Персональные рекомендации в e-commerce: как выжать максимум из «вам также может понравиться»

Почему маркетологу стоит всерьёз заняться рекомендациями, а не только креативами

Реальность такая: хорошая рекомендательная система в e‑commerce уже давно не «фича для больших», а нормальная часть воронки. По данным McKinsey и профильных обзоров, персонализация и персональные рекомендации товаров дают в среднем плюс 10–30% к выручке и заметный рост конверсии по сравнению с «одинаковым» опытом для всех.

Если смотреть на это трезво, мы часто заливаем бюджет в перформанс‑кампании, а потом сливаем часть эффекта на этапе выбора: каталог огромный, карточки типовые, блок «вам также может понравиться» живёт своей жизнью. В проектах, где мы действительно занимались алгоритмами рекомендаций в магазине — распределяли сценарии по точкам контакта, чистили логику перекрёстных рекомендаций и следили за метриками, — нормальная история: плюс 5–15% к CR выбранных сегментов и рост среднего чека на 10–20% за счёт аккуратного cross‑sell и upsell.

Что мы вообще называем рекомендательной системой в e‑commerce

Чтобы не скатываться в академию, давайте договоримся о терминах на уровне маркетолога, а не дата‑саентиста.

Ключевые элементы

• Рекомендательные системы e‑commerce
  Набор алгоритмов и правил, которые решают, какой товар показать конкретному пользователю в конкретный момент — на витрине, в карточке, корзине, письме или push.
• Персональные рекомендации товаров
  Когда магазин подбирает подборку не просто по категории, а с учётом поведения конкретного пользователя: просмотренное, купленное, добавленное в избранное, реакция на промо и т.п.
• Блок «вам также может понравиться»
  Самый узнаваемый виджет, который обычно висит в карточке товара или под корзиной и даёт перекрёстные рекомендации (cross‑sell) или похожие товары.
• Персональная витрина магазина
  Когда главная, раздел «Рекомендуем» или отдельная лента формируются не «по бренду», а под конкретного пользователя: истории просмотров, покупок, интересов и текущего контекста (устройство, время, кампания).

На практике рекомендательная система — это не одна «магическая нейросетка», а комбинация простых правил, базовых моделей (часто built‑in в движок или маркетинговую платформу) и их внятной настройки под цели: CR, AOV, LTV, оборачиваемость склада.

Какого эффекта можно ждать в цифрах, если всё сделать без фанатизма

Давайте честно: обещания «+50% к выручке за месяц» стоит пропускать через фильтр. Вот диапазоны, которые сейчас выглядят реалистично по данным обзоров и кейсам.

Ориентиры по влиянию рекомендаций

Метрика	Реалистичный диапазон эффекта при нормальной реализации	Источник/комментарий
Конверсия в покупку (CR)	+5–15% относительно базового уровня	Персонализация и рекомендации дают +10–30% к CR
Средний чек (AOV)	+10–30% за счёт upsell/cross‑sell	По данным обзоров по AOV и upsell статистике
Выручка с пользователя (LTV)	+5–20% за год	Лояльность и частота повторных заказов растут
Доля заказов с рекомендациями	20–40% заказов включают хотя бы один рекомендованный товар	По отчётам платформ по внедрённым рекомендациям

Это усреднённые ориентиры, не строгие нормативы: в fashion и digital‑товарах эффект чаще выше, в низкомаржинальных нишах с узким ассортиментом — скромнее. Но если после внедрения рекомендаций вы видите прирост CR/среднего чека в пределах ошибки, скорее всего, у вас либо «декоративные» блоки без логики, либо конфликт целей (например, алгоритм пушит складской неликвид, который людям по факту не нужен).

Какие бывают алгоритмы рекомендаций и чем они полезны маркетологу

Без формул, только то, что реально помогает на уровне гипотез и ТЗ.

Простые правила (rule‑based)

• «Похожие товары» по категории/цене/бренду.
• «С этим часто покупают» по связям в заказах (перекрёстные рекомендации).
• Ручные подборки: «хиты недели», «новинки», «распродажа».

Это дешёвый и быстрый вход: можно собрать блок «вам также может понравиться» даже без сложного движка, но нужно понимать, что такие алгоритмы плохо учитывают поведение конкретного пользователя.

Коллаборативная фильтрация («пользователи, похожие на вас, покупали…»)

Алгоритмы смотрят на поведение многих пользователей (просмотры, покупки, корзины) и находят паттерны: какие товары часто смотрят/берут вместе. Это основа перекрёстных рекомендаций и персональных подборок «на основе вашей активности», которые хорошо работают на больших каталогах.

Контент‑базированные рекомендации

Фокус на свойствах товара: категория, бренд, характеристики, текст описания. Если пользователь смотрит водонепроницаемый рюкзак 25 л, алгоритм покажет другие рюкзаки со схожими параметрами, даже если пока нет большой истории совместных покупок.

