Определение
Product Recommendation (рекомендация товаров) — это механизм персонализированной выдачи товаров, который на основе поведения пользователя (просмотры, клики, добавления в корзину, покупки, поисковые запросы) предлагает релевантные позиции в нужный момент. В DTC- и e-commerce-контексте это ключевой инструмент cross-sell и up-sell, напрямую влияющий на средний чек (AOV) и конверсию в дополнительную покупку.
Простыми словами: вы показываете клиенту не то, что хотите продать, а то, что он с высокой вероятностью купит *сейчас* — на основе его собственного поведения и поведения похожих пользователей.
Аналогия
Представьте опытного продавца в офлайн-магазине. Клиент берёт кофемолку — продавец тут же говорит: «К этой модели чаще берут вот эти зёрна, и ещё есть скидка на фильтры». Он не перечисляет весь ассортимент, а достраивает корзину на основе того, что уже в руках у покупателя.
Product Recommendation — это тот же продавец, только алгоритмический и работающий на миллионах сессий одновременно. Разница в том, что алгоритм не устаёт, не ошибается от эмоций и масштабируется мгновенно.
Формула
Базовая модель collaborative filtering (user-based):
score(u, i) = Σ [ sim(u, v) × r(v, i) ] / Σ sim(u, v)
Где:
- u — целевой пользователь
- i — товар-кандидат
- v — пользователи, похожие на u
- sim(u, v) — косинусное сходство между векторами поведения
- r(v, i) — оценка/факт взаимодействия пользователя v с товаром i
Для гибридных систем (самый рабочий вариант в DTC) добавляют контентные признаки:
final_score = w1 × CF_score + w2 × content_score + w3 × popularity_score + w4 × recency_boost
Типичные веса в продакшене: w1 = 0.4, w2 = 0.3, w3 = 0.2, w4 = 0.1 — но их обязательно калибруют под конкретную вертикаль.
Сравнение типов рекомендаций
| Тип | Как работает | Где показывать | Типичный uplift AOV | Сложность внедрения |
|---|---|---|---|---|
| **Popularity-based** | Топ продаж за период | Главная, категория | +3–5% | Низкая |
| **Content-based** | Похожие по атрибутам | Карточка товара | +6–9% | Средняя |
| **Collaborative filtering** | «С этим покупают» | Корзина, чекаут | +10–15% | Высокая |
| **Session-based (RNN/трансформеры)** | По текущей сессии | Все точки | +12–18% | Очень высокая |
| **Гибридная** | Комбинация всего | Везде | +15–22% | Высокая |
По данным внутренних бенчмарков DTC-брендов в сегменте fashion/beauty, внедрение гибридной системы на карточке товара и в корзине даёт рост AOV на **14–19%** в первые 90 дней.
Сценарии применения
1. Карточка товара — блок «С этим также покупают»
Классический cross-sell. Показывает 4–6 позиций. Конверсия в дополнительный товар: 8–12% при правильной релевантности.
2. Корзина — «Дополните заказ»
Здесь работает правило «недорогой комплемент»: аксессуары, расходники, подарочная упаковка. Средний дополнительный чек: +7–11%.
3. Email/Telegram-рассылка — «Персонально для вас»
Реактивация спящих клиентов. CTR таких писем в 2–3 раза выше, чем у массовых.
4. Главная страница — «Рекомендуем на основе ваших интересов»
Для авторизованных пользователей. Увеличивает глубину сессии на 1.8–2.4 страницы.
5. Пост-покупка — «Не забудьте докупить»
Через 3–7 дней после доставки. Хорошо работает для расходников и FMCG.
Частые ошибки
Ошибка 1. Рекомендовать то, что уже куплено
Клиент купил кофемашину — не показывайте ему ту же кофемашину. Исключайте купленные SKU из выдачи минимум на 30–60 дней.
Ошибка 2. Холодный старт без fallback
Новый пользователь без истории → показывайте популярное и трендовое, а не пустой блок. Пустой блок = потерянный трафик.
Ошибка 3. Игнорирование маржинальности
Алгоритм оптимизирует конверсию, но не прибыль. Добавляйте business-rule: приоритет товарам с маржой выше 35%.
Ошибка 4. Слишком много рекомендаций
Больше 8 позиций снижает CTR. Оптимум для десктопа — 4–6, для мобильных — 3–4.
Ошибка 5. Нет A/B-теста
Никогда не выкатывайте рекомендации на 100% трафика. Тестируйте на 10–20%, замеряйте AOV, CR, revenue per session.
Ошибка 6. Статичные рекомендации
Пользователь смотрел кроссовки неделю назад — уже неактуально. Обновляйте выдачу минимум раз в сессию, лучше — в реальном времени.
Связанные термины
- Cross-sell — продажа сопутствующих товаров
- Up-sell — продажа более дорогой версии
- AOV (Average Order Value) — средний чек
- Collaborative Filtering — коллаборативная фильтрация
- Session-based Recommendation — рекомендации на основе текущей сессии
- Personalization Engine — движок персонализации
- RFM-анализ — сегментация по давности, частоте, сумме покупок
- Conversion Rate (CR) — конверсия в покупку