Что такое рекомендательная система интернет-магазина
Рекомендательная система интернет-магазина — это механизм, который отбирает из каталога товары для показа покупателю: по его действиям, свойствам товаров или текущему контексту. Она помогает найти подходящее без явно сформулированного поискового запроса. Рекомендации могут быть персональными или одинаковыми для всех посетителей одной карточки — это разные сценарии, а не признак наличия или отсутствия системы. Учебник Яндекса, документация Google.
Для магазина важно различать три вещи: что подбираем, на каких данных и по какому результату оцениваем подбор. Надпись «Вам понравится» сама по себе ничего не говорит об алгоритме за ней.
Чем рекомендации отличаются от ручной витрины и персонализации
| Понятие | Что оно означает | Пример для магазина |
|---|---|---|
| Ручная витрина | Список товаров заранее составляет сотрудник. Это рекомендации в бытовом смысле, но не доказательство работы ML-модели | Мерчандайзер выбрал товары для подборки «К осени» |
| Подбор по правилам | Программа выполняет заранее заданные условия. Автоматизация сама по себе не означает обучение на данных Источник. | Показывать к выбранной обуви средства ухода из заданной категории |
| «Похожие товары» | Сценарий рекомендаций от текущего товара. Он может не учитывать личную историю посетителя Источник. | Всем читателям карточки показывают сходные по характеристикам модели |
| Персональные рекомендации | Подбор учитывает сведения о конкретном пользователе, например его взаимодействия с каталогом Источник. | В одном и том же разделе разные посетители получают разный порядок предложений |
| Персонализация | Более широкая задача адаптации интерфейса или предложений; товарные рекомендации — один из её вариантов | Изменить подборку товаров — рекомендация; изменить приветствие — нет |
Ручная витрина и изменение приветствия здесь — наши иллюстрации. Это рабочее разграничение для чтения требований к системе, а не взаимоисключающая классификация продуктов. Один блок может одновременно учитывать правила магазина, сходство товаров и личную историю. Сценарии от пользователя и от товара разделены в документации Google; эвристики и обучаемые модели в общей системе — в учебнике Яндекса.
Где здесь ИИ? В ML-рекомендациях модель учится находить закономерности по данным, а не только исполняет вручную составленный список условий. Но нейросеть не обязательна: в рекомендательных системах используют и другие методы машинного обучения, включая модели ранжирования на основе бустинга. Наличие блока рекомендаций не подтверждает, что магазин использует генеративный ИИ. Учебник Яндекса.
По каким данным система выбирает товары
По характеристикам — контентный подход. Система сопоставляет признаки товаров с интересами посетителя или выбранным товаром. Для обуви такими признаками в учебном сценарии могут быть назначение, материал и сезон. Нужны заполненные характеристики; история других покупателей для этого подхода не обязательна. Контентная фильтрация в документации Google.
По взаимодействиям — коллаборативная фильтрация. Система ищет закономерности в действиях пользователей: например, какие товары выбирают люди с похожей историей. Возможен и подбор от товара к товару по совместным взаимодействиям. Это сходство поведения, а не обязательно сходство цвета, формы или назначения. Учебник Яндекса.
По сочетанию сигналов — гибридный подход. Он объединяет сведения о товарах и взаимодействиях. Это позволяет использовать больше информации, но не превращает отсутствующую историю в известные предпочтения. Холодный старт всё равно требует отдельного решения. Учебник Яндекса, ограничения коллаборативной модели в документации Google.
Как устроен подбор: учебный пример магазина обуви
Ниже — придуманный редакцией пример. Товары, данные и баллы условные; это не результат запуска алгоритма и не кейс магазина.
Посетитель выбирает демисезонные ботинки. В нашем сценарии известны нужный размер и город доставки. Магазин хочет показать альтернативы ботинкам, а не дополнения к заказу.
| Условный кандидат | Балл соответствия интересу | Можно заказать нужный размер с доставкой в город? | Что остаётся в блоке |
|---|---|---|---|
| Ботинки А | 0,92 | Нет нужного размера | Исключаем |
| Ботинки Б | 0,84 | Да | Первый вариант |
| Ботинки В | 0,79 | Нет доставки в город | Исключаем |
| Ботинки Г | 0,73 | Да | Второй вариант |
Баллы взяты только для иллюстрации порядка. 0,92 не означает вероятность покупки 92 %: в примере не задана модель вероятности.
Здесь видны разные задачи системы:
- Отбор кандидатов: найти подходящие альтернативы в каталоге.
- Ранжирование: упорядочить их по выбранному критерию.
- Ограничения показа: убрать варианты, которые нельзя купить в условиях этого заказа.
Такую схему отбора, ранжирования и последующего учёта бизнес-логики описывает учебник Яндекса. Проверки размера и доставки — наше применение схемы к российскому магазину; технически часть фильтров можно поставить раньше.
Если магазин хочет предложить средство ухода, меняется сама задача: нужны дополняющие, а не похожие товары. Совместные покупки могут дать кандидата, но совместимость средства с материалом ботинок в нашем сценарии проверяется отдельно. Связь «покупают вместе» не равна «подходит по характеристикам».
Дополняющий подбор встречается и на маркетплейсах. В сентябре 2026 года Wildberries запустил в карточке товара функцию «Идеи образов». По анонсу компании, нейросеть собирает к вещи до 10 образов из других товаров площадки. Подробнее — в новости Кометы.
