eSputnik
6 статей
Знайома ситуація: покупець, що зайшов до онлайн-крамниці з наміром придбати щось, опиняється перед каталогом із тисяч товарів, гортає кілька сторінок, переглядає картки окремих продуктів — і залишає сайт. Причина не в тому, що він не знайшов бажаного, а навпаки, через надмірний вибір та неможливість зупинитися на чомусь конкретному.
Це поширене явище, і проблема зазвичай криється не в ціновій політиці чи самому вебсайті. Люди або не можуть віднайти потрібне, або взагалі не в змозі чітко сформулювати власні потреби. Згідно з дослідженням Accenture, яке охопило 19 000 споживачів з 12 країн, 73% респондентів відчувають перевантаження від надто широкого вибору, а 74% з цієї причини відмовляються від здійснення покупки. Ще 41% визнають, що прийняття рішення сьогодні є складнішим, ніж три роки тому.
Вирішення цієї проблеми полягає не в зменшенні асортименту, а в його курації: клієнту, який перебуває під впливом інформаційного перевантаження, необхідно, щоб бізнес звузив нескінченну вітрину до кількох позицій, що є для нього найбільш актуальними. У цій статті ми розглянемо, як сучасні AI-алгоритми для товарних рекомендацій забезпечують таку релевантність та як їх застосовує український бізнес.
Як працюють новітні алгоритми рекомендацій
Не всі блоки рекомендацій функціонують однаково. Фрази на кшталт “З цим товаром купують” або “Вам також сподобається” можна зустріти майже на кожному сайті, проте “під капотом” цих систем можуть ховатися принципово різні логіки. Умовно, існують три основні підходи:
Категорійний менеджер (ручне формування підбірок). Цей метод базується на людському розумінні контексту, але підбірка залишається однаковою для всіх користувачів, погано масштабується та потребує постійного ручного оновлення.Класичні рекомендаційні моделі (колаборативна фільтрація). Ці моделі виявляють зв’язки між покупками, формуючи принцип “Клієнти, які придбали X, також купують Y”. Це вже рівень автоматизації, але точність рекомендацій обмежена. Основний недолік — модель враховує лише збіги покупок, ігноруючи контекст. Вона не розуміє суті товару та не бачить послідовності дій. Наприклад, якщо клієнт переглянув кросівки, йому можуть запропонувати ще десять схожих пар, хоча, виходячи з його поведінки, він, ймовірно, формує образ і йому краще було б запропонувати штани та куртку. Крім того, для таких моделей нові товари, що не мають історії продажів, залишаються невидимими.Мультимодальна модель — найсучасніший підхід, доступний сьогодні для e-commerce. Саме такі алгоритми пропонує eSputnik, прогнозуючи вибір користувача з імовірністю близько 69%. Мультимодальна модель спирається на дві ключові здатності, які забезпечують високу точність рекомендацій:
За мультимодальною моделлю стоять дві здатності, які й роблять рекомендації точними:
Аналіз поведінки користувача як зв’язної послідовності дій, а не як набору окремих кліків. Це можна порівняти з мовою: сенс речення визначається не поодинокими словами, а зв’язками між ними. Так само система фіксує всі події сесії (від першого входу на головну сторінку до перегляду конкретних товарних карток), інтерпретує поточні дії користувача на основі попередніх кроків і прогнозує найбільш вірогідний наступний крок, зважуючи тисячі подібних траєкторій інших користувачів. У результаті користувачеві пропонується товар, який найповніше відповідає його поточній потребі.
Можливість розуміти самі товари. Побудована на архітектурі трансформерів (тій самій, що використовується в рекомендаційних системах Netflix і Spotify), ця модель аналізує не лише ідентифікатор товару, а й повний товарний фід: включаючи назву, вартість, колір, розмір, опис, наявність, історію взаємодій і навіть зображення товару. На відміну від цього, традиційні системи “бачать” лише артикул (SKU). Кожен товар представляється через його змістовне наповнення (так званий вектор — “цифровий відбиток” опису та зображення), що дозволяє порівнювати позиції за суттю, а не просто за збігом слів у назві.
Це надає дві ключові переваги: система може підбирати товари зі схожим призначенням, навіть якщо вони належать до різних категорій, і ефективно вирішує проблему “холодного старту”. Новий товар, який ще не мав жодного перегляду, отримує коректні рекомендації вже з першого дня, оскільки модель розуміє його суть завдяки опису та зображенню.
