Рекомендательная система: как отбирать релевантные товары и контент

Как работает рекомендательная система

Рекомендательная система решает задачу ранжирования: из множества доступных объектов выбирает те, которые с большей вероятностью заинтересуют конкретного пользователя. Объектом может быть товар, фильм, статья, банковская услуга, тариф, вакансия и так далее.

Одна из распространённых архитектур включает три этапа:

1. Формирование кандидатов. Система сокращает полный каталог до ограниченного набора потенциально подходящих объектов.
   
   
2. Оценка и ранжирование. Каждому кандидату присваивается прогнозный балл: например, вероятность клика, просмотра или покупки.
   
   
3. Повторное ранжирование. Итоговый список корректируется с учётом доступности, свежести, разнообразия и бизнес-ограничений.

После показа рекомендаций система получает обратную связь. Клик, добавление в корзину, покупка или длительный просмотр могут указывать на интерес. Быстрое закрытие карточки, пропуск и явная отметка «не интересно» служат обратными сигналами. Новые взаимодействия учитываются при формировании будущей выдачи.

Основные подходы к формированию рекомендаций

Подходы в таблице описывают логику отбора, а не технологию. Контентная, коллаборативная и гибридная фильтрация могут использовать модели машинного обучения, но конкретный способ зависит от системы. Отбор по правилам может работать без ML. Он остаётся полезным, если связь между объектами заранее известна: расходные материалы для техники, сопутствующие услуги или продолжение сериала.

Какие данные нужны системе

Качество рекомендаций зависит от того, насколько точно данные описывают пользователя, объекты и условия выбора.

Основные группы данных:

• Явная обратная связь: оценки, отзывы, выбранные интересы, отметки «нравится» и «не интересно».
  
  
• Неявная обратная связь: просмотры, клики, поисковые запросы, покупки, возвраты и время взаимодействия.
  
  
• Характеристики объектов: категории, описания, бренды, авторы, цены, форматы и другие признаки.
  
  
• Контекст: время, регион, устройство, канал, сезон и текущий этап клиентского пути.
  
  
• Бизнес-ограничения: наличие, возрастные ограничения, маржинальность, правила совместимости и исключённые позиции.

Одно действие не всегда точно отражает предпочтение. Пользователь мог приобрести товар в подарок, открыть материал случайно или несколько раз сравнивать позицию без намерения её купить. Поэтому устойчивые модели учитывают последовательность сигналов и придают им разный вес.

Где в маркетинге применяют рекомендации

Рекомендательные системы используются в точках, где большой выбор затрудняет самостоятельный поиск:

• на главной странице сайта и в персональной ленте;
  
  
• в блоках «Вам может понравиться» и «Покупают вместе»;
  
  
• в поисковой выдаче и подсказках;
  
  
• после покупки — для допродажи совместимых товаров или повторного заказа;
  
  
• в медиасервисах — для выбора фильмов, музыки, книг и статей;
  
  
• в письмах, push-уведомлениях и сообщениях в мессенджерах.

В товарном блоке Altcraft можно задать источник, сортировку, категории, цену и дополнительные фильтры, включая наличие товара

Место показа влияет на логику отбора. На карточке товара уместны аналоги и дополнения, после заказа — совместимые позиции, а в реактивационном сообщении — объекты из категорий, которыми клиент интересовался раньше.

Как оценивать качество рекомендаций

Высокая точность модели не означает, что рекомендации полезны бизнесу. Система может уверенно предлагать популярные позиции, которые пользователь и так нашёл бы самостоятельно.

Оценку стоит вести на трёх уровнях:

• Реакция на подборку: кликабельность, просмотры карточек, добавления в корзину.
  
  
• Бизнес-результат: конверсия, выручка на пользователя, средний чек, повторные покупки.
  
  
• Качество выдачи: разнообразие, доля каталога в рекомендациях, новизна и отсутствие недоступных позиций.

Дополнительный эффект новой модели можно проверить через эксперимент с контрольной группой. Один сегмент видит новые рекомендации, другой — прежний вариант или неперсонализированную подборку. Так можно отделить эффект изменения системы от общей активности покупателей.

Ограничения рекомендательных систем

Основные проблемы связаны не только с алгоритмом, но и с данными и выбранной целью:

• Холодный старт. Для нового пользователя ещё нет истории, а новый объект не накопил взаимодействий. Начальную выдачу строят по популярности, контексту, характеристикам объектов или выбранным интересам.
  
  
• Смещение в сторону популярного. Часто просматриваемые позиции получают ещё больше показов, а новые и нишевые объекты остаются незаметными.
  
  
• Однообразие. Слишком узкая персонализация закрепляет прежние интересы и сокращает вероятность открытия новых категорий.
  
  
• Ошибочные сигналы. Разовая покупка или случайный клик могут надолго изменить выдачу.
  
  
• Устаревшие данные. Рекомендация теряет смысл, если цена, наличие или предпочтения пользователя уже изменились.
  
  
• Неверная цель. Оптимизация только под клики способна увеличить число переходов без роста покупок и долгосрочной ценности клиента.

При повторном ранжировании в выдачу добавляют разнообразие, свежесть и дополнительные ограничения. Это снижает зависимость от одного прогнозного балла и учитывает задачи пользователя и бизнеса.

Заключение

Рекомендательная система отбирает и ранжирует объекты по данным о пользователе, характеристикам каталога и текущему контексту. Для расчёта применяют контентную, коллаборативную или гибридную фильтрацию, а итоговую выдачу корректируют бизнес-правилами.

Качество рекомендаций следует оценивать по дополнительным кликам, покупкам и выручке относительно контрольной группы. При этом важно следить за разнообразием выдачи, свежестью данных, холодным стартом и смещением в сторону популярных объектов.

Читайте по теме

• Машинное обучение и маркетинг
  
  
• Data Science в маркетинге и бизнесе
  
  
• Как Cuva настроила персонализированный маркетинг и увеличила долю продаж через CRM-маркетинг с 8 до 15%