18 серпня, 2026, 11:00 126
eSputnik
6 статей
Звичайна історія: відвідувач, який зайшов до крамниці з наміром придбати щось, потрапляє до каталогу з тисячами найменувань, гортає декілька сторінок, розглядає картки кількох товарів — і залишає сайт. Не тому, що не знайшов нічого відповідного, а тому, що виявив занадто багато варіантів і не зміг зробити вибір.
Це поширене явище, і проблема, як правило, полягає не в ціні чи самому вебсайті. Люди або не знаходять того, що шукають, або взагалі не можуть визначити свої бажання. Згідно з опитуванням Accenture, проведеним серед 19 000 споживачів у 12 країнах, 73% відчувають перевантаження від надмірного вибору, а 74% через це відмовляються від покупки. Крім того, 41% визнають, що прийняти рішення сьогодні складніше, ніж три роки тому.
Вирішення цієї проблеми полягає не в зменшенні асортименту, а в кураторстві: перевантаженому клієнту потрібно, щоб бізнес звузив безкінечну вітрину до кількох позицій, які є релевантними саме для нього. У цій статті ми розглянемо, як сучасні AI-алгоритми товарних рекомендацій досягають такої релевантності та як їх використовує український бізнес.
Як працюють найновіші алгоритми рекомендацій
Не всі блоки рекомендацій працюють однаково. «З цим товаром купують» чи «Вам також сподобається» присутні майже на кожному сайті, але «під капотом» у них може бути принципово різна логіка. Умовно, підходи можна звести до трьох:
Мультимодальна модель базується на двох здібностях, які забезпечують точність рекомендацій:
-
Зчитування поведінки користувача як зв’язної послідовності, а не сукупності окремих кліків. Аналогія — мова: сенс речення несуть не окремі слова, а зв’язки між ними. Так само система агрегує всі події сесії (від входу на головну сторінку до конкретних карток товарів), інтерпретує поточні дії людини, спираючись на попередні кроки, і прогнозує найбільш імовірний наступний крок, зважуючи тисячі подібних траєкторій інших користувачів. У видачу потрапляє товар із найвищим ступенем відповідності потребі клієнта.
-
Можливість розуміти самі товари. Побудована на основі архітектури Transformer (тієї самої, що використовується для рекомендацій Netflix і Spotify), модель аналізує не тільки 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 через його зміст (так званий вектор — “цифровий відбиток” опису та зображення) і завдяки цьому порівнює позиції за суттю, а не за збігом слів у назві.
Це надає дві переваги: система підбирає товари зі схожим призначенням, навіть якщо вони належать до різних категорій, і розв’язує проблему “холодного старту” — новий товар, який ще ніхто не переглядав, рекомендується коректно вже з першого дня, оскільки модель розуміє його суть з опису та зображення.
Детальніше про те, як функціонує технологія рекомендацій
Як український e-commerce використовує найновіші алгоритми рекомендацій«Фокстрот»: інтелектуальна рекатегоризація товарів
«Фокстрот» вирішує проблему рекомендації доповнюючих товарів з однієї категорії шляхом інтелектуальної рекатегоризації. Раніше до категорії “Зубні щітки” потрапляли як самі щітки, так і змінні насадки та футляри. За класичною логікою, блок “З цим товаром купують” не пропонує позиції з тієї ж категорії (щоб не радити другу щітку замість першої) — отже, втрачався очевидний додатковий продаж.
Для вирішення цієї проблеми AI від eSputnik аналізує описи та призначення товарів і самостійно перекатегоризує їх, що дозволяє запропонувати до електричної щітки сумісну насадку чи дорожній футляр. В результаті CTR блоку зріс на 39%, а продажі аксесуарів — у 1,5 раза.
PUMA: омніканальне застосування рекомендацій
PUMA є наочним прикладом ритейлера, у якого рекомендації працюють наскрізно:
-
Вебсайт. Після оновлення блоків з використанням мультимодальної моделі частка замовлень з рекомендаціями (Order Share) збільшилася з 2% до 20% — кожне п’яте замовлення містить товар з рекомендацій; CTR зріс на 76%, а конверсія блоків виросла у 7 разів.
-
Мобільний додаток. Для PUMA рекомендаційні блоки в застосунку продемонстрували на 10% вищу конверсію, ніж на сайті.
Важливо: завдяки можливостям SDK система отримує повний обсяг даних про користувачів із застосунку та максимізує ефективність рекомендацій. Це дозволяє досягти таких же високих показників CTR та конверсій із застосунку, як і з вебверсії магазину. А поєднання веб- та мобільного відстеження дозволяє синхронізувати рекомендації. Тобто, в будь-якій точці взаємодії клієнта з брендом, рекомендації будуть відповідно адаптуватися, враховуючи всю історію його поведінки.
