ReMetod
Свяжитесь с нами

Маркетплейсы / AOV, attach rate

Как рекомендовать товары с ИИ

ИИ анализирует историю покупок, поведение на сайте и характеристики товаров, чтобы в нужный момент показать клиенту дополняющие или более дорогие позиции. Это повышает средний чек и долю заказов с дополнительными товарами. Эффект измеряется через AOV и attach rate.

Проблема

Почему это важно

Без рекомендаций клиент часто покупает только один товар, не видя сопутствующих позиций. Средний чек остается низким, а возможности перекрестных продаж не используются.

Почему возникает

  • Ручной подбор допродаж невозможен в масштабе: менеджеры не успевают анализировать каждую корзину.
  • Отсутствие данных о том, какие товары часто покупают вместе.
  • Рекомендации не персонализированы и не учитывают поведение конкретного клиента.

Риски и потери

  • Недополученная выручка из-за низкого AOV.
  • Потеря клиентов, которые уходят к конкурентам с более удобными подборками.
  • Затоваривание склада товарами, которые не допродаются.

Что влияет на результат

  • История покупок клиента
  • Поведение на сайте (просмотры, добавления в корзину)
  • Характеристики товаров (категория, цена, совместимость)
  • Сезонность и акции

Типичные ошибки ручного подхода

  • Рекомендации на основе только категории, без учета совместимости.
  • Игнорирование истории клиента, из-за чего предлагаются уже купленные товары.
  • Отсутствие измерения эффекта: непонятно, какие рекомендации работают.

Определение

Что важно понимать

AOV

Средний чек — отношение выручки к числу заказов за период.

Показывает, сколько в среднем тратит клиент за одну покупку; рост AOV напрямую увеличивает выручку без привлечения новых клиентов.

Attach rate

Доля заказов, в которых есть хотя бы один дополнительный товар к основному.

Отражает эффективность перекрестных продаж: чем выше attach rate, тем лучше рекомендации подталкивают к допродажам.

ИИ-рекомендации

Автоматический подбор товаров на основе данных о клиенте и ассортименте.

Позволяет масштабировать персонализацию и увеличивать средний чек без ручного труда.

Данные

Какие данные нужны

История покупок

Чтобы понимать, какие товары клиент уже приобрел и что ему может понадобиться.

  • ID клиента
  • ID товара
  • Дата покупки
  • Сумма заказа

Поведение на сайте

Фиксирует интерес к товарам: просмотры, добавления в корзину, время на странице.

  • ID клиента
  • ID товара
  • Тип события (просмотр, добавление)
  • Время события

Каталог товаров

Содержит характеристики для поиска совместимых и дополняющих товаров.

  • ID товара
  • Категория
  • Цена
  • Атрибуты (цвет, размер, совместимость)

Методология

Методика построения ИИ-рекомендаций

Принципы

  • Рекомендации должны быть релевантны текущему контексту: корзине, просмотру, истории клиента.
  • Измеряй эффект через AOV и attach rate, сравнивая с контрольной группой без рекомендаций.
  • Начинай с простых правил (часто покупают вместе), затем добавляй ML-модели.

Допущения

  • Данных достаточно для обучения модели (минимум несколько тысяч заказов).
  • Товары имеют четкие атрибуты для определения совместимости.
  • Клиенты готовы к допродажам, если они уместны.

Ошибки

  • Предлагать товары, которые клиент уже купил.
  • Игнорировать сезонность и акции.
  • Не тестировать рекомендации на контрольной группе.

Роль ИИ

Как ИИ решает задачу

Статистический метод

Поиск часто покупаемых вместе товаров (ассоциативные правила)

Данные на входе: История заказов: ID заказа, ID товара

Что делает модель: Вычисляет частоту совместных покупок и формирует правила вида «если товар A, то часто берут B».

Результат: Список пар товаров с коэффициентом поддержки и уверенности.

Как используется: Система использует правила для показа блока «С этим покупают».

Машинное обучение

Персональные рекомендации на основе истории клиента

Данные на входе: История покупок клиента, Поведение на сайте, Каталог товаров

Что делает модель: Обучается на данных о покупках и предсказывает вероятность покупки каждого товара для конкретного клиента.

Результат: Ранжированный список товаров с вероятностью покупки.

