На отраслевых конференциях директора по интернет-продажам крупных сетей говорят одно: ИИ-рекомендации — стандарт, без них нельзя. А в чатах между собой обсуждают другое: откатили нейронку, потому что лояльность клиентов просела. Между этими двумя фразами проходит граница, о которой публично не говорят: в одних нишах умные рекомендации дают 20–30% к чеку, в других — отток постоянных клиентов.
Разбираем, когда ИИ-рекомендации приносят выручку в ритейле, когда бьют по бренду и как понять, на какой вы стороне.
Чем ИИ-рекомендации отличаются от привычных алгоритмов
Рекомендательные блоки в ритейле существовали и до нейросетей. «С этим товаром покупают», «топ продаж», «новинки недели», сегментация клиентов на 5–10 групп для рассылок — это правила и статистика, которые маркетолог настраивает руками. Логика простая. Товар А часто шел в одной корзине с товаром Б. Значит, покажем товар Б всем, кто положил товар А. Без учета того, кто именно положил.
ИИ устроен иначе.
Сотни признаков вместо пяти. Классический алгоритм опирается на 3–5 параметров: категория, цена, история покупок в крупных сегментах. Нейросеть учитывает одновременно сотни сигналов: историю просмотров за полгода, время суток, девайс, погоду, длительность сессии, что лежит в корзине прямо сейчас, что покупали похожие покупатели.
Персонализация на уровне человека. Правила работают по группам: «женщины 25–35, средний чек 3 тыс ₽». ИИ строит отдельный профиль на каждого клиента и обновляет его после новых действий пользователя.
Адаптация в реальном времени. Маркетолог переписывает правила, по которым работает система рекомендаций, раз в квартал. Нейросеть переобучается на новых данных автоматически. Если в категории резко вырос спрос на конкретный товар, выдача среагирует моментально.
Старые правила свое отработали — больше из них не выжать. ИИ идет дальше: он замечает то, что даже хороший маркетолог едва ли бы заметил, и предлагает товар именно тогда, когда покупатель к этому готов.
Почему ИИ-рекомендации стали стандартом в крупном ритейле
За пару лет рекомендательные системы перестали быть конкурентным преимуществом и стали базой. Совпали одновременно три условия.
Условие 1. Технологии подешевели. Появились доступные платформы машинного обучения — Яндекс DataSphere, VK Cloud ML, отечественные движки и готовые модули под витрины маркетплейсов. Внедрение стоит уже как нормальный ИТ-проект: средняя торговая сеть может позволить себе пилот без отдельного раунда инвестиций.
Условие 2. Покупатель привык видеть советы нейросетей. Wildberries и Ozon приучили покупателя видеть блок «Вам также понравится» в каждой карточке. Если его нет, пользователь воспринимает это как недоработку сайта. Магазин без рекомендаций выглядит устаревшим, даже если по ассортименту, дизайну и цене он сильнее конкурента.
Условие 3. Совет директоров по-прежнему верит цифрам. По публичным заявлениям маркетплейсов и крупных сетей грамотно настроенная рекомендательная система в ритейле дает 15–30% к среднему чеку или кросс-продажам. С такими цифрами на слайде ни один финансовый директор не скажет «не сейчас».
Кажется, все просто. Подключили умные подсказки — и стали зарабатывать больше. А на деле в одних магазинах люди начинают покупать охотнее, в других, наоборот, обижаются и уходят туда, где за ними не следят и не подсовывают подсказки. То есть разница не в самих подсказках, а в том, к месту они или нет.
Где ИИ-рекомендации приносят выручку
Четыре сценария, в которых персонализация в интернет-торговле дает измеримый рост.
Допродажа в карточке товара. Wildberries, Ozon, М.Видео-Эльдорадо собирают блок «с этим товаром покупают» в карточке товара. Клиент кладет телевизор в корзину — видит кронштейн, расширенную гарантию, флешку.
Механика работает, потому что попадает в момент принятия решения: покупатель уже выбрал основной товар, ему нужно докомплектовать.
По публичным заявлениям маркетплейсов прирост в кросс-продажах от такой механики составляет 20–30% к сегменту. Это самый отработанный сценарий ИИ в розничной торговле, который дешевле всего внедрить и сложнее всего испортить.
Подбор комплектов в фешн-ритейле. Lamoda и Ozon Fashion собирают законченный образ из вещей, которые сочетаются между собой. Покупательница смотрит блузку — приложение подбирает юбку, обувь, сумку, аксессуары.
Средний чек растет за счет комплектов: вместо одной вещи человек покупает 3–4. Задача собрать образ сложная, и алгоритм снимает ее с покупателя.
Рекомендации в момент импульсной покупки. Самокат и Лавка X5 предлагают сопутствующие товары прямо в момент сборки корзины. Кладешь молоко — приложение показывает хлеб, кофе, печенье.
