Рекомендательная система — это часть платформы, которая подбирает товары под конкретного человека: по его просмотрам и покупкам и по выбору людей с похожим поведением. Запускают её по возрастающей: сначала подбор по атрибутам каталога, потом сбор событий, потом модель по поведению. Результат проверяют сравнением с обычной витриной, а не ощущением.
Коротко
Это модуль, который для каждого пользователя решает, какие товары показать и в каком порядке. Решение строится на двух наборах данных: каталоге и событиях, которые люди оставляют на платформе.
Отдельно стоит договориться о том, что считать удачей. Просмотр карточки и покупка — разные события с разной ценой, и модель, обученная на просмотрах, будет оптимизировать внимание, а не выручку.
Алгоритмов много, но в основе лежат три способа связать человека и товар. Выбор между ними определяется тем, чего у вас больше: описанного каталога или накопленных событий.
| Подход | Как работает | Что нужно для старта | Где ломается |
|---|---|---|---|
| Коллаборативная фильтрация | Находит людей с похожим поведением и предлагает то, что выбрали они | История событий по многим пользователям | Новые товары и новые пользователи остаются без рекомендаций |
| Контентный подход | Сравнивает атрибуты и описания товаров и предлагает похожие на просмотренные | Заполненный каталог с атрибутами | Подборка становится однообразной: одно и то же в разных обёртках |
| Гибридная модель | Сочетает оба способа и переключается между ними по ситуации | И каталог, и события | Сложнее настраивать и труднее объяснить, почему показан товар |
| Популярное в категории | Показывает то, что чаще покупают все | Только история заказов | Персонализации нет, но это рабочий запасной вариант |
На практике в одном интерфейсе работают сразу несколько: на главной — персональная подборка, в карточке — похожие товары, в корзине — дополняющие. Каждый блок решает свою задачу и считается отдельно.
Персональные модели требуют накопленной истории, и порядок величин виден по опубликованным требованиям крупных сервисов. Google для своих торговых моделей рекомендаций называет такие пороги.
Это требования конкретного сервиса, а не универсальный закон, но они показывают порядок: речь о тысячах событий и месяцах наблюдений, а не о неделе после запуска. Там же указано, что первичное обучение и настройка модели занимают от двух до пяти дней и что на придуманных данных рабочую модель не построить. Разные задачи решают разные типы моделей: похожие товары, часто покупаемые вместе, персональная подборка, повторная покупка.
Практический вывод для среднего бизнеса: начинать с контентных рекомендаций, которые работают на атрибутах каталога с первого дня, и параллельно собирать события. Когда истории накопится достаточно, поведенческая модель добавляется поверх, а не вместо.
Холодный старт — это ситуация, когда истории ещё нет, а показывать что-то нужно. Она встречается в трёх видах, и у каждого своё решение.
Совет У каждого блока рекомендаций должен быть запасной вариант на случай, когда модель ничего не вернула: популярное в категории, новинки или ручная подборка. Пустой блок на витрине выглядит как ошибка платформы и разрушает доверие к остальным подборкам.
Блоки ставят там, где человек уже выбирает, а не туда, где осталось свободное место на странице.
Умный подбор — соседняя механика: человек описывает задачу своими словами, а система переводит описание в параметры каталога и предлагает варианты. Это полезно в сложных каталогах — техника, комплектующие, медицинские услуги, — где клиент не владеет терминологией и не знает, какие фильтры ему нужны. Как устроены каталог и витрина целиком, разбираем в статьях про разработку маркетплейса и запуск интернет-магазина.
Порядок важен: каждый следующий шаг опирается на данные, собранные на предыдущем.
Шестой шаг пропускают чаще всего, и именно он отвечает на вопрос, окупилась ли работа. Без сравнения любой рост продаж можно объяснить сезоном или рекламой.
У рекомендаций есть собственные показатели, и смотреть только на выручку недостаточно: она меняется по многим причинам сразу.
Охват каталога стоит отдельного внимания. Если модель гоняет по кругу одни и те же сто позиций, продажи вырастут на них, а остальной каталог станет мёртвым грузом — вместе с деньгами, которые в нём заморожены.
