Типова ситуація: покупець, який зайшов до магазину з наміром купити, потрапляє в каталог на тисячі позицій, гортає кілька сторінок, відкриває картки кількох товарів — і йде з сайту. Не тому, що не знайшов нічого підхожого, а тому, що знайшов забагато й не зміг обрати.
Це масова поведінка, і проблема тут зазвичай не в ціні й не в самому сайті. Люди або не знаходять потрібного, або взагалі не можуть сформулювати, чого хочуть. За опитуванням Accenture серед 19 000 споживачів у 12 країнах, 73% почуваються перевантаженими надто великим вибором, а 74% через це відмовляються від покупки взагалі; ще 41% визнають, що ухвалити рішення сьогодні складніше, ніж три роки тому.
Вирішується це не скороченням каталогу, а курацією: перевантаженому клієнту потрібно, щоб бізнес звузив нескінченну вітрину до кількох релевантних саме йому позицій. У цій статті розбираємо, як сучасні AI-алгоритми товарних рекомендацій досягають такої релевантності та як їх використовує український бізнес.
Як працюють новітні алгоритми рекомендацій
Не всі рекомендаційні блоки однакові. «З цим товаром купують» чи «Вам також сподобається» є майже на кожному сайті, але «під капотом» у них може бути принципово різна логіка. Умовно підходи зводяться до трьох:
- Категорійний менеджер (ручна добірка). Людина розуміє контекст, але добірка однакова для всіх, погано масштабується й потребує ручного оновлення.
- Класичні рекомендаційні моделі (колаборативна фільтрація). Шукають зв’язки між покупками: «Клієнти, які купили X, купують і Y» — це вже автоматизація, але точність обмежена. Головна вада — модель бачить лише збіги покупок, а не контекст. Вона не розуміє, що таке товар, і не бачить послідовності дій: клієнт подивився кросівки — і отримав ще десять пар схожих, хоча за його поведінкою видно, що він збирає образ і йому краще запропонувати штани та куртку. До того ж нові товари без історії продажів для такої моделі просто невидимі.
- Мультимодальна модель — найсучасніший підхід, доступний сьогодні e-commerce. Саме такі алгоритми пропонує eSputnik, прогнозуючи вибір користувача з імовірністю близько 69%. За мультимодальною моделлю стоять дві здатності, які й роблять рекомендації точними:
За мультимодальною моделлю стоять дві здатності, які й роблять рекомендації точними:
-
-
Зчитування поведінки користувача як зв’язної послідовності, а не набору ізольованих кліків. Аналогія — мова: сенс речення несуть не окремі слова, а зв’язки між ними. Так само система збирає всі події сесії (від входу на головну до конкретних карток), інтерпретує, що людина робить зараз, спираючись на попередні кроки, і прогнозує найімовірніший наступний крок, зважуючи тисячі схожих траєкторій інших користувачів. У видачу потрапляє товар із найвищою відповідністю потребі клієнта.
-
Можливість розуміти самі товари. Побудована на трансформерній архітектурі (тій самій, що стоїть за рекомендаціями Netflix і Spotify), модель аналізує не лише ID товару, а весь товарний фід: назву, ціну, колір, розмір, опис, наявність, історію та навіть зображення товару — тоді як традиційна система «бачить» лише артикул (SKU). Кожен товар вона представляє його змістом (так званим вектором — «цифровим відбитком» опису й зображення) і завдяки цьому порівнює позиції за суттю, а не за збігом слів у назві.
-
Це дає дві переваги: система підбирає схожі за призначенням товари, навіть якщо вони з різних категорій, і вирішує проблему «холодного старту» — новий товар, який ще ніхто не переглядав, рекомендується коректно вже з першого дня, бо модель розуміє, що це таке з опису й зображення.
Детальніше про те, як працює технологія рекомендацій
Як український e-commerce використовує нові алгоритми рекомендацій
«Фокстрот»: розумна рекатегоризація товарів
«Фокстрот» вирішує проблему рекомендації компліментарних товарів з однієї категорії за допомогою розумної рекатегоризації. Раніше в категорію «Зубні щітки» потрапляли і самі щітки, і змінні насадки, і футляри. За класичною логікою блок «З цим товаром купують» не пропонує позиції з тієї ж категорії (щоб не радити другу щітку замість першої) — а отже, втрачався очевидний допродаж.
Щоб вирішити цю проблему, AI від eSputnik читає описи й призначення товарів та самостійно рекатегоризує їх, що дає можливість пропонувати до електричної щітки сумісну насадку чи дорожній футляр. У результаті CTR блоку зріс на 39%, а продажі аксесуарів — у 1,5 раза.
PUMA: омніканальне використання рекомендацій
PUMA — наочний приклад ритейлера, у якого рекомендації працюють наскрізно:
-
Сайт. Після оновлення блоків із використанням мультимодальної моделі частка замовлень із рекомендаціями (Order Share) зросла з 2% до 20% — кожне п’яте замовлення містить товар із рекомендацій; CTR +76%, а конверсія блоків виросла у 7 разів.
-
Застосунок. Для PUMA рекомендаційні блоки в застосунку показали на 10% вищу конверсію, ніж на сайті.
Важливо: завдяки можливостям SDK система отримує повний обсяг користувацьких даних із застосунку та максимізує ефективність рекомендацій. Це дозволяє отримувати такі ж високі показники CTR та конверсій із застосунку, як і з вебверсії магазину. А поєднання веб- та мобільного трекінгу дозволяє синхронізувати рекомендації. Тобто в якій би точці контакту клієнт не взаємодіяв із брендом — рекомендації будуть відповідно підлаштовуватися з урахуванням усієї історії поведінки.