Вывод из примера: хорошее ранжирование не исправит устаревшие остатки или неверно выбранную задачу блока. Прежде чем обсуждать точность модели, полезно договориться, что считается подходящей рекомендацией.
Почему система ошибается и что такое холодный старт
Новый посетитель. Истории ещё нет, поэтому коллаборативному методу не на что опереться. Вариант для такой ситуации — рекомендации от открытого товара или общая подборка популярных позиций. Это запасной сценарий, а не доказанное знание личных вкусов. Учебник Яндекса.
Новый товар. У него пока нет взаимодействий, поэтому чистая модель на истории может не иметь представления этого товара. Характеристики помогают включить его в контентный подбор, но не гарантируют, что он заинтересует посетителя. Проблема недостатка истории у новых объектов и пользователей называется холодным стартом. Документация Google, учебник Яндекса.
Неоднозначные действия. Просмотр, клик и покупка — разные сигналы. Клик может означать любопытство, а не одобрение товара. В учебнике Яндекса это различие разобрано как явная и неявная обратная связь: неявные сигналы более шумные, а оптимизация только кликов может поощрять кликбейт. Источник.
Замкнутый круг показов. История отражает не только интересы людей, но и то, что им раньше показывала система. Новая модель может воспроизводить старый подбор. В нашем примере поэтому полезно отдельно смотреть, попадают ли в рекомендации новые модели обуви, а не только прежние лидеры. Проблему обратной связи описывает учебник Яндекса; покрытие каталога и разнообразие выделены среди метрик в документации Recommenders.
Какие метрики не стоит путать
Оценка модели на прошлых данных отвечает на вопрос о качестве предсказаний или порядка рекомендаций. Например, Precision показывает долю релевантных объектов среди рекомендованных, а NDCG учитывает их позиции. Покрытие и разнообразие отвечают на другие вопросы. Это разные измерения, а не один универсальный балл качества. Документация Recommenders.
Для учебного магазина предлагаем разделить отчёт так:
| Что хотим понять | Как определить показатель | Чего он сам по себе не докажет |
|---|---|---|
| Замечают ли блок | CTR блока: число кликов по товарам блока / число показов блока за выбранный период | Что заказы или прибыль выросли |
| Покупают ли посетители | Конверсия: число посетителей с оплаченным заказом / число посетителей в сравниваемой группе за тот же период | Что покупку вызвали именно рекомендации |
| Есть ли экономический смысл | Маржинальный доход на посетителя с учётом заранее согласованных затрат и возвратов | Что эффект сохранится в другом сезоне |
Это предложенные определения для отчёта, не результаты измерений. Для CTR нужно отдельно договориться, что считается показом блока и как учитывать повторные клики. Нельзя сравнивать процент от показов отдельных карточек с процентом от показов всего блока.
Наш практический вывод: изменения в продажах следует проверять сравнением с контрольным вариантом, например в случайно разделённых группах A/B-теста за один период. Рост кликов после перестановки блока или рост заказов во время распродажи ещё не отделяет эффект алгоритма от других изменений. Роль рандомизации и корректного дизайна в оценке причинного эффекта объясняет Microsoft Research. Примеры распродажи и перестановки блока — наши иллюстрации смешения причин. Мы такой тест не проводили и прироста продаж не обещаем.
Когда магазину нужна такая система
Имеет смысл разбираться дальше, если покупателю трудно ориентироваться в ассортименте, есть повторяющиеся задачи подбора и магазин может связать товары с историей взаимодействий. Важно заранее назвать задачу: найти замену, дополнить корзину или предложить следующий товар.
Сложную ML-модель разумно отложить, если задача закрывается короткой ручной подборкой, характеристики и остатки ненадёжны либо нет способа оценить результат. Это редакционный вывод из требований к контентным данным, истории взаимодействий и ограничениям показа, а не универсальный порог размера каталога. Учебник Яндекса, контентная фильтрация, холодный старт.
По сложности полезно различать поддержание готового списка, автоматический подбор по характеристикам и собственную обучаемую систему. Последней нужны данные для обучения, вычисление рекомендаций и проверка качества; у крупной системы добавляются отдельные этапы отбора и ранжирования. Обучение и этапы отбора и ранжирования описывает учебник Яндекса, а способы оценки качества — документация Recommenders. Это ориентир состава работ, не смета: бюджет и сроки без данных конкретного магазина здесь не оценены.
Итог: рекомендательная система — способ организовать подбор, а не обещание роста выручки. Для магазина её смысл определяется подходящими товарами, доступностью покупки и измеримым результатом, а не названием алгоритма.
Исправлено 6 октября 2026: уточнили источники состава работ. Обучение и этапы подбора описаны в учебнике Яндекса, способы оценки качества — в документации Recommenders.
Источники
Проверено: определения и технические источники.
Проверены 30 сентября 2026 года. Зарубежная документация использована для объяснения методов, а не как рекомендация подключать сервис.
Яндекс Образование: введение в рекомендательные системы — данные, алгоритмы, холодный старт и устройство системы.
Google for Developers: Recommendations — what and why? — рекомендации от пользователя и от товара.
Google for Developers: Content-based filtering — подбор по признакам.
Google for Developers: Collaborative filtering — advantages and disadvantages — ограничения модели на взаимодействиях.
Recommenders: Evaluate — метрики ранжирования, разнообразия и покрытия.
Microsoft Research: Online Experimentation at Microsoft — методологическая работа 2009 года о контролируемых экспериментах; проверена официальная аннотация, не PDF.