Привет, я Максим — веб-разработчик. Блок «Похожие товары» или «Рекомендуем для вас» — один из самых недооценённых элементов интернет-магазина. По данным рынка, персонализированные рекомендации генерируют до 30% выручки крупных e-commerce проектов. Но большинство магазинов либо не используют рекомендации вовсе, либо настраивают их вручную и забывают обновлять. Расскажу, как подойти к этому системно.

Типы товарных рекомендаций

На практике в интернет-магазинах используются несколько типов рекомендательных блоков:

«С этим товаром покупают» (frequently bought together). Показывает товары, которые чаще всего покупаются вместе с текущим. Самый конверсионный тип рекомендации — работает на cross-sell.

«Похожие товары» (similar items). Альтернативы из той же категории с похожими характеристиками. Помогает покупателю, который ещё не определился с выбором.

«Вы недавно смотрели». Персональная история просмотров. Возвращает внимание к товарам, которые заинтересовали, но не были куплены.

«Персональные рекомендации». На основе истории покупок и просмотров конкретного пользователя. Показываются на главной странице или в личном кабинете. Самый сложный в реализации, но и самый эффективный тип.

«Популярные товары» и «Хиты продаж». Товары с наибольшим числом покупок за последний период. Работает на социальное доказательство.

«Новинки». Недавно добавленные товары. Стимулирует повторные визиты постоянных клиентов.

Где размещать рекомендательные блоки

Страница товара — «Похожие товары» и «С этим покупают». Это must have.

Корзина — «Добавьте к заказу». Компактный формат, 2–4 товара.

Главная страница — «Рекомендуем для вас» (персональные) и «Хиты продаж».

Страница категории — «Популярное в этой категории».

Страница поиска (если ничего не найдено) — «Возможно, вас заинтересует».

Email-рассылки — персональные рекомендации в письмах (триггерных и массовых).

Страница 404 — вместо пустой ошибки покажите популярные товары.

Алгоритмы товарных рекомендаций

Ручные правила

Самый простой подход: для каждого товара или категории вручную назначить связанные товары. В CMS (WooCommerce, Битрикс) есть стандартные поля для этого.

Когда подходит: маленький каталог (до 300–500 товаров), ограниченный бюджет.

Минусы: не масштабируется, требует постоянного ручного обновления, не учитывает реальное поведение покупателей.

Автоматические правила

Рекомендации формируются по заданным правилам: «Если категория X, показать товары из категории Y», «Если ценовой диапазон 5 000–10 000, показать товары 7 000–15 000».

Реализуется через модули CMS или несложный бэкенд-код. Масштабируется лучше ручного подхода, но всё ещё не учитывает индивидуальное поведение.

Коллаборативная фильтрация

Классический алгоритм: «Пользователи, которые купили товар A, также купили товар B». Работает на основе реальных данных о покупках. Чем больше заказов в системе — тем точнее рекомендации.

Реализация: собираете данные о покупках (user_id + product_id), строите матрицу совместных покупок, ранжируете. Можно реализовать самостоятельно на Python или подключить внешний сервис.

Контентная фильтрация

Рекомендации на основе характеристик товаров. Если покупатель смотрел красное платье размера M из хлопка — показываем другие красные платья из хлопка размера M.

Хорошо работает для «холодного старта» — когда данных о покупках ещё мало. Требует качественного заполнения характеристик товаров.

Гибридные алгоритмы

Комбинация коллаборативной и контентной фильтрации + бизнес-правила. Это то, что используют профессиональные рекомендательные системы.

Сервисы персонализации рекомендаций

Для среднего и крупного e-commerce проще подключить готовый сервис, чем разрабатывать свою рекомендательную систему.

Retail Rocket. Российский лидер в персонализации для e-commerce. Рекомендации на сайте, в email-рассылках, в push-уведомлениях. Подключение через JavaScript-код и фид товаров. Стоимость: процент от дополнительной выручки (обычно 3–5%).

Mindbox. CDP-платформа с модулем рекомендаций. Кроме рекомендаций — сегментация, триггерные рассылки, программа лояльности. Подходит для комплексного маркетинга. Стоимость: от 30 000 рублей в месяц.

REES46. Рекомендательная система для интернет-магазинов. Товарные рекомендации, поиск, триггерные рассылки. Бюджетнее Retail Rocket.

Собственная разработка. Для крупных проектов с уникальными требованиями. На Python (scikit-learn, TensorFlow) или через API облачных ML-сервисов (Яндекс DataSphere). Стоимость разработки: от 500 000 рублей.

Настройка блока «С этим товаром покупают»

На WooCommerce: плагин Frequently Bought Together for WooCommerce. Настраивает связи автоматически на основе данных о заказах. Можно дополнить ручными связями.

На Битрикс: компонент «Сопутствующие товары» + доработка для автоматического формирования связей из истории покупок. Или интеграция с Retail Rocket / REES46.

На кастомном решении: таблица в БД с парами (product_id_1, product_id_2, frequency). Обновляется крон-задачей на основе заказов. На фронтенде — API-запрос для получения рекомендаций.

Персонализация рекомендаций в e-commerce

Персонализация — это когда рекомендации зависят не только от товара, но и от конкретного пользователя. Два человека, смотрящих одну и ту же страницу, видят разные рекомендации.

Для этого нужно:

Идентификация пользователя — через авторизацию или cookie (для незарегистрированных).

Сбор данных о поведении — просмотры, добавления в корзину, покупки, клики.

Модель рекомендаций — алгоритм, который на основе этих данных генерирует персональный список.

Retail Rocket и Mindbox делают всё это из коробки. Если реализуете самостоятельно — потребуется серьёзная работа с данными.

Метрики эффективности рекомендаций

CTR блока рекомендаций — сколько процентов посетителей кликнули на рекомендованный товар. Хороший показатель: 3–8%.

Конверсия из клика в покупку — сколько кликнувших купили рекомендованный товар. Норма: 1–5%.

Доля выручки от рекомендаций — какой процент общей выручки пришёл через рекомендательные блоки. У хорошо настроенных магазинов — 10–30%.

Увеличение среднего чека — сравнение среднего чека заказов с рекомендациями и без. Ожидаемый рост: 10–25%.

Ошибки при внедрении

Показывать нерелевантные товары. Рекомендации «вслепую» хуже, чем их отсутствие. Лучше показать 3 релевантных товара, чем 10 случайных.

Не обновлять данные. Ручные рекомендации устаревают. Товар закончился, но продолжает показываться. Автоматизируйте обновление.

Не тестировать. A/B тесты: с рекомендациями и без, разные алгоритмы, разное расположение. Без тестов вы не знаете, что работает.

Игнорировать мобильную версию. На мобильном блок рекомендаций не должен занимать весь экран и мешать основному контенту. Горизонтальный скролл — оптимальный формат.

Мой совет

Не откладывайте внедрение рекомендаций — это один из самых быстрых способов увеличить выручку без увеличения трафика. Начните с ручной настройки для топ-товаров, потом подключите автоматические правила. Когда каталог перерастёт 1 000 позиций — задумайтесь о Retail Rocket или аналоге.

Нужна помощь с реализацией — обращайтесь.