-
Тригерні листи. Товарні рекомендації в автоматизованих ланцюжках (покинутий кошик, покинута категорія, зниження ціни на товари в кошику) забезпечують 20,54% CTR і +10% до конверсії.
-
Персоналізація для новостворених профілів. Як тільки платформа отримує сталий ідентифікатор клієнта (email, номер телефону), вся його попередня історія взаємодії з брендом в анонімному режимі прив’язується до профілю. Система миттєво формує релевантні рекомендації, що приносить PUMA до +23% доходу від тригерної комунікації в перші години після появи контакту в системі.
Глобальний A/B-тест
Щоб переконатися в якості роботи нової моделі, eSputnik навесні 2026 року провів глобальний A/B-тест на 21 e-commerce-проєкті. Трафік кожного магазину розподілявся у пропорції 90/10: основна група бачила рекомендаційні блоки, контрольна — ні, а різниця вважалася чистим ефектом рекомендацій.
Результати:
-
Конверсія: +7,9% у медіані, +9,2% у середньому (лідери — до +18%); зростання зафіксовано у 19 з 21 проєкту.
-
Середній чек: +6,1% у медіані, до +15,9% у лідерів; зростання зафіксовано у 10 з 21 проєкту.
-
Ефект навіть на “холодному” трафіку: приріст конверсії виявлено навіть тоді, коли користувач переглянув лише один товар, а далі ефективність стабільно зростає зі збільшенням кількості переглядів.
Хочете дізнатися, який приріст дадуть рекомендації саме вашому каталогу? Обговоримо на безкоштовній консультації →
Прорахувати потенціал товарних рекомендацій для власного бізнесу
Чи можна реалізувати таку систему рекомендацій самостійно?
Логічне запитання: чи може бізнес розгорнути систему рекомендацій на своїй стороні? На перший погляд, схема виглядає простою — взяти open-source-бібліотеку, навчити базову модель і за три місяці запустити власний API.
Однак, реальність, яку eSputnik пройшов за понад десятиліття R&D і в яку інвестував понад €5,5 млн, значно складніша. Це низка окремих інженерних завдань:
-
нормалізація даних із численних джерел;
-
просунутий feature engineering для атрибутів товарів;
-
генерація семантичних ембедингів товарів з тексту та зображень, а не лише з простих ID;
-
власна Transformer-архітектура, адаптована під e-commerce;
-
моделювання послідовної поведінки користувача;
-
оптимізація під реальні продажі, а не лише кліки;
-
безперервне донавчання моделі та 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 інтелектуальних fallback-стратегій для edge cases.
З точки зору витрат, різниця також 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 вимагає програмістів з боку бізнесу — достатньо фіда у форматі Google Merchant, скрипта відстеження та, за потреби, додаткового налаштування подій; для Shopify, WooCommerce чи OpenCart вона проходить ще простіше.
І найголовніше для маркетолога: після інтеграції платформи, налаштування рекомендацій не потребує розробників — вибір алгоритму, сторінки розміщення блоків, їхній вигляд і дизайн задаються в зручному інтерфейсі системи, а готових алгоритмів формування добірок у системі понад 200.
Однак, найважливіше, 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 з понад 10 роками досвіду, загалом — понад 50 років.
Власний розробник, навіть досвідчений, просто не мав нагоди стикнутися з десятками edge cases, які eSputnik вже опрацював — разом із помилками, виправленнями коду та 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 допоміжний елемент, а повноцінний інструмент продажів, що працює на всіх етапах взаємодії з клієнтом: від головної сторінки сайту до кошика, мобільного застосунку та розсилок. Платформа звужує каталог до набору правильних позицій, і саме це збільшує конверсію та середній чек без необхідності залучення додаткового трафіку.
У глобальному A/B-тесті eSputnik конверсія на оновлених мультимодальних алгоритмах зросла у 19 з 21 проєкту, а бренди рівня PUMA підвищили частку замовлень з рекомендаціями з 2% до 20%. Водночас, зібрати таку систему власними силами за кілька місяців неможливо. eSputnik має за плечима понад десятиліття R&D, команду з 5 senior ML-інженерів і сотні edge-кейсів, відпрацьованих з найбільшими гравцями e-commerce України.
Тому логічніше не відтворювати цей шлях самостійно, а скористатися готовим рішенням. А найшвидший спосіб зрозуміти, які саме можливості рекомендацій дадуть результат вашому бізнесу, — безоплатна консультація з командою eSputnik, де наші експерти проаналізують ваш персональний кейс та покажуть потенціал для зростання.
Забронювати місце на консультацію з eSputnik
Источник: www.ukrinform.ua