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.
Имя, телефон и адрес для подбора товаров не нужны вовсе. События копят под обезличенным идентификатором, а к аккаунту привязывают только там, где это нужно для истории заказов. Так меньше и правовых обязанностей, и ущерба, если данные утекут.