-
Тригерні листи. Товарні рекомендації в ланцюках (покинутий кошик, покинута категорія, знижена ціна на товари в кошику) приносять 20,54% CTR і +10% до конверсії.
-
Персоналізація для новостворених профілів. Щойно платформа отримує сталий ідентифікатор клієнта (імейл, номер телефону), уся його попередня історія взаємодії з брендом в анонімному режимі прив’язується до профілю. Система відразу формує релевантні рекомендації, що приносить PUMA до +23% доходу з тригерної комунікації в перші години після появи контакту в системі.
Глобальний A/B-тест
Щоб упевнитися в якості роботи нової моделі, eSputnik навесні 2026 року провів глобальний A/B-тест на 21 e-commerce-проєкті. Трафік кожного магазину ділили у пропорції 90/10: основна група бачила рекомендаційні блоки, контрольна — ні, а різницю вважали чистим ефектом рекомендацій.
Результати:
-
Конверсія: +7,9% у медіані, +9,2% у середньому (лідери — до +18%); зростання у 19 з 21 проєкту.
-
Середній чек: +6,1% у медіані, до +15,9% у лідерів; зростання у 10 із 21 проєкту.
-
Ефект навіть на холодному трафіку: приріст конверсії зафіксували, навіть коли користувач переглянув лише один товар, а далі ефективність стабільно зростає з кількістю переглядів.
Хочете дізнатися, який приріст дадуть рекомендації саме вашому каталогу? Розберемо на безкоштовній консультації →
Порахувати потенціал товарних рекомендацій для власного бізнесу
Чи можна реалізувати таку систему рекомендацій самостійно?
Логічне питання: чи може бізнес розгорнути систему рекомендацій на своєму боці? На перший погляд схема проста — узяти open-source-бібліотеку, натренувати базову модель і за три місяці запустити власне API.
Але реальність, яку eSputnik пройшов за понад десятиліття R&D і в яку вклав €5,5+ млн, значно складніша. Це низка окремих інженерних задач:
-
нормалізація даних із багатьох джерел;
-
просунутий feature engineering для атрибутів товарів;
-
генерація семантичних ембедингів товарів із тексту та зображень, а не лише з простих ID;
-
власна Transformer-архітектура під e-commerce;
-
моделювання послідовної поведінки користувача;
-
оптимізація під реальні продажі, а не лише кліки;
-
безперервне донавчання моделі й відповідь у реальному часі до 300 мс;
-
робота з неповними та фрагментарними даними реального бізнесу: «холодний старт», сезонність, різна регіональна доступність, каталоги, де 30–40% асортименту оновлюється щокварталу;
-
використання розумних fallback-стратегій для edge cases.
За вартістю різниця так само показова:
-
junior-розробник in-house — 6–12 місяців на впровадження, €20–50 тис. плюс подальше утримання;
-
команда senior-розробників — 3–6 місяців, €100–300 тис.;
-
готове рішення — 2–4 тижні до запуску за вартістю підписки.
Сама інтеграція здебільшого не потребує програмістів на боці бізнесу — достатньо фіда у форматі Google Merchant, скрипта трекінгу та, за потреби, додаткового налаштування подій; для Shopify, WooCommerce чи OpenCart вона проходить ще простіше.
І головне для маркетолога: коли платформу вже інтегровано, рекомендації налаштовуються без розробників — вибір алгоритму, сторінки розміщення блоків, їхній вигляд і дизайн задаються в зручному інтерфейсі системи, а готових алгоритмів формування добірок у системі понад 200.
Та головне, чого не отримати навіть зі значним бюджетом, — це накопичений досвід. За алгоритмами eSputnik стоїть команда, що спеціалізується виключно на рекомендаційних системах: 5 senior ML-інженерів, кожен із понад 10 роками досвіду, разом — понад 50 років.
Власний розробник, навіть досвідчений, просто не мав нагоди зіткнутися з десятками edge cases, які eSputnik уже опрацював — разом із помилками, виправленнями коду й усуненням вузьких місць у продукті. Тому, обираючи готове рішення, бізнес отримує не тільки відшліфований інструмент, а й десятиліття досвіду.
Отримати готове рішення
Висновки
Персональні товарні рекомендації — це вже не косметичний блок, а повноцінний інструмент продажів, що працює на всьому шляху клієнта: від головної сторінки сайту до кошика, застосунку й розсилок. Платформа звужує каталог до низки правильних позицій, і саме це підвищує конверсію й середній чек без залучення додаткового трафіку.
У глобальному A/B-тесті eSputnik конверсія на оновлених мультимодальних алгоритмах зросла у 19 з 21 проєкту, а бренди рівня PUMA підняли частку замовлень із рекомендацій із 2% до 20%. Водночас зібрати таку систему власними силами за кілька місяців неможливо. В eSputnik за нею стоять понад десятиліття R&D, команда з 5 senior ML-інженерів і сотні edge-кейсів, пройдених з найбільшими гравцями e-commerce України.
Саме тому логічніше не відтворювати цей шлях самотужки, а скористатися готовим рішенням. А найшвидший спосіб зрозуміти, які саме можливості рекомендацій дадуть результат вашому бізнесу, — безоплатна консультація з командою eSputnik, де наші експерти розберуть персонально ваш кейс та покажуть можливості для зростання.
Забронювати місце на консультацію з eSputnik
Подробиці можна знайти на сайті: ain.ua