажи, которые произошли бы в любом случае
Как узнать, работают ли они?
Честный тест — это эксперимент: покажите рекомендации одной группе, а другой нет, или сравните две стратегии. Клики по виджету не являются доказательством ценности.
Отслеживайте доход на посетителя, средний чек и коэффициент конверсии между группами. Следите также за маржой, так как дешевые дополнения могут увеличить количество заказов, но не прибыль.
Какие данные о товарах нужны для рекомендаций?
Движки учатся из двух источников: поведение и данные каталога. Поведение поступает из событий отслеживания, таких как просмотры товаров, добавление в корзину и покупки, каждое с ID товара. Данные каталога поступают из вашего фида товаров: названия, категории, атрибуты, цены, запасы и изображения.
Слабые данные каталога — самая частая причина, по которой рекомендации выглядят случайными. Магазин модной одежды, который хранит цвет только в названии товара, а не как поле, не может попросить движок предложить «то же платье в другом цвете». Магазин товаров для дома с тремя разными написаниями одной категории разделяет свои собственные данные.
- Согласованные категории с четкой иерархией
- Атрибуты как отдельные поля: цвет, размер, материал, стиль, ценовой диапазон
- Точные уровни запасов, синхронизируемые не реже одного раза в день
- Чистые ID товаров, которые совпадают на сайте, в фиде и аналитике
- Хорошие изображения, так как некоторые движки также используют визуальное сходство
Как генеративный AI меняет рекомендации?
Языковые модели добавляют новый слой. Вместо сетки товаров покупатель может описать потребность и получить короткий список с обоснованиями. Shopify, Amazon с Rufus и многие сторонние инструменты теперь предлагают такого помощника.
Для маркетологов это повышает ценность богатых описаний товаров, четких спецификаций и реальных отзывов, потому что помощник читает их, чтобы решить, что предложить. Товар с расплывчатым описанием из двух строк трудно рекомендовать с уверенностью любому помощнику.
Как Alien Road применяет AI-рекомендации товаров
В типичном e-commerce проекте мы начинаем с аудита каталога и данных: атрибуты товаров, категории, фиды запасов и настройка согласия. Пробелы там ограничивают любой рекомендательный движок, поэтому их исправление стоит на первом месте.
Затем мы отображаем слоты на сайте и в email-потоках, выбираем стратегию для каждого и устанавливаем бизнес-правила для запасов, маржи и разнообразия. Тесты начинаются со слотов с самым высоким трафиком, обычно это страницы товаров и корзина.
Измерение использует контрольные группы, где это позволяет платформа, а отчеты сравнивают доход на посетителя, средний чек и маржу между группами. Мы сообщаем о том, что показывают тесты, включая слоты, где рекомендации не дали никакой разницы.
С чего начать на этой неделе
Перечислите все места, где ваш магазин сегодня показывает рекомендации, и стратегию, которую использует каждое из них. Многие магазины находят одну и ту же настройку «сопутствующие товары» везде. Измените один слот, например, корзину, на дополнительные недорогие товары с правилом наличия на складе и запустите его на две недели против текущей версии. Сравните средний чек между двумя группами, прежде чем менять следующий слот.
Читать далее: E-commerce · E-commerce