Как используется: Система показывает топ-N товаров в блоке «Рекомендуем для вас».

Генеративный ИИ

Генерация текстовых описаний рекомендаций

Данные на входе: Название товара, Характеристики, Контекст (корзина, просмотр)

Что делает модель: Формирует короткое обоснование, почему товар подходит клиенту.

Результат: Текст вида «Дополните образ этими кроссовками».

Как используется: Показывается рядом с рекомендацией для повышения конверсии.

Разбор

Как это работает

  1. 1

    Вход: данные о заказах, клиентах и товарах. Действие: загрузка в систему и очистка от дублей. Результат: единая база для анализа.

  2. 2

    Вход: история заказов. Действие: расчет частоты совместных покупок. Результат: список ассоциативных правил.

  3. 3

    Вход: поведение клиента на сайте. Действие: обучение ML-модели предсказывать вероятность покупки. Результат: модель, готовая к использованию.

  4. 4

    Вход: текущая корзина или просмотр клиента. Действие: система выбирает релевантные рекомендации по правилам и модели. Результат: список товаров для показа.

  5. 5

    Вход: выбранные товары. Действие: генерация текстового обоснования. Результат: готовый блок рекомендаций с пояснением.

  6. 6

    Вход: показ рекомендаций клиенту. Действие: фиксация кликов и покупок. Результат: данные для оценки эффективности.

  7. 7

    Вход: данные о показах и покупках. Действие: расчет AOV и attach rate по группам. Результат: отчет о влиянии рекомендаций.

Расчет

Формулы для оценки рекомендаций

Эффект рекомендаций измеряется через средний чек и долю заказов с дополнительными товарами.

Средний чек (AOV)

AOV = Выручка / Количество заказов
  • Выручка — сумма всех заказов за период
  • Количество заказов — число заказов за тот же период

Условный пример: За месяц выручка 1 200 000 ₽, заказов 800. AOV = 1 200 000 / 800 = 1 500 ₽.

Допущение: Показывает среднюю сумму покупки. Рост AOV после внедрения рекомендаций говорит об их эффективности.

Attach rate

Attach rate = Заказы с доп. товарами / Все заказы × 100%
  • Заказы с доп. товарами — число заказов, где есть хотя бы один товар, добавленный по рекомендации
  • Все заказы — общее число заказов за период

Условный пример: Из 800 заказов 240 содержали дополнительные товары. Attach rate = 240 / 800 × 100% = 30%.

Допущение: Показывает, как часто клиенты соглашаются на допродажу. Рост attach rate означает, что рекомендации работают.

Пример расчета

Как это выглядит в цифрах

Условный пример

Условный пример: рост AOV после внедрения рекомендаций

  • Допущение: Интернет-магазин электроники, 10 000 заказов в месяц.
  • Допущение: До рекомендаций средний чек 4 000 ₽, attach rate 10%.
  • Допущение: Внедрили ИИ-рекомендации на основе истории покупок и ассоциативных правил.
Через 2 месяца AOV вырос до 4 600 ₽ (+15%), attach rate до 18%. Дополнительная выручка = (4 600 - 4 000) × 10 000 = 6 000 000 ₽ в месяц.

Рекомендации дали ощутимый рост среднего чека и доли допродаж. Дополнительная выручка покрывает затраты на внедрение.

Логика решения

Почему дана такая рекомендация

Что повлияло на решение

  • История покупок клиента
  • Текущая корзина или просмотр
  • Совместимость товаров
  • Популярность товара среди похожих клиентов

Какие риски учтены

  • Рекомендации могут быть навязчивыми и снижать удовлетворенность.
  • Модель может предлагать товары, которые клиент уже купил.
  • Нерелевантные рекомендации снижают доверие.

Какие варианты рассматривались

  • Ручной подбор менеджерами — не масштабируется.
  • Статические правила «часто покупают вместе» — не учитывают индивидуальность.
  • ML-модель на основе истории — требует данных и настройки.

Комбинация правил и ML дает баланс между простотой и персонализацией, а генеративные тексты повышают конверсию.

Если данных мало, лучше начать с ассоциативных правил, а ML подключать по мере накопления истории.

Результат

Что видит пользователь

Блок рекомендаций на странице товара и в корзине

Список товаров с обоснованием «С этим покупают» или «Рекомендуем для вас».

