Маркетплейсы / Находить товары для допродажи
Как ИИ находит товары для допродажи на маркетплейсе
ИИ анализирует историю заказов и поведение покупателей, чтобы находить товары, которые часто покупают вместе. Он формирует рекомендации для допродажи, что помогает увеличить средний чек и корзину. Это заменяет ручной перебор ассортимента и субъективные догадки.
Проблема
Почему это важно
Без ИИ продавцы на маркетплейсах часто полагаются на интуицию или простые правила при выборе товаров для допродажи. Это приводит к тому, что рекомендации не попадают в реальные потребности покупателей, и возможности увеличения среднего чека остаются неиспользованными.
Почему возникает
- Ассортимент слишком большой, чтобы вручную проанализировать все комбинации товаров.
- Поведение покупателей меняется, и статичные правила быстро устаревают.
- Отсутствие данных о том, какие товары действительно покупают вместе, а не просто лежат рядом.
Риски и потери
- Потеря дополнительной выручки из-за нереализованных cross-sell возможностей.
- Снижение среднего чека (AOV) по сравнению с конкурентами, которые используют рекомендации.
- Рост затрат на привлечение новых клиентов вместо увеличения продаж существующим.
Что влияет на результат
- История совместных покупок (какие товары часто берут вместе).
- Поведение покупателя в текущей сессии (просмотры, добавления в корзину).
- Характеристики товаров (категория, цена, сезонность).
Типичные ошибки ручного подхода
- Полагаться на личный опыт и выбирать очевидные пары, которые уже используют все.
- Игнорировать данные о реальных покупках и предлагать товары, которые редко сочетаются.
- Не учитывать сезонность и изменение спроса.
Определение
Что важно понимать
Cross-sell
Продажа дополнительного товара к основному, например, чехол к смартфону.
Увеличивает средний чек и удовлетворенность клиента, если рекомендация уместна.AOV (Average Order Value)
Средняя стоимость заказа — общая выручка, деленная на число заказов.
Рост AOV напрямую увеличивает выручку без привлечения новых клиентов.Корзина
Набор товаров, которые покупатель добавляет для оформления заказа.
Анализ корзины показывает, какие товары покупают вместе, и дает основу для рекомендаций.Данные
Какие данные нужны
История заказов
Показывает, какие товары реально покупают вместе.
- ID заказа
- ID товара
- Дата покупки
- Количество
Данные о поведении на сайте
Показывает, что покупатель смотрел и добавлял в корзину в текущей сессии.
- ID пользователя
- Просмотренные товары
- Добавления в корзину
- Время на странице
Карточки товаров
Позволяет учитывать категорию, цену и другие характеристики для фильтрации рекомендаций.
- ID товара
- Категория
- Цена
- Бренд
Методология
Как ИИ находит товары для допродажи
Принципы
- Использовать данные о реальных покупках, а не предположения.
- Учитывать контекст текущей сессии покупателя.
- Постоянно обновлять модель на основе новых данных.
Допущения
- Достаточный объем истории заказов для выявления устойчивых пар.
- Товары имеют категории и характеристики, которые можно использовать для фильтрации.
Ошибки
- Предлагать товары, которые не сочетаются с текущим выбором.
- Игнорировать сезонность и тренды.
- Не проверять качество рекомендаций на реальных продажах.
Роль ИИ
Как ИИ решает задачу
Выявление устойчивых товарных пар на основе истории заказов
Данные на входе: История заказов (ID заказа, ID товара)
Что делает модель: Рассчитывает частоту совместных покупок и определяет пары, которые встречаются значительно чаще случайного.
Результат: Список товарных пар с коэффициентом уверенности.
Как используется: Система использует эти пары для формирования рекомендаций в момент просмотра товара.
Персонализация рекомендаций на основе поведения в текущей сессии
Данные на входе: Просмотренные товары, Добавления в корзину, История покупок пользователя
Что делает модель: Сопоставляет текущий контекст с известными товарными парами и ранжирует рекомендации по вероятности покупки.
Результат: Список рекомендуемых товаров с оценкой вероятности.
Как используется: Система показывает рекомендации на странице товара или в корзине.
Генерация текстовых пояснений к рекомендациям
Данные на входе: Названия товаров, Категории, Причина рекомендации (например, 'часто покупают вместе')
Что делает модель: Формирует короткое обоснование, почему рекомендуется этот товар.
Результат: Текст вроде 'Часто покупают вместе с этим товаром'.
Как используется: Показывается рядом с рекомендацией, повышая доверие покупателя.
Разбор
Как это работает
- 1
Вход: история заказов за последние 6-12 месяцев. Действие: система агрегирует данные по заказам и товарам. Результат: таблица частоты совместных покупок.
- 2
Вход: таблица частоты. Действие: статистический анализ выявляет пары, которые встречаются значимо чаще случайного. Результат: список устойчивых товарных пар.
