Задача: продавать длинный хвост, а не топ-10
Типовой заказ ритейла — интернет-магазин, аптечная сеть или B2B-каталог комплектующих с десятками тысяч позиций. Топ категории продаёт себя сам; всё остальное — «длинный хвост» — зависит от того, найдёт ли покупатель нужное. Менеджеры и мерчандайзеры вручную собирают подборки, блок «с этим покупают» либо отсутствует, либо построен на примитивных правилах «из той же категории». Задача формулируется так: показывать каждому покупателю релевантные ему позиции в каталоге, корзине и рассылках — и объяснять, почему их показывают.
Отдельный мотиватор у B2B: закупщик, который исторически берёт расходники, должен видеть совместимые позиции и аналоги, а не случайный ассортимент. Тут рекомендации — прямое продолжение работы менеджера, а не «маркетинговая красота».
Почему это сложно
Первая сложность — данные разреженные: большинство покупателей взаимодействует с крошечной долей каталога, а классические модели коллаборативной фильтрации на таком «длинном хвосте» работают плохо. Вторая — холодный старт: новый товар без истории и новый покупатель без профиля не рекомендуются вовсе. Третья — ограничение времени: блок рекомендаций должен собираться за десятки миллисекунд, иначе страница «плавает». Четвёртая — бизнес-правила: нельзя рекомендовать отсутствующее, нельзя двигать маржу вслепую, иногда надо придержать позицию — и всё это поверх релевантности.
Современный ответ на эти сложности — двухэтапная архитектура: грубый, но быстрый отбор кандидатов, за которым следует точный, но более медленный реранкинг небольшого списка. Паттерны такого поиска разбирём ниже.
Архитектура: кандидаты → реранкинг → объяснение
Архитектура рекомендательного контура (текстовая схема)
События: заказы · просмотры · корзины · поисковые запросы
│ консолидация, обезличивание профилей (152-ФЗ)
▼
Профиль покупателя + признаки товаров (описания, категория, цена, остатки)
▼
Этап 1 — кандидаты (за миллисекунды):
векторный поиск по эмбеддингам товаров и профиля
(pgvector на старте / Milvus-Qdrant при больших каталогах)
→ 100–300 кандидатов
▼
Этап 2 — реранкинг (гибридный поиск + реранкер):
текстовые описания + поведение + остатки + бизнес-правила
→ топ-10 с учётом маржи и доступности
▼
Этап 3 — LLM-объяснение: «с этим берут, потому что…» (строгий шаблон)
▼
Точки показа: карточка, корзина, главная, e-mail/мессенджер-рассылки
▼
A/B-тест: конверсия · чек · выручка на пользователя ──► обратная связь
Ключевые инженерные решения. Эмбеддинги товаров считаются на моделях эмбеддингов русского языка — это принципиально для русскоязычных описаний. Этап кандидатов живёт в векторной базе: на старте и средних каталогах хватает pgvector внутри PostgreSQL, при миллионах SKU переходят на Milvus или Qdrant. Реранкинг устроен по паттернам гибридного поиска с реранкером: текстовое сходство складывается с поведенческими признаками, поверх — жёсткие фильтры остатков и бизнес-правила. LLM-слой объяснений подключается последним и отвечает строго по шаблону — без «фантазий» о товаре.
Этапы внедрения
| Этап | Что получается | Бюджет | Срок |
|---|---|---|---|
| Аудит данных и каталога | качество событий, полнота описаний, доступ к истории заказов, план A/B | от 90 000 ₽ | 1–2 недели |
| Пилот на одной точке показа | блок «с этим покупают» в карточке товара, офлайн-замер качества на исторических данных | от 480 000 ₽ | 4–6 недель |
| Промышленный контур | все точки показа, рассылки, профили, реранкинг под маржу, дашборд | 0,9–1,2 млн ₽ | по ТЗ |
| Сопровождение | переобучение эмбеддингов под новинки, контроль A/B, ротация признаков | по регламенту | — |
Бюджеты — прайс НЬЮ-ССТ на сентябрь 2026, «от», без НДС (УСН, п. 2 ст. 346.11 НК РФ). Сроки — типовые вилки проектов этого класса.
Типовые метрики «до/после»
Ниже — типовые вилки результатов внедрений рекомендательных систем этого класса, а не обещание по конкретному магазину. Единственный честный способ узнать свой эффект — A/B-тест: половина трафика живёт без рекомендаций, половина — с ними.
- Конверсия в покупку: типовой результат внедрений этого класса — +10–25% на рекомендованных позициях.
- Средний чек: +5–15% за счёт сопутствующих и дополняющих товаров.
- Доля длинного хвоста в выручке: +10–30% — рекомендации выводят из тени позиции вне топа.
- Качество подбора: доля показов с кликом (CTR) растёт на 15–40%; это опережающий индикатор до влияния на выручку.
- Ручная работа мерчандайзеров: типовое сокращение времени на ручные подборки на 50–80%.
Безопасность и 152-ФЗ
Профиль покупателя строится на его действиях — это персональные данные в смысле 152-ФЗ. Типовой контур проектируется под закон с первого дня: явное согласие на персонализацию, хранение в РФ, обезличенные профили для моделей, удаление по запросу субъекта. Отдельный слой — защита самого рекомендательного сервиса: каталог и API не должны отдавать всю базу перебором, а LLM-объяснения — проходить фильтры, чтобы не выдумывать свойства товаров; набор таких фильтров — в обзоре «Guardrails-фреймворки для LLM».
Об этом разборе. Это обезличенное типовое внедрение из нашей практики проектирования: имена заказчиков не раскрываются (NDA), эффект дан типовыми вилками класса проектов, реальный эффект конкретного внедрения фиксируется A/B-тестом и в КП.