Детальніше про те, як працює технологія рекомендацій
Як український e-commerce використовує нові алгоритми рекомендацій«Фокстрот»: розумна рекатегоризація товарів
«Фокстрот» успішно вирішує завдання рекомендації комплементарних товарів з однієї категорії за допомогою інтелектуальної рекатегоризації. Раніше до категорії “Зубні щітки” потрапляли як самі щітки, так і змінні насадки до них, а також футляри для зберігання. За класичною логікою, блок “З цим товаром купують” не пропонував товари з тієї ж категорії (щоб уникнути повторної рекомендації щітки замість першої), що призводило до втрати потенційних допродажів.
Для розв’язання цієї проблеми, AI від eSputnik аналізує описи та призначення товарів, самостійно перекатегоризуючи їх. Це дозволяє пропонувати до електричної зубної щітки сумісну змінну насадку або дорожній футляр. В результаті, CTR (показник клікабельності) блоку зріс на 39%, а продажі аксесуарів збільшилися у 1,5 раза.
PUMA: омніканальне використання рекомендацій
PUMA слугує яскравим прикладом ритейлера, де рекомендаційні системи ефективно функціонують на всіх точках взаємодії з клієнтом:
Сайт. Після впровадження оновлених рекомендаційних блоків, що використовують мультимодальну модель, частка замовлень, що містять рекомендовані товари (Order Share), зросла з 2% до 20%. Це означає, що кожне п’яте замовлення включає рекомендований продукт. Показник CTR збільшився на 76%, а конверсія блоків виросла в 7 разів.
Застосунок. Для PUMA рекомендаційні блоки в мобільному застосунку продемонстрували на 10% вищу конверсію порівняно з вебсайтом.
Важливо: завдяки функціоналу SDK, система отримує повний обсяг даних про взаємодію користувачів із застосунку, що дозволяє максимально підвищити ефективність рекомендацій. Це дає змогу досягати таких самих високих показників CTR та конверсій у застосунку, як і на вебверсії магазину. Комбінація веб- та мобільного відстеження забезпечує синхронізацію рекомендацій. Таким чином, незалежно від точки контакту клієнта з брендом, рекомендації адаптуються з урахуванням усієї історії його поведінки.
Тригерні листи. Товарні рекомендації, інтегровані в автоматизовані ланцюжки листів (наприклад, сповіщення про покинутий кошик, про залишені товари в категорії, про зниження ціни на товари в кошику), забезпечують CTR на рівні 20,54% і підвищення конверсії на 10%.
Персоналізація для новостворених профілів. Як тільки платформа отримує стабільний ідентифікатор клієнта (електронну пошту, номер телефону), вся його попередня історія взаємодії з брендом, зібрана в анонімному режимі, прив’язується до нового профілю. Система негайно формує релевантні рекомендації, що дозволяє PUMA збільшити дохід від тригерних комунікацій на +23% протягом перших годин після реєстрації контакту в системі.
Глобальний A/B-тест
Для підтвердження якості роботи нової моделі, eSputnik провів у весняний період 2026 року масштабне A/B-тестування на 21 e-commerce-проєкті. Трафік кожного магазину розподілявся у співвідношенні 90/10: основна група користувачів бачила рекомендаційні блоки, тоді як контрольна група їх не отримувала. Різниця в показниках розглядалася як чистий ефект від роботи рекомендацій.
Результати тестування:
Конверсія: медіанне зростання склало +7,9%, середнє — +9,2% (у лідерів показник сягав +18%). Позитивна динаміка спостерігалася у 19 з 21 проєкту.
Середній чек: медіанне зростання становило +6,1%, у лідерів сягаючи +15,9%. Зростання відзначено у 10 з 21 проєкту.
Ефект навіть на “холодному” трафіку: приріст конверсії був зафіксований навіть тоді, коли користувач переглядав лише один товар. Подальша ефективність стабільно зростала зі збільшенням кількості переглядів.
Бажаєте дізнатися, який приріст може надати система рекомендацій саме вашому каталогу? Обговоримо це під час безкоштовної консультації →
Розрахувати потенціал товарних рекомендацій для власного бізнесу
Чи можна реалізувати подібну систему рекомендацій самостійно?