- 3
Вход: данные о текущей сессии покупателя (просмотры, корзина). Действие: ML-модель сопоставляет контекст с известными парами и ранжирует рекомендации. Результат: персонализированный список товаров.
- 4
Вход: список рекомендуемых товаров. Действие: система фильтрует по наличию на складе и актуальности. Результат: финальный список для показа.
- 5
Вход: финальный список. Действие: система отображает рекомендации на странице товара или в корзине с пояснением. Результат: покупатель видит уместные допродажи.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Частота совместных покупок в истории заказов.
- Текущий контекст сессии (что смотрит/добавляет покупатель).
- Наличие товара на складе.
Какие риски учтены
- Рекомендации могут быть неуместными, если модель не учитывает сезонность.
- Слишком агрессивные допродажи могут раздражать покупателей.
Какие варианты рассматривались
- Ручной подбор товарных пар на основе опыта менеджера.
- Использование простых правил (например, 'всегда предлагать аксессуары').
ИИ позволяет обработать большие объемы данных и выявить неочевидные, но устойчивые пары, что повышает точность рекомендаций.
Если ассортимент небольшой и стабильный, ручной подход может быть достаточным. ИИ становится критичным при большом ассортименте и частых изменениях.
Результат
Что видит пользователь
Список рекомендуемых товаров на странице товара
Блок 'С этим товаром часто покупают' с 2-4 товарами и пояснением.
Покупатель может добавить рекомендуемый товар в корзину одним кликом.Рекомендации в корзине
Предложение добавить сопутствующие товары перед оформлением заказа.
Увеличивает средний чек за счет допродаж в момент максимальной готовности к покупке.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и обработка истории заказов.
- Выявление товарных пар и обновление модели.
- Формирование и показ рекомендаций в реальном времени.
Требует настройки
- Настройка источников данных (выгрузка заказов).
- Определение порога уверенности для показа рекомендаций.
- Настройка внешнего вида блока рекомендаций.
Остаётся за человеком
- Выбор стратегии допродаж (агрессивная или умеренная).
- Проверка качества рекомендаций на реальных продажах.
- Решение о включении новых категорий товаров в анализ.
Внедрение
Как внедрить решение
Быстрый запуск
- Выгрузить историю заказов в Excel или Google Sheets.
- Вручную проанализировать частоту совместных покупок по категориям.
- Создать список популярных пар и добавить их вручную на страницы товаров.
Рабочая система
- Настроить автоматическую выгрузку заказов в базу данных.
- Разработать скрипт для расчета частоты пар и обновления модели.
- Интегрировать рекомендации в карточку товара через API маркетплейса.
Расширенный вариант
- Использовать ML-модель для персонализации на основе поведения пользователя.
- Добавить генеративные пояснения к рекомендациям.
- Проводить A/B-тесты для оптимизации стратегии допродаж.
Подготовка
Чек-лист перед запуском
- 1
Собрать данные о заказах минимум за 6 месяцев.
- 2
Определить категории товаров, для которых нужны рекомендации.
- 3
Настроить выгрузку данных в аналитическую систему.
- 4
Выбрать метод выявления пар (статистический или ML).
- 5
Определить порог уверенности для показа рекомендаций.
- 6
Настроить отображение рекомендаций на странице товара.
- 7
Настроить отображение рекомендаций в корзине.
- 8
Провести A/B-тест: с рекомендациями и без.
- 9
Отслеживать изменение среднего чека и доли заказов с допродажей.
- 10
Регулярно обновлять модель на новых данных.
Вывод
Главное
ИИ находит товары для допродажи на основе реальных данных о покупках, а не интуиции.
Основные данные — история заказов и поведение покупателей; ключевой расчет — частота совместных покупок.
ИИ автоматизирует анализ больших объемов данных и формирует персонализированные рекомендации.
Начните с выгрузки истории заказов и простого анализа частоты пар в Excel, чтобы увидеть первые возможности.
Метод ReMetod
На чем основан вывод
Метод ReMetod показывает, как бизнес-проблема (например, низкий средний чек) решается через модель решения, данные и автоматизацию. В данном случае ИИ выступает инструментом для анализа данных о покупках и автоматизации рекомендаций.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
Не будет ли ИИ рекомендовать нерелевантные товары?
ИИ обучается на реальных данных о покупках, поэтому рекомендации основаны на фактическом поведении покупателей. Дополнительно можно настроить фильтры по категориям и порог уверенности, чтобы исключить случайные пары.
Сложно ли внедрить такую систему без программиста?
Начать можно с простого анализа в Excel, а для автоматизации использовать готовые сервисы или API маркетплейсов. Практикум ReMetod помогает освоить этот путь без глубоких технических знаний.
Сколько времени нужно, чтобы увидеть эффект?
Первые результаты можно увидеть через 2-4 недели после запуска рекомендаций, если отслеживать изменение среднего чека и доли заказов с допродажей.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться настраивать такие рекомендации? Приходите на бесплатный вебинар ReMetod.