18 серпня, 2026, 11:00 0
eSputnik
6 статей
Часто трапляється, що покупець, який завітав до магазину з чітким наміром зробити покупку, стикається з каталогом, що налічує тисячі товарів. Він гортає декілька сторінок, переглядає картки окремих позицій — і зрештою покидає сайт. Причина не в тому, що він не знайшов нічого відповідного, а навпаки — вибір виявився надто широким, що унеможливило прийняття рішення.
Це поширене явище, і проблема зазвичай полягає не в ціні чи функціоналі самого сайту. Люди або не можуть знайти те, що їм потрібно, або ж взагалі не в змозі чітко сформулювати свої бажання. Згідно з дослідженням Accenture, проведеним серед 19 000 споживачів у 12 країнах, 73% опитаних відчувають перевантаженість надмірним вибором, а 74% через це взагалі відмовляються від покупки. Ще 41% визнають, що ухвалювати рішення сьогодні складніше, ніж три роки тому.
Рішенням є не скорочення асортименту, а курація контенту: перевантаженому клієнту потрібно, щоб бізнес звузив безкінечну вітрину до кількох позицій, які будуть йому максимально релевантними. У цій статті ми розглянемо, як сучасні AI-алгоритми товарних рекомендацій досягають такої релевантності та як їх використовує український бізнес.
Принцип роботи сучасних алгоритмів рекомендацій
Не всі блоки рекомендацій функціонують однаково. Фрази на кшталт «З цим товаром купують» або «Вам також сподобається» можна побачити практично на кожному сайті, проте логіка, що стоїть за ними, може суттєво відрізнятися. Умовно, підходи можна згрупувати в три основні категорії:
- Кураторський підхід (ручний відбір). Хоча людина розуміє контекст, такий відбір є однаковим для всіх користувачів, погано масштабується і потребує постійного ручного оновлення.
- Класичні рекомендаційні моделі (колаборативна фільтрація). Ці моделі виявляють взаємозв’язки між покупками: «Клієнти, які придбали X, також купують Y». Це вже певний рівень автоматизації, але точність таких рекомендацій обмежена. Головний недолік — модель враховує лише збіги покупок, а не контекст. Вона не розуміє суті товару і не бачить послідовності дій: якщо клієнт переглянув кросівки, йому запропонують ще десять схожих пар, хоча його поведінка може свідчити про те, що він формує образ і йому краще було б запропонувати штани та куртку. До того ж, нові товари без історії продажів для такої моделі є невидимими.
- Мультимодальна модель — найсучасніший підхід, доступний сьогодні в e-commerce. Саме такі алгоритми пропонує eSputnik, прогнозуючи вибір користувача з точністю близько 69%. В основі мультимодальної моделі лежать дві ключові здатності, що забезпечують високу релевантність рекомендацій:
В основі мультимодальної моделі лежать дві ключові здатності, що забезпечують високу релевантність рекомендацій:
-
-
Аналіз поведінки користувача як зв’язної послідовності, а не сукупності ізольованих дій. Це схоже на мову, де сенс речення визначається не окремими словами, а зв’язками між ними. Система аналізує всі події сесії (від відвідування головної сторінки до перегляду конкретних товарів), інтерпретує поточні дії користувача на основі його попередніх кроків і прогнозує найімовірніший наступний крок, порівнюючи його з тисячами схожих траєкторій інших користувачів. Рекомендовані товари відповідають найвищій ймовірності потреби клієнта.
-
Розуміння самих товарів. Модель, побудована на основі Transformer-архітектури (тієї ж, що використовується в рекомендаціях Netflix та Spotify), аналізує не лише ідентифікатори товарів, а й повний товарний фід: назву, ціну, колір, розмір, опис, наявність, історію переглядів і навіть зображення. Традиційні системи, натомість, «бачать» лише артикул (SKU). Кожен товар представляється через його змістовне наповнення (так званий вектор — «цифровий відбиток» опису та зображення), що дозволяє порівнювати позиції за їхньою суттю, а не лише за збігом слів у назві.
