Покупатель приходит в интернет-магазин за конкретной покупкой — и часто спотыкается не на цене и не на бренде, а на выборе. Товаров слишком много, отличия не всегда очевидны, а времени разбираться — мало. В итоге человек ходит по каталогу, открывает карточки, сравнивает и уходит без заказа. Для бизнеса это выглядит просто: просели конверсия и выручка.
Важно договориться о терминах: в этой статье под рекомендациями товаров мы будем понимать блоки товарных рекомендаций — подборки, которые показываются в конкретных точках пути пользователя (карточка, корзина, «нет в наличии», коммуникации) и помогают выбрать или докупить.
Рекомендации товаров снимают нагрузку выбора: подсказывают, что посмотреть прямо сейчас, и влияют на ключевые показатели — глубину просмотра, конверсию и средний чек. На практике товарные рекомендации часто строятся на данных о поведении покупателей, поэтому со временем становятся точнее и полезнее. Их используют не только на сайте: подборки с товарами встраивают и в коммуникации, чтобы возвращать людей и доводить до покупки.
Какие бывают товарные рекомендации и как проверить, что они дают выручку — в статье Retail Rocket Group: https://retailrocket.ru/blog/tovarnye-rekomendacii/.
Почему большой ассортимент делает рекомендации товаров необходимыми
Когда товаров много, выбор превращается в утомительное сравнение: покупатель листает, возвращается назад, открывает карточки, но всё равно видит лишь небольшую часть каталога. Без понятной подсказки «что ещё посмотреть» он откладывает решение или уходит, так и не выбрав.
У бизнеса появляется ещё одна проблема — ручной подбор перестаёт работать. Пока ассортимент небольшой, «похожие товары» и «с этим берут» можно собрать вручную. Но уже после 100–200 позиций поддерживать такие связки тяжело, а при десятках тысяч товаров составить все сочетания вручную почти невозможно.
В этот момент рекомендации товаров становятся навигацией: рядом с тем, что человек уже смотрит, появляются похожие варианты, товары «в комплект» и альтернативы, которые есть в наличии. Такие товарные рекомендации могут поддерживать рост среднего чека, если аккуратно показывают более функциональные или более дорогие варианты. Крупные e-commerce компании давно считают рекомендации одним из заметных источников дополнительной выручки — но конкретный эффект всегда зависит от точки показа и качества измерений.
Где и какие блоки рекомендаций товаров уместны
Рекомендации товаров должны отвечать на простой вопрос: что человек пытается сделать в этом месте. На карточке он выбирает. В корзине он почти купил. Если товара нет — ему нужна замена. Поэтому и форматы должны быть разными.
Карточка товара
На карточке чаще всего работают два типа блоков:
- «Похожие товары» помогают сравнить варианты и не возвращаться в каталог.
- «С этим берут» помогает собрать комплект — докупить то, что обычно нужно вместе с основным товаром.
По сути, это частая рекомендация товара на сайте: подсказка в момент выбора, когда пользователь ещё не уверен.
Корзина
В корзине человек уже почти завершил покупку, поэтому любые альтернативы легко отвлекают. Если блок и ставится, его цель должна быть понятной: не запустить новый круг выбора, а помочь добавить действительно уместное (расходник, аксессуар, сервис). Здесь рекомендации товаров должны быть максимально «про покупку», а не «про выбор».
Нет в наличии
Когда выбранного товара нет, рекомендации товаров заменяют тупик на понятный следующий шаг. Вместо «нет в наличии» человек видит аналог, который можно купить сейчас. Иногда это может быть и более дорогая или более функциональная замена — если она логично подходит под ситуацию.
Коммуникации и офлайн-точки
Рекомендации товаров работают и вне сайта: в письмах и сообщениях, в чат-ботах, на планшетах у консультантов, на кассах и в сценариях колл-центра. Суть одна — предложить следующий релевантный товар, но контекст другой: где-то важно вернуть на сайт, где-то — помочь выбрать в момент консультации. В таких сценариях уместно говорить и шире — про системы рекомендаций товаров и услуг, когда вместе с товарами подсказываются доставка, установка, расширенная гарантия и другие сервисы.
Универсального «правильного блока» не существует: у каждой точки своя задача, и формат рекомендаций товаров должен ей соответствовать.
Как алгоритмы строят рекомендации товаров
Основа таких подсказок — поведение покупателей: что смотрели, что добавляли в корзину, что сохраняли, что покупали. Данные могут приходить из разных каналов — сайта, офлайна, мобильного приложения. Если истории по товару мало (например, он новый или редкий), в логике могут опираться и на экспертные правила.
Система рекомендации товаров может меняться «на лету»: если человек смотрит несколько товаров одной категории, выдача подстраивается под текущий интерес. Принцип похожести можно объяснить просто: один покупатель купил футболку, затем кроссовки; другой купил ту же футболку и интересовался брендом Nike — кроссовки логично показать второму.
Точность обычно растёт вместе с объёмом истории: чем больше накоплено данных, тем лучше система «понимает» закономерности выбора.
Две логики: «подобрать под человека» и «продвинуть нужное»
Слово «рекомендации товаров» часто звучит как синоним «умной персонализации», но на практике под ним могут скрываться две разные логики — и важно проговаривать это заранее.
