Застряли на старте: как ретейлеры теряют выручку из-за слабых алгоритмов рекомендаций

От модной технологии к бизнес-активу

За последние три десятилетия рекомендательные системы совершили колоссальный скачок в развитии. Экспериментальная технология из 1990-х стала неотъемлемой частью бизнес-модели каждого успешного онлайн-ретейлера. Сегодня эффективность рекомендаций напрямую влияет на выручку, лояльность клиентов и капитализацию компаний в сфере электронной коммерции. Так, Amazon зарабатывает через них 35% своей выручки, Netflix, благодаря рекомендациям, сэкономил $1 млрд на удержании подписчиков, а алгоритмы TikTok, оцененные Wedbush Securities в $70 млрд, составляют свыше двух третей стоимости компании.

Такая трансформация объясняется тремя причинами. Во-первых, резко вырос объем данных о пользователях. Если раньше маркетологи располагали лишь базовой демографией и историей покупок, то сегодня можно анализировать тысячи микросигналов. Во-вторых, улучшились вычислительные возможности и алгоритмы ИИ. В-третьих, рынок e-commerce стал крайне конкурентным. В мире, где потребители в один клик сравнивают цены и условия покупки, персонализация становится ключевым инструментом дифференциации.

Однако, несмотря на очевидную важность, многие компании в e-commerce не могут реализовать потенциал рекомендательных систем. По данным Google Cloud, только из-за брошенного поиска (когда покупатель ищет товар на сайте продавца, но не находит то, что ему нужно. — Forbes) онлайн-площадки теряют не менее $2 трлн в год. Причина — ретейлеры застревают на начальных уровнях развития рекомендательных систем.

Четыре уровня зрелости

Рекомендательные системы различаются по способности понимать клиента и предлагать ему то, что нужно. На основании этого их можно разделить на четыре уровня зрелости: базовый, развивающийся, продвинутый и оптимизированный. Чем выше уровень, тем больше система способна не просто реагировать на действия покупателя, а предвосхищать их, превращая случайных посетителей в лояльных клиентов.

На базовом уровне рекомендации ограничены простыми алгоритмами. Они предлагают товары, основываясь на очевидных закономерностях, например популярности среди всех пользователей или случайных совпадениях в покупках. Такие системы не учитывают индивидуальные предпочтения и редко выходят за рамки хитов продаж. Покупатели, по сути, получают однотипные предложения, часто не соответствующие их реальным интересам.

Пример. Типичные признаки базового уровня показывает онлайн-магазин международного бренда одежды на рисунке 1. На его сайте есть простейшие блоки рекомендаций «Также покупают» и «Похожие». Первый показывает товары, которые другие покупатели часто приобретали вместе с просматриваемым, а второй — предлагает альтернативы из той же категории. Оба блока статичны и одинаковы для всех, то есть не учитывают историю покупок и интересов каждого отдельного клиента.

Главный признак того, что ретейлер пока не перешел на развивающийся уровень — непоследовательность в использовании таких блоков. Рекомендации есть лишь на некоторых страницах товаров, при этом их нет в ключевых точках взаимодействия с клиентом — в коллекциях, категориях и корзине.

На развивающемся уровне появляются элементы персонализации. Алгоритмы учитывают базовые данные о пользователе — например, что он смотрел или покупал раньше. Однако системы все еще ограничены: они не охватывают новые товары, не анализируют поведение в реальном времени и часто упускают возможности допродаж аксессуаров или сопутствующих продуктов. Это уже не просто витрина бестселлеров, но и не полноценный помощник — покупатель получает более точные предложения, но их релевантность остается под вопросом. 

Пример. На сайте крупного российского маркетплейса одежды и обуви на рисунках 2 и 3 видны характерные признаки развивающегося уровня. Здесь интегрирован блок рекомендаций «Недавно просмотренные», который мониторит активность пользователя в реальном времени. Алгоритм формирует более персонализированный клиентский опыт, используя несложные технологии отслеживания сессий и истории просмотров. Однако система не учитывает эти данные при формировании главной страницы. Так, если добавить детские кеды в корзину, то рекомендации не поменяются, а главная продолжит показывать товары для взрослых.