-
Це надає дві ключові переваги: система підбирає взаємодоповнюючі товари, навіть якщо вони належать до різних категорій, і вирішує проблему «холодного старту» — новий товар, який ще ніхто не переглядав, коректно рекомендується вже з першого дня, оскільки модель розуміє його суть завдяки опису та зображенню.
Більше деталей про технологію рекомендацій
Використання сучасних алгоритмів рекомендацій в українському e-commerce
«Фокстрот»: інтелектуальна рекатегоризація товарів
«Фокстрот» вирішує проблему рекомендації комплементарних товарів у межах однієї категорії шляхом інтелектуальної рекатегоризації. Раніше до категорії «Зубні щітки» потрапляли як самі щітки, так і змінні насадки до них, а також футляри. За класичною логікою, блок «З цим товаром купують» не пропонував позиції з тієї ж категорії (щоб не рекомендувати другу щітку замість першої), що призводило до втрати очевидних можливостей для допродажу.
Для вирішення цієї проблеми AI від eSputnik аналізує описи та призначення товарів і самостійно їх рекатегоризує. Це дозволяє пропонувати до електричної щітки сумісну змінну насадку або дорожній футляр. В результаті показник CTR для цього блоку зріс на 39%, а продажі аксесуарів збільшилися в 1,5 раза.
PUMA: омніканальне застосування рекомендацій
PUMA є яскравим прикладом ритейлера, де рекомендації працюють наскрізно:
-
Веб-сайт. Після оновлення рекомендаційних блоків із використанням мультимодальної моделі частка замовлень, що містять рекомендовані товари (Order Share), зросла з 2% до 20% — кожне п’яте замовлення включає товар з рекомендацій. CTR збільшився на 76%, а конверсія блоків зросла в 7 разів.
-
Мобільний додаток. Рекомендаційні блоки в мобільному додатку PUMA продемонстрували на 10% вищу конверсію, ніж на веб-сайті.
Важливо: завдяки можливостям SDK система отримує повний обсяг даних користувачів із мобільного додатка, що дозволяє максимізувати ефективність рекомендацій. Це забезпечує такі ж високі показники CTR та конверсій, як і у веб-версії магазину. Поєднання веб- та мобільного відстеження дозволяє синхронізувати рекомендації. Таким чином, незалежно від точки взаємодії клієнта з брендом, рекомендації адаптуються з урахуванням усієї історії його поведінки.
-
Тригерні листи. Товарні рекомендації в автоматизованих ланцюжках (наприклад, покинутий кошик, покинута категорія, зниження ціни на товари в кошику) забезпечують CTR 20,54% та збільшення конверсії на +10%.
-
Персоналізація для нових профілів. Як тільки платформа отримує стабільний ідентифікатор клієнта (email, номер телефону), вся його попередня історія взаємодії з брендом в анонімному режимі прив’язується до профілю. Система негайно формує релевантні рекомендації, що приносить PUMA до +23% доходу від тригерної комунікації в перші години після появи контакту в системі.
Загальнонаціональний A/B-тест
Щоб підтвердити якість роботи нової моделі, eSputnik навесні 2026 року провів масштабний A/B-тест на 21 e-commerce-проєкті. Трафік кожного магазину було розподілено у співвідношенні 90/10: основна група отримувала рекомендаційні блоки, тоді як контрольна група їх не бачила. Різниця між групами розглядалася як чистий ефект від рекомендацій.
Результати:
-
Конверсія: +7,9% у медіані, +9,2% у середньому (лідери показували приріст до +18%); зростання зафіксовано у 19 з 21 проєкту.
-
Середній чек: +6,1% у медіані, до +15,9% у лідерів; зростання спостерігалося 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.
Хочете дізнатися, який приріст можуть дати рекомендації саме вашому каталогу? Давайте обговоримо це під час безкоштовної консультації →
Розрахувати потенціал товарних рекомендацій для власного бізнесу
Чи можливо самостійно реалізувати таку систему рекомендацій?
