ИИ для электронной коммерции: рост выручки с умными рекомендациями

Товарные рекомендации на базе ИИ помогают интернет-магазину показать подходящий товар в нужный момент: аксессуар к только что купленному устройству, замену распроданной модели, сменный блок через несколько недель. В статье разберём, как работают такие рекомендации, что должно быть готово в вашем магазине и как честно измерить, окупаются ли они.

Как работают товарные рекомендации на базе ИИ

В основе большинства рекомендательных систем лежат две идеи, которые часто сочетают. Первая опирается на поведение множества покупателей: кто купил товар A, часто покупал и товар B. Так появляется знакомый блок «С этим товаром покупают». Вторая сравнивает сами товары по характеристикам — материалу, размеру, ценовому сегменту или назначению — и предлагает похожие.

Современные системы учитывают ещё и поведение в текущей сессии. Тому, кто в садовом магазине смотрит три аккумуляторных кустореза, скорее покажут подходящие запасные аккумуляторы и перчатки, чем грунт для цветов. Языковые модели дают ещё одну возможность: покупатель своими словами описывает, что ищет, и получает подборку с объяснением. «Нужны треккинговые ботинки для однодневных походов, на широкую стопу, не дороже 150 евро» — сложная задача для обычной панели фильтров, но вполне обычный запрос для ИИ-консультанта в чате. Как использовать такую персонализацию в реальном времени в продажах и за пределами магазина, описано в статье о персонализации в продажах в реальном времени с помощью ИИ.

Где в магазине рекомендации уместны

Не все места подходят одинаково. Лучше всего себя показали такие размещения:

• Карточка товара: альтернативы для тех, кто сомневается, и аксессуары, которые действительно подходят к товару.
• Корзина: небольшие дополнения вроде батареек, средств ухода или защитных чехлов, не мешающие оформить заказ.
• Распроданные товары: сразу доступная замена вместо тупика.
• После покупки: напоминания о расходных материалах, когда они, скорее всего, заканчиваются.
• В чате с консультантом: ответы на конкретные вопросы о товаре с обоснованной рекомендацией.

Веломагазин с интернет-витриной может, например, при покупке детского велосипеда предложить шлемы нужного размера. Зоомагазин может напомнить о повторном заказе корма. В обоих случаях важно, чтобы рекомендация облегчала жизнь покупателю, а не просто раздувала корзину. Неподходящие предложения быстро кажутся навязчивыми и подрывают доверие. О том, как разумно работать с существующими клиентами, читайте в статье о кросс-продажах и допродажах с помощью ИИ.

Что нужно: данные, ассортимент, техника

Рекомендательная система хороша ровно настолько, насколько хороши её данные. Успех определяют три момента.

Аккуратные данные о товарах

Если размеры, материалы и совместимость не заполнены, ИИ предложит не тот зарядный кабель. Ведение характеристик товаров — самая неприметная, но самая важная подготовительная работа. Эта тема затрагивается и в статье «Подготовка данных продаж для ИИ».

Достаточная история продаж

Рекомендациям на основе поведения нужно много заказов, чтобы находить закономерности. У магазина с несколькими десятками заказов в месяц такой базы нет. Тогда часто лучше подходят рекомендации по правилам, которые вы задаёте сами.

Согласие и правовые рамки

Персонализация на основе поведения на сайте, как правило, требует cookie или похожих технологий, а для них нужно согласие по GDPR (в Германии — DSGVO) и TDDDG (немецкий закон о защите данных в телекоммуникациях и цифровых сервисах). Рекомендации по почте существующим клиентам без отдельного согласия допустимы только в узких рамках, например для похожих товаров и с понятной возможностью отказаться. Прежде чем персонализировать, попросите юриста проверить ваш механизм согласия и цепочки писем.

Пример расчёта: окупятся ли рекомендации в вашем магазине?

Окупятся ли рекомендации на базе ИИ, можно примерно оценить заранее. Цифры ниже — исключительно допущения для наглядности, а не данные из практики.

Допущение	Значение
Заказов в месяц	2 000
Заказов, в которые дополнительно попал рекомендованный товар	100
Средняя цена дополнительного товара	15 евро
Дополнительная выручка в месяц	1 500 евро

Из этих 1 500 евро важен только маржинальный доход, то есть выручка за вычетом себестоимости товара, доставки и платёжных комиссий. Эту сумму сопоставьте с ежемесячной стоимостью системы и затратами на её поддержку. Если маржинальный доход заметно выше, тест имеет смысл. Если чуть ниже, обычно есть более дешёвые рычаги.

Измеряйте результат корректным сравнением: одна часть посетителей видит рекомендации, другая — нет. Только так можно понять, действительно ли дополнительная выручка появилась благодаря рекомендациям или пришла бы и так. Как настроить такие тесты, описано в статье об A/B-тестировании в продажах с ИИ.

Рекомендации в разговоре: ИИ-консультант

Многие покупки срываются не потому, что нет подходящего товара, а потому, что остался вопрос без ответа. Подойдёт ли чехол к старой модели? Годится ли матрас для тех, кто спит на боку? Когда придёт доставка? ИИ-консультант в чате на сайте или в WhatsApp может отвечать на такие вопросы и вечером, предлагая подходящие товары на основе ваших данных о товарах. Он должен сообщать, что он ИИ, и передавать вашей команде жалобы и сложные случаи. Как это может выглядеть на практике, разобрано на условном примере ИИ-поддержки в интернет-магазине.

В Neurobots именно такие консультации ведут ИИ-сотрудники: они отвечают в чате на сайте, в WhatsApp, по почте или по телефону, в том числе ночью, и передают заинтересованные контакты в вашу CRM. Данные хранятся в дата-центрах во Франкфурте в соответствии с GDPR.

Когда это не окупается

При небольшом ассортименте из нескольких десятков позиций покупатели обычно и так знают предложение, и достаточно вручную составленного списка подходящих товаров. То же с единичными вещами вроде произведений искусства или штучных изделий, где нет закономерностей из повторных покупок. А если в данных о товарах пробелы, начинать нужно с них, а не с вложений в технику.

Частые вопросы

Разве моя платформа магазина не умеет этого сама?

Многие платформы предлагают простые функции рекомендаций или расширения для них. Для старта этого часто хватает. Отдельная ИИ-система имеет смысл скорее при большом ассортименте, большом числе заказов или если вы хотите использовать рекомендации ещё и в чате и письмах.

Как быстро станет видно, работает ли это?

Зависит от объёма заказов. Для теста нужно достаточно заказов в обеих группах, чтобы различия не были случайными. У небольших магазинов это может занять несколько недель, и стоит учитывать сезонные колебания.

Не пугают ли покупателей персонализированные рекомендации?

Такое бывает, если предложения кажутся слишком личными или основаны на данных, о которых покупатель не подозревает. Держитесь понятной связи с текущей покупкой и при необходимости показывайте, почему рекомендуется тот или иной товар.

Нужно ли согласие для товарных рекомендаций на базе ИИ?

Для рекомендаций на основе отслеживания через cookie или похожие технологии — как правило, да. Рекомендации только на основе текущей корзины обычно менее проблематичны. Точную оценку лучше доверить ответственному за защиту данных.

Итог

Товарные рекомендации на базе ИИ не работают сами по себе, но это полезный инструмент для магазинов с достаточным ассортиментом и объёмом заказов. Решают аккуратные данные о товарах, удачные места размещения, корректно полученное согласие и честный тест, который показывает, что рекомендации действительно дают.

Как цифровой консультант отвечает на вопросы о товарах и помогает покупателям, показано на странице «ИИ-ассистент по продажам для интернет-магазинов».