Гибридные модели и ИИ‑подходы

На практике чаще всего используются гибриды: коллаборативная фильтрация + контент + дополнительные сигналы (устройство, время, реакция на прошлые рекомендации). Современные ИИ‑модели (в том числе на базе трансформеров) умеют давать более точные рекомендации и существенный uplift конверсии в отдельных сценариях, но требуют данных и масштаба.

С точки зрения маркетолога важно не столько название алгоритма, сколько ответ на вопросы: «что алгоритм оптимизирует?» и «какие данные он реально учитывает?» — под это вы уже строите гипотезы, эксперименты и бизнес‑ограничения.

Где в воронке e‑commerce имеет смысл ставить рекомендации

Если смотреть на реальный путь пользователя, то рецепта «ставим один блок в карточку и успокаиваемся» просто нет.

Ключевые точки для рекомендаций

• Главная и персональная витрина магазина
  Показываем персональную витрину и подборки: недавние просмотры, продолжение покупок, актуальные категории под поведение (например, детские товары после недавних заказов для ребёнка).
• Категорийные страницы
  Помогаем сузить выбор: «популярное среди таких же клиентов», «выбрано для вас в этой категории», комбинируем правила и поведение пользователя.
• Карточка товара
  Здесь классические сценарии:
  • блок «похожие товары» (альтернативы);
  • перекрёстные рекомендации «с этим покупают»;
  • персональные рекомендации товаров, основанные на истории просмотров и интересах.
• Корзина и чекаут
  На этом этапе лучше всего работают аккуратные перекрёстные рекомендации: аксессуары, доп. расходники, расширенные гарантии — но без агрессивного навязывания, чтобы не увеличивать отвлечение и брошенные корзины.
• Пост‑покупка: письма, push, личный кабинет
  Повторные покупки, допродажи, персональные подборки по истории заказов и срокам использования (докупки, расходники, связанные категории).

В реальных проектах хороший тест: если у вас персональные рекомендации товаров живут только в блоке «вам также может понравиться» на карточке и больше нигде, вы почти наверняка недобираете выручку и LTV.

Мини‑чек‑лист: с чего начать внедрение рекомендаций

Здесь без кода, только то, что можно делать руками и с подрядчиками.

1. Определитесь с целями и метриками

• Что вы хотите «поднять» в первую очередь: конверсию, средний чек, долю повторных заказов, выкуп конкретных категорий или распродажу хвостов склада.
• Какие базовые метрики будете отслеживать: CR по точкам, CTR рекомендательных блоков, AOV, долю заказов с рекомендованными товарами, вклад в выручку.

2. Разберите текущие сценарии рекомендаций

• Где уже стоят блоки: главная, категории, карточка, корзина, чекаут, письма.
• Какие алгоритмы реально используются: «лучшие продажи», «новинки», ручные подборки или уже есть персонализация.
• Есть ли запрещённые сценарии (например, не показывать товары из другой температуры цен или несовместимые категории).

3. Выберите несколько приоритетных точек и сценариев

Не надо пытаться переделать всё сразу. На практике чаще всего быстрый эффект дают:

• блок «с этим покупают» в карточке и корзине — перекрёстные рекомендации с привязкой к корзине и истории похожих пользователей;
• персональная витрина магазина на главной или в личном кабинете;
• рекомендательные блоки в триггерных письмах (брошенная корзина, просмотр категории).

4. Настройте базовые ограничения и «правила здравого смысла»

• Не показывать товары, которых нет в наличии или с плохим рейтингом/частыми возвратами.
• Согласовать ценовой коридор для cross‑sell: дополняющие товары не должны радикально «раздувать» чек, если цель — конверсия, а не только AOV.
• Ограничить показ слишком навязчивых апсейлов в чекауте, чтобы не сбивать пользователя с пути к оплате.

5. Запустите А/Б‑тесты и следите за uplift, а не только за CTR

Будем говорить по‑честному: красивые CTR на блоке рекомендаций не всегда означают рост выручки — иногда люди просто «гуляют» по сайту. Смотрите на:

• изменение CR на шаге, где появился блок;
• влияние на средний чек;
• изменения в доле брошенных корзин и времени до покупки.

Типичные ошибки при работе с рекомендательными системами и что делать вместо

Ошибка 1. «Пихаем всё подряд, лишь бы больше показать»

Когда блок «вам также может понравиться» показывает рандомную мешанину товаров из разных категорий, пользователь воспринимает это как шум. Вместо этого:

• чётко разделяйте блоки по роли: «альтернативы», «с этим покупают», «для вас»;
• контролируйте релевантность: не смешивайте товары для разных аудиторий (например, взрослые/детские).