Закономірне запитання: чи може бізнес розгорнути рекомендаційну систему власними силами? На перший погляд, схема проста: 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. Це низка специфічних інженерних завдань:
-
Нормалізація даних із численних джерел.
-
Просунутий feature engineering для атрибутів товарів.
-
Генерація семантичних ембедингів товарів із тексту та зображень, а не лише з простих ID.
-
Розробка власної Transformer-архітектури, оптимізованої для e-commerce.
-
Моделювання послідовної поведінки користувача.
-
Оптимізація під реальні продажі, а не лише під кліки.
-
Безперервне донавчання моделі та надання відповідей у реальному часі (до 300 мс).
-
Робота з неповними та фрагментарними даними реального бізнесу: врахування «холодного старту», сезонності, різної регіональної доступності, а також каталогів, де 30-40% асортименту оновлюється щокварталу.
-
Застосування розумних fallback-стратегій для нестандартних ситуацій (edge cases).
Різниця у вартості також показова:
-
Junior-розробник in-house — 6-12 місяців на впровадження, €20-50 тис. плюс подальше обслуговування;
-
Команда senior-розробників — 3-6 місяців, €100-300 тис.;
-
Готове рішення — 2-4 тижні до запуску, вартість за підпискою.
Сама інтеграція переважно не потребує залучення програмістів з боку бізнесу — достатньо надати фід у форматі Google Merchant, скрипт відстеження та, за необхідності, додатково налаштувати події. Для платформ на кшталт Shopify, WooCommerce чи OpenCart процес проходить ще простіше.
І найголовніше для маркетолога: після інтеграції платформи налаштування рекомендацій не потребує участі розробників. Вибір алгоритму, сторінки для розміщення блоків, їхній вигляд та дизайн визначаються у зручному інтерфейсі системи. Система пропонує понад 200 готових алгоритмів для формування добірок.
Але найважливіше, чого неможливо отримати навіть зі значним бюджетом, — це накопичений досвід. За алгоритмами eSputnik стоїть команда, що спеціалізується виключно на рекомендаційних системах: 5 senior ML-інженерів, кожен з яких має понад 10 років досвіду, сумарно — понад 50 років.
Власний розробник, навіть дуже досвідчений, просто не мав нагоди зіткнутися з десятками нестандартних ситуацій (edge cases), які eSputnik вже успішно вирішив, включно з виправленням помилок, оптимізацією коду та усуненням вузьких місць у продукті. Тому, обираючи готове рішення, бізнес отримує не лише відшліфований інструмент, а й десятиліття експертизи.
Отримати готове рішення
Висновки
Персоналізовані товарні рекомендації — це вже не другорядний елемент, а повноцінний інструмент продажів, що ефективно працює на всьому шляху клієнта: від головної сторінки сайту до кошика, мобільного додатка та email-розсилок. Платформа допомагає звузити каталог до найбільш релевантних позицій, що, своєю чергою, підвищує конверсію та середній чек без необхідності залучення додаткового трафіку.
За результатами глобального A/B-тесту eSputnik, конверсія з використанням оновлених мультимодальних алгоритмів зросла у 19 з 21 проєкту, а такі бренди, як PUMA, збільшили частку замовлень з рекомендаціями з 2% до 20%. Водночас, створення подібної системи власними силами за кілька місяців є нереалістичним. За платформою eSputnik стоять понад десять років R&D, команда з 5 senior ML-інженерів та досвід вирішення сотень нестандартних завдань з найбільшими гравцями українського e-commerce.
Тому логічніше не намагатися пройти цей шлях самостійно, а скористатися готовим рішенням. Найшвидший спосіб зрозуміти, які саме можливості рекомендацій принесуть результат вашому бізнесу, — це безкоштовна консультація з командою eSputnik. Наші експерти проаналізують ваш індивідуальний кейс та продемонструють потенціал для зростання.
Забронювати консультацію з eSputnik