Логічне запитання: чи може бізнес самостійно розгорнути систему рекомендацій? На перший погляд, схема видається простою: взяти open-source бібліотеку, навчити базову модель і за три місяці запустити власне API.
Однак реальність, яку eSputnik пройшов за понад десятиліття R&D, інвестувавши понад €5,5 млн, значно складніша. Вона включає низку окремих інженерних завдань:
нормалізація даних із різноманітних джерел;
просунута інженерія ознак для товарних атрибутів;
генерація семантичних ембедингів товарів на основі тексту та зображень, а не лише простих ID;
розробка власної архітектури Transformer, оптимізованої для e-commerce;
моделювання послідовної поведінки користувачів;
оптимізація під реальні продажі, а не тільки під кліки;
безперервне донавчання моделі та забезпечення відповідей у реальному часі (до 300 мс);
робота з неповними та фрагментарними даними реального бізнесу: врахування “холодного старту”, сезонності, відмінностей у доступності товарів у різних регіонах, каталогів, де 30-40% асортименту оновлюється щокварталу;
впровадження інтелектуальних fallback-стратегій для вирішення нестандартних ситуацій (edge cases).
З точки зору витрат, різниця також вражаюча:
найнятий junior-розробник в штат — 6–12 місяців на впровадження, витрати від €20–50 тис., плюс подальше утримання;
команда senior-розробників — 3–6 місяців на реалізацію, вартість від €100–300 тис.;
готове рішення — 2–4 тижні до запуску, оплата за підпискою.
Інтеграція готового рішення, як правило, не потребує залучення програмістів з боку бізнесу. Достатньо надати фідо товару у форматі Google Merchant, впровадити скрипт відстеження та, за необхідності, налаштувати додаткові події. Для платформ на кшталт Shopify, WooCommerce чи OpenCart процес інтеграції ще простіший.
Що найважливіше для маркетолога: після інтеграції платформи, налаштування рекомендацій здійснюється без участі розробників. Вибір алгоритму, визначення сторінок для розміщення блоків, їхній вигляд та дизайн налаштовуються через зручний інтерфейс системи. Наразі система пропонує понад 200 готових алгоритмів для формування товарних підбірок.
Однак, навіть маючи значний бюджет, неможливо отримати те, що надається накопиченим досвідом. За алгоритмами eSputnik стоїть команда, що спеціалізується виключно на рекомендаційних системах: 5 senior ML-інженерів, кожен з яких має понад 10 років досвіду, що в сумі становить понад 50 років.
Власний розробник, навіть дуже досвідчений, просто не матиме нагоди стикнутися з десятками специфічних ситуацій (edge cases), які вже були опрацьовані eSputnik, включаючи виправлення помилок, оптимізацію коду та усунення вузьких місць у продукті. Тому, обираючи готове рішення, бізнес отримує не тільки відшліфований інструмент, а й десятиліття експертизи.
Отримати готове рішення
Висновки
Персоналізовані товарні рекомендації перестали бути другорядним елементом і перетворилися на повноцінний інструмент продажів, ефективний на всіх етапах взаємодії з клієнтом: від головної сторінки вебсайту до мобільного застосунку та email-розсилок. Платформа допомагає звузити асортимент до найрелевантніших позицій, що, своєю чергою, підвищує конверсію та середній чек без необхідності залучення додаткового трафіку.
За результатами глобального A/B-тестування, проведеного eSputnik, конверсія при використанні оновлених мультимодальних алгоритмів зросла у 19 з 21 тестованого проєкту. Такі бренди, як PUMA, змогли збільшити частку замовлень, сформованих завдяки рекомендаціям, з 2% до 20%. Водночас, створення подібної системи власними силами за кілька місяців є неможливим. eSputnik базується на понад десятиліттях R&D, команді з 5 senior ML-інженерів та досвіді вирішення сотень специфічних завдань для провідних гравців українського e-commerce.
Тому логічніше не відтворювати цей складний шлях самостійно, а скористатися вже готовим рішенням. Найшвидший спосіб зрозуміти, які саме можливості рекомендацій принесуть користь вашому бізнесу, — це безкоштовна консультація з командою eSputnik. Наші експерти детально проаналізують ваш індивідуальний кейс та окреслять потенціал для зростання.
Забронювати місце на консультацію з eSputnik