Цикл принятия решения короткий, покупка эмоциональная, чек небольшой. Поэтому рекомендация не раздражает, а помогает добрать корзину до бесплатной доставки.
Персонализация в программе лояльности. X5 в Пятерочке и Перекрестке, Магнит, Лента отправляют персональные скидки и предложения по истории покупок. Например, «вам -15% на ваш обычный кофе», «попробуйте новый йогурт в вашей категории». Это уже не карточка товара, а канал прямых коммуникаций: пуш-уведомления, письма, баннер в приложении.
Работает в массовом сегменте с повторяющимися покупками, где у бренда есть тысячи касаний с клиентом и большая поведенческая история.
ИИ поможет, если нужно допродать товар существующему клиенту или персонализировать предложения по программе лояльности
Где ИИ-рекомендации портят впечатление от бренда
Три сценария, где та же самая механика срабатывает против бизнеса. Причина — категория и ожидание клиента не выдерживают обезличенной подсказки.
Премиум-сегмент. Сюда попадают люксовая косметика, ювелирные сети, премиум-одежда и селективная парфюмерия в верхнем сегменте Золотого Яблока.
Представьте. Женщина выбирает в онлайн-бутике духи за 35 тысяч. Дорого, долго присматривалась, наконец решилась. И тут под ценником видит баннер «Вам также подойдет». Те же слова, что покупательница видела утром на странице наушников за пятьсот рублей. Ощущение мгновенно меняется. Только что бутик казался личным, а теперь — обычным магазином, где ее посчитали как еще одну строчку в таблице.
В премиуме люди платят не за товар, а за то, что к ним относятся как к личности. Безымянный блок «Вам подойдет» убивает это ощущение за секунду.
В премиуме рекомендация должна приходить от консультанта в чате с именем и фотографией. Безымянный движок под ценником разрушает ощущение личного сервиса за один клик.
Чувствительные категории. Аптеки, медтовары и детский ритейл.
Пример. Девушка один раз купила тест на беременность — через два месяца аптечное приложение начинает догонять ее подборками детского питания. Она ничего больше не покупала, ни одной отметки не оставляла. Алгоритм сам сложил два плюс два. Технически безупречно. Для бренда — катастрофически.
В таких категориях за человеком часто стоит история, о которой алгоритм ничего не знает. Каждая умная подсказка рискует попасть в самое больное место — и превратиться из оптимизации продаж в обиду и разрыв отношений.
Рекомендация не в тему после крупной покупки. Вы купили холодильник за 80 тыс ₽ — на следующий день вас догоняют рекомендацией батареек за 200 ₽. Логика для алгоритма есть: часто покупают вместе. Логика для клиента отсутствует: батарейки никак не связаны с холодильником в его картине мира.
Сильнее всего этот сценарий бьет в электронике — М.Видео, DNS — и в строительном ритейле вроде «Лемана Про». Там после крупной покупки уместно предлагать монтаж, сервис, расширенную гарантию. Мелкий сопутствующий товар выглядит нелепо: когда после ремонта на 300 тысяч приходит подборка изоленты, бренд выглядит как продавец, который не понимает, что только что произошло.
Если работаете с премиумом, рекомендуем использовать ИИ аккуратно
Как понять, подключать ли ИИ-рекомендации в воронку
Решает не категория бизнеса, а контекст. Проверьте себя по двум коротким спискам.
Подойдет:
- Массовый сегмент со средним чеком до 50–100 тыс ₽.
- Повторяющиеся покупки и большая поведенческая история.
- Очевидная связка между товарами: одежда → аксессуары, бытовая техника → расходники.
- Клиент уже привык видеть рекомендации на маркетплейсах.
Не подойдет:
- Премиум-сегмент, где цена включает ощущение личного сервиса.
- Чувствительные категории: фарма, медтовары, детство.
- Индивидуальный консультативный продукт, где эксперт — часть ценности.
- Клиент платит за статус, а не за товар.
Правило простое: умная подсказка должна облегчать выбор, а не заменять продавца. Если люди приходят к вам именно за советом живого человека, ИИ тут не помощник, а помеха.
Главное
- ИИ-рекомендации в интернет-магазинах стали нормой: их используют почти все крупные сети.
- Умные рекомендации хорошо работают там, где покупка короткая и понятная: продукты, одежда, техника с очевидными дополнениями.
- Wildberries, Lamoda, М.Видео, Самокат, Магнит — у всех такие подсказки приносят деньги, потому что попадают в момент покупки.
- ИИ плохо работает в дорогих магазинах, аптеках и детских товарах, где клиент хочет, чтобы с ним поговорил живой человек.
- После крупной покупки не надо предлагать мелочь за копейки — это раздражает.
- Если ваш бизнес держится на личном консультанте, ИИ его не заменит.