Большинство неудач связано не с алгоритмом, а с тем, что вокруг него не выстроены правила.
Как только поведение привязано к аккаунту, это уже персональные данные со всеми обязанностями оператора.
Важно Закон «О персональных данных» № ЗРУ-547 относит к обработке сбор, хранение и использование таких сведений и допускает её при одном из оснований статьи 18. По статье 22 человек вправе узнать цели и способы обработки, сроки хранения и то, передавались ли данные за рубеж. Если профили пользователей уходят во внешний сервис за пределами страны, это трансграничная передача, условия которой описаны в статье 27-1 в редакции закона № ЗРУ-1125 от 26 марта 2026 года.
Техническое решение обычно простое: события копятся под обезличенным идентификатором, а имя, телефон и адрес к модели не попадают вовсе — для подбора товаров они не нужны. Это снижает и правовой риск, и ущерб от утечки.
Пользователя предупреждают, что подборка персональная. Человек должен понимать, почему видит именно эти товары, и иметь возможность посмотреть каталог без персонализации.
Отдельной услуги «рекомендательная система» с фиксированной ценой у нас нет: это часть платформы, и стоимость зависит от того, что уже построено. Ближайшие работы со страниц услуг выглядят так.
На стоимость сильнее всего влияет состояние каталога: если атрибуты не заполнены, а часть товаров отличается только фотографией, работа начинается с приведения данных в порядок. Состав работ описан на странице разработки сайтов, а форматы разбора процессов — на странице ИИ и автоматизации.
Syntra Systems начинает с каталога и событий, а не с выбора алгоритма: смотрим, чем описаны товары, что уже пишется в аналитику и где человек теряется при выборе. Первыми запускаем контентные рекомендации и запасные подборки, параллельно настраиваем сбор событий.
Поведенческую модель добавляем, когда накопленной истории хватает, и каждый блок сравниваем с витриной без персонализации. В маркетплейсе здоровья Syntra Health подборка строится под показатели человека — тот же принцип: сначала данные и правила, потом персонализация. Как похожие механики работают внутри мобильного приложения, разбираем в статье про ИИ-функции в мобильном приложении.
Обсудим вашу задачу
Расскажите, что нужно сделать, — оценим сроки и стоимость и предложим решение.
Для старта достаточно каталога с проработанными атрибутами: контентные рекомендации работают на характеристиках товаров с первого дня. Поведенческие модели требуют накопленной истории — счёт идёт на тысячи событий и месяцы наблюдений, и их добавляют поверх уже работающих блоков.
Нет. Те же механики работают в интернет-магазинах, сервисах записи, образовательных платформах и B2B-порталах — везде, где есть каталог и выбор из многих вариантов. Чем больше позиций и чем сложнее выбор, тем заметнее эффект от подбора.
Типовые вопросы по подбору он берёт на себя: отвечает сразу и не зависит от графика работы. Консультант остаётся для сложных, нестандартных и спорных случаев, а долю обращений к нему измеряют после запуска — на неё и смотрят, оценивая эффект.
Популярное в категории, куда он попал, и новинки. После первых двух-трёх действий подборка уточняется по текущей сессии, даже если человек не авторизован. Персональные блоки включают позже, когда по нему накопится история.
Разделить трафик и сравнить витрину с персонализацией и без неё по одним и тем же показателям: доля заказов с рекомендованным товаром, средний чек, охват каталога. Без такого сравнения рост продаж можно одинаково убедительно объяснить сезоном или рекламой.
Хиты продаж одинаковы для всех и считаются по общей статистике заказов. Рекомендации собираются под конкретного человека или под конкретный товар, поэтому два пользователя видят разные подборки. Хиты при этом остаются полезным запасным вариантом.
Да, для подбора товаров имя, телефон и адрес не нужны. События копят под обезличенным идентификатором, а к аккаунту привязывают только там, где это нужно для истории заказов. Такой подход уменьшает и правовые обязанности, и последствия возможной утечки.