Клиент может добавить рекомендованный товар в корзину одним кликом.

Дашборд с метриками AOV и attach rate

Графики изменения среднего чека и доли допродаж по периодам и сегментам.

Менеджер видит эффективность рекомендаций и может корректировать настройки.

Автоматизация

Что автоматизируется, а что нет

Выполняется автоматически

  • Сбор данных о заказах и поведении
  • Расчет ассоциативных правил и обучение ML-модели
  • Формирование и показ рекомендаций в реальном времени
  • Генерация текстовых обоснований

Требует настройки

  • Настройка порогов для правил (поддержка, уверенность)
  • Определение сегментов клиентов
  • Настройка прав доступа к дашборду

Остаётся за человеком

  • Утверждение изменений в правилах рекомендаций
  • Оценка нестандартных случаев (новые товары, сезонные акции)
  • Решение о масштабировании на новые категории

Внедрение

Как внедрить решение

Быстрый запуск

  • Выгрузить историю заказов в Excel.
  • Построить сводную таблицу частых пар товаров.
  • Вручную добавить блок «С этим покупают» на популярные товары.

Рабочая система

  • Настроить автоматическую загрузку данных в БД.
  • Реализовать расчет ассоциативных правил и простую ML-модель.
  • Создать дашборд с AOV и attach rate.

Расширенный вариант

  • Подключить поведенческие данные в реальном времени.
  • Использовать глубокие модели для персонализации.
  • Внедрить A/B-тестирование рекомендаций.

Подготовка

Чек-лист перед запуском

  1. 1

    Собрать данные о заказах минимум за 6 месяцев.

  2. 2

    Очистить данные от дублей и ошибок.

  3. 3

    Определить целевые метрики: AOV и attach rate.

  4. 4

    Настроить сбор поведенческих данных на сайте.

  5. 5

    Выбрать метод: правила, ML или комбинацию.

  6. 6

    Создать контрольную группу для оценки эффекта.

  7. 7

    Запустить пилот на одной категории товаров.

  8. 8

    Измерить AOV и attach rate до и после.

  9. 9

    Скорректировать рекомендации на основе результатов.

  10. 10

    Масштабировать на весь ассортимент.

Вывод

Главное

Рекомендации должны быть релевантны и измеримы: каждое изменение проверяется через AOV и attach rate.

Основные данные — история покупок, поведение, каталог. Ключевые расчеты — AOV и attach rate.

ИИ автоматизирует подбор товаров, персонализирует предложения и генерирует пояснения, повышая конверсию допродаж.

Начните с анализа частых пар в Excel и добавьте блок «С этим покупают» на 10 самых популярных товаров.

Метод ReMetod

На чем основан вывод

Метод ReMetod показывает путь от бизнес-проблемы к работающему решению: модель решения, данные, автоматизация, интерфейс. Практикум учит строить такие системы без программирования.

В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.

Посмотреть программу практикума

Вопросы

Что обычно уточняют

Нужно ли много данных для ИИ-рекомендаций?

Для старта достаточно нескольких тысяч заказов. Можно начать с простых правил, а ML подключать по мере накопления данных.

Не будут ли рекомендации раздражать клиентов?

Если рекомендации релевантны и ненавязчивы, они повышают удобство. Важно тестировать и убирать неработающие варианты.

Как измерить эффект от рекомендаций?

Сравните AOV и attach rate в группе с рекомендациями и контрольной группе без них. Рост этих метрик говорит об эффективности.

Следующий шаг

Выберите, как продолжить с ReMetod

Хотите внедрить ИИ-рекомендации в свой магазин? Запишитесь на диагностику.

Ближайший вебинар

Вводный вебинар
Ближайшая дата появится в календаре

Разберем, где ИИ уже дает управленческую пользу, какие задачи стоит брать первыми и как не уйти в хайп.

Записаться на вебинар
Диагностика

Бесплатный разбор вашего кейса

25–30 минут: фиксируем задачу, данные, возможную автоматизацию и ближайший проверяемый результат.

Записаться на разбор
Практикум

Практикум 1 «Архитектор»

Полный путь от бизнес-проблемы до рабочей модели решения, интерфейса и проверки результата.

Перейти к практикуму