1) «Подобрать под человека» (прогнозная логика)
Здесь блоки строятся на поведении: что человек смотрел, что покупал, что выбирали похожие пользователи. Цель — ускорить выбор и не дать потеряться в каталоге. Обычно это «похожие товары», «с этим берут» и персональные товарные рекомендации по истории действий.
2) «Продвинуть нужное» (управляемая логика)
Здесь блок работает как витрина под задачу бизнеса: продвинуть конкретный товар или категорию независимо от поведения. Крайний пример — когда к любому товару добавляют один и тот же продукт, и человек видит одинаковое предложение в разных местах.
Обе логики могут сосуществовать, но их нельзя смешивать без понимания цели: если один и тот же блок одновременно пытается персонализировать и «продавить» нужную позицию, эффект становится трудно предсказуемым.
Почему эффект нужно измерять всегда
Рекомендации товаров — не улучшение по умолчанию. Один и тот же блок может дать рост в карточке товара и навредить в корзине. Причина простая: в разных местах у пользователя разное состояние. Где-то он выбирает и рад подсказкам, а где-то уже почти купил — и любая альтернатива может увести его обратно в выбор и сорвать оплату.
Измерение нужно, чтобы отличить реальные деньги от ощущения «кажется, стало лучше». Внешне блок может выглядеть убедительно: по нему кликают, смотрят больше товаров, проводят больше времени на сайте. Но это не гарантирует рост выручки.
Поэтому сравнивают две ситуации — когда блок есть и когда его нет — на сопоставимых группах пользователей, в один и тот же период и по заранее выбранным метрикам: выручка/ценность сеанса, конверсия, средний чек, количество позиций в чеке. Практичный старт — выбрать одну точку внедрения и одну главную метрику, запустить рекомендации товаров и сравнить результат с вариантом без них.
Что продумать до внедрения
Чтобы рекомендации товаров не превратились в «красивый блок ради блока», ещё до запуска нужно договориться о базовых вещах: зачем они ставятся, как будут измеряться и какие ограничения критичны для бизнеса.
1) Цель: что именно нужно улучшить
Сначала выбирают 1–2 цели, иначе рекомендации товаров превращаются в «блок на всякий случай». Проще всего формулировать цель через метрики, которые будут измерять после запуска: конверсию в заказ, средний чек или количество позиций в чеке.
2) Гипотеза: что должно измениться
Для выбранной точки нужна короткая проверяемая гипотеза «если сделать X, изменится Y». Примеры: «показать похожие товары дороже — вырастет средний чек», «добавить “с этим берут” — вырастет количество позиций в заказе», «при отсутствии товара показать аналог — вырастет конверсия».
3) Измерение: как сравнивать “с блоком” и “без блока”
Заранее определяют метод сравнения (обычно A/B-тест или поочерёдный запуск на сопоставимых сегментах), период теста и основные метрики. Важно заранее решить, что будет главной метрикой (например, выручка/ценность сеанса), а что — диагностическими (клики, глубина просмотра). Это защищает от ситуации, когда «кликают больше», но денег становится меньше.
4) Требования к решению: что критично для бизнеса
До выбора подхода фиксируют ограничения, иначе внедрение может не «взлететь» из-за данных или нагрузки. Обычно критичны три вещи: нужно ли учитывать офлайн-продажи, нужна ли ручная настройка выдачи экспертом и выдержит ли решение большие объёмы трафика и данных.
Собственная разработка или готовое решение
Выбор обычно упирается в ресурсы: готов ли бизнес постоянно развивать свою систему или важнее быстро запустить рабочую механику. В обоих вариантах важно помнить: рекомендации товаров — это не разовая задача, а процесс, который требует поддержки.
Собственная разработка: контроль, но и ответственность
Своё решение выбирают, когда нужна гибкость: можно глубже подстроиться под данные и требования бизнеса и развивать логику так, как удобно компании. Но за контроль приходится платить ресурсами: нужна команда (обычно несколько ML-инженеров), и работа не заканчивается на «сделали и запустили». Модель придётся поддерживать, обновлять и адаптировать по мере роста ассортимента и трафика.
Готовое решение: быстрее старт
Готовые сервисы помогают начать без собственной команды, которая будет строить и поддерживать модели. Обычно они дают набор типовых блоков товарных рекомендаций для сайта (например, «похожие товары» и «с этим берут») и позволяют быстрее проверять гипотезы на реальном трафике.
На рынке есть сервис товарных рекомендаций и платформы персонализации/коммуникаций, которые закрывают разные точки (сайт, письма, push). При выборе смотрят не «на бренд», а на задачи внедрения: где именно нужны блоки (карточка, корзина, «нет в наличии», коммуникации), какие данные компания готова передавать и сколько контроля требуется бизнесу — достаточно ли стандартной логики или нужна возможность тонко управлять выдачей. В качестве примеров решений, которые встречаются в российской практике, часто рассматривают RetailRocket, REES46 и eSputnik (в зависимости от нужных каналов и сценариев).
Итог
Рекомендации товаров помогают ускорить выбор, повышать средний чек и не терять покупателя в точках вроде «нет в наличии». Но они дают результат только тогда, когда привязаны к контексту места показа и измеряются через бизнес-метрики, а не через клики. Начните с одной точки, одной гипотезы и корректного сравнения “с блоком / без блока” — и только потом масштабируйте.