Ошибка 2. Оптимизация только под AOV

Если алгоритмы рекомендаций в магазине заточены исключительно на рост среднего чека, они часто начинают продавливать дорогие, но неочевидные товары. Итог — локальный рост AOV, но просадка CR и накопленная раздражённость клиентов. Лучше:

• балансировать несколько целей: конверсия, AOV, оборачиваемость, LTV;
• для разных точек применять разную стратегию: в карточке — больше про конверсию и релевантность, в корзине — аккуратный cross‑sell, в письмах — апсейл и LTV.

Ошибка 3. Отсутствие контроля качества контента

Даже лучший алгоритм не спасёт, если карточки товаров пустые, фото слабые, описания сделаны «для отчёта». Рекомендательная система в e‑commerce усиливает то, что есть: если контент хромает, она просто быстрее разносит по аудитории слабые карточки. Здесь рецепт простой: сначала базовый порядок в карточках, потом — агрессивные сценарии рекомендаций.

Ошибка 4. Один сценарий «на всех и всегда»

То, что работает для постоянных клиентов, часто плохо заходит на холодном трафике. Для новых пользователей разумно использовать смесь бестселлеров, контент‑базированных рекомендаций и лёгкой персонализации по первой сессии; для лояльных — больший упор на историю покупок и интересы, персональную витрину и триггерные рекомендации.

Мини‑кейсы из практики

Кейc 1. Fashion‑магазин: аккуратный cross‑sell вместо «витрины всего»

Ситуация: интернет‑магазин одежды, блок «вам также может понравиться» в карточке и корзине показывает в основном бестселлеры по категории. Рекомендации есть, но CR и AOV почти не отличаются от периода до внедрения.

Что сделали:

• разделили блоки: в карточке оставили «похожие товары», в корзине — только перекрёстные рекомендации «с этим берут» (аксессуары, обувь, уход);
• ограничили ценовой коридор для cross‑sell (дополняющие товары не дороже 30–40% от стоимости основного);
• убрали из рекомендаций модели с высоким возвратом и рейтингом ниже заданного порога.

Результат: рост средней стоимости заказа на 12–18% и лёгкий uplift CR (на 3–5% относительно контрольной группы) без увеличения рекламных расходов, по данным внутренних отчётов и общим бенчмаркам по AOV‑uplift.

Кейc 2. Товары для дома: персональная витрина и повторные продажи

Ситуация: крупный e‑commerce по товарам для дома, сильный каталог, но слабая доля повторных покупок. Рекомендации используются только в карточках.

Что сделали:

• добавили персональную витрину магазина на главной и в личном кабинете: недавние просмотры, продолжение категорий, персональные подборки по интересам;
• пересобрали рекомендательные блоки в триггерных письмах (browsing, post‑purchase) на основе истории покупок и срока жизни товара;
• ввели ограничение на показ слишком широких категорий — акцент на дополняющих и повторных товарах.

Результат: рост доли заказов, в которых есть хотя бы один рекомендованный товар, до ~30–35%, плюс 10–15% к выручке от повторных покупок за полгода относительно базового периода, что вполне укладывается в типичный эффект персонализации.

Как подступиться к рекомендательной системе, если вы маркетолог, а не разработчик

Чтобы не превратить проект в бесконечную «внедряем ИИ», можно идти короткими итерациями.

1. Сформулируйте бизнес‑цели
   Определите, что вы хотите улучшить в ближайшие 2–3 месяца: CR, AOV, выручку по конкретной категории, долю заказов с более чем одним товаром.
2. Нарисуйте карту точек рекомендаций в текущей воронке
   Занесите в таблицу все точки, где сейчас есть или могут быть рекомендации: главная, категории, карточка, корзина, чекаут, письма, push, личный кабинет.
3. Выберите 2–3 наиболее перспективные точки и сценария
   Например, перекрёстные рекомендации в корзине, персональная витрина и блок «вам также может понравиться» в карточке под CR.
4. Настройте простую аналитику и эксперименты
   Зафиксируйте базовые показатели (CR, AOV, CTR блоков) и запустите А/Б‑тесты хотя бы на уровне «есть блок / нет блока» или «простые правила / персональная логика».
5. Регулярно пересматривайте правила и ассортименты
   Рекомендательные системы не бывают «настроил и забыл»: меняется ассортимент, цены, промо, поведение клиентов. Раз в 1–3 месяца пересматривайте ограничения, списки исключений и приоритеты категорий.

 

Если назвать вещи своими именами, рекомендательные системы e‑commerce в 2026 году — это не про «сделать ИИ на сайте», а про то, чтобы на каждом шаге пользователь видел действительно уместные персональные рекомендации товаров, а не случайные подборки из каталога. И тут у маркетолога много рычагов — от постановки целей и правил до проверки гипотез и оценки uplift в цифрах.