На продвинутом уровне алгоритмы используют широкий спектр данных — от истории покупок до текущих действий на сайте, включая предпочтения по брендам, категориям и времени суток. Системы охватывают не только популярные товары, но и менее известные позиции, предлагая альтернативы и дополнения. Они интегрированы в ключевые этапы пути клиента (от поиска до оформления заказа), что позволяет ретейлерам увеличивать средний чек и удерживать аудиторию. Однако и здесь есть пределы: адаптация к изменениям происходит с запозданием, а региональные особенности или неожиданные тренды остаются незамеченными.

Пример. Один из крупных онлайн-гипермаркетов продуктов на рисунках 4 и 5 показывает элементы продвинутого подхода. В корзине появляются секции «Не забудьте купить» и «Рекомендуем». Первый блок предлагает товары, логически дополняющие уже выбранные продукты, например к пасте советует соус, к кофе — сливки или сахар. Это не просто перечень популярных товаров, а интеллектуальный подбор, основанный на анализе связей между категориями и потребительскими привычками. Блок «Рекомендуем» идет еще дальше — использует комбинацию данных о текущем заказе и истории покупок для формирования персонализированных предложений. 

Но, несмотря на это, система рекомендаций ограничена в адаптивности и понимании контекста. Пример — если выбранного продукта нет в наличии, она предлагает альтернативу, но зачастую основанную только на общих характеристиках товара без учета специфических потребностей клиента. Так, вместо безлактозного молока система может предложить обычное.

На оптимизированном уровне алгоритмы работают в реальном времени, мгновенно подстраиваясь под поведение покупателя, его местоположение и актуальные рыночные тенденции. Они не просто предлагают товары, а решают задачи клиента: находят идеальный подарок, подбирают комплект или предсказывают потребности до того, как пользователь их осознает. Такие системы охватывают весь ассортимент, включая новинки, и адаптируются под глобальные и локальные рынки. 

Пример. Эталонная рекомендательная система оптимизированного уровня — у Target.com (рисунок 6). Алгоритмы этого ретейлера гибко адаптируются под потребности клиентов, учитывая контекст каждого взаимодействия, историю покупок, текущее поведение на сайте и внешние факторы. Система знает, когда в регионе пользователя начинается сезон дождей или снега, приближаются праздники или школьный сезон. Эта адаптивность особенно заметна в праздничные периоды: за недели до Рождества или Дня благодарения система начинает органично включать в рекомендации тематические товары, подарочные наборы и принадлежности для праздничного стола. При этом предложения остаются персонализированными — система помнит предпочтения по ценовым категориям, брендам и стилю.

Кроме того, рекомендации мгновенно обновляются при любых изменениях. Если товар недоступен, система не просто убирает его из выдачи, а заменяет на максимально релевантную альтернативу, учитывая все нюансы первоначального выбора.

По оценкам BCG, каждый переход на один уровень выше в среднем дает прирост в 10-15% выручки. При этом у компаний, достигших оптимизированного уровня, показатели лояльности клиентов увеличиваются на 20%, а рост выручки может достигать 40%. Но реальность такова, что многие ретейлеры — даже крупные — застревают на первых двух уровнях зрелости, будучи не в силах преодолеть барьеры, отделяющие их от потенциала следующих этапов.

Почему ретейлеры застревают на полпути

Основной барьер — технологическая неготовность. Устаревшие платформы и простые алгоритмы не позволяют обрабатывать данные в реальном времени и масштабироваться. Переход же к продвинутым системам требует не просто обновления софта, но полной перестройки инфраструктуры. Это дорого, долго и требует компетенций, которых часто нет внутри компании.

Другая проблема — разобщенность команд. Отделы маркетинга, IT и продаж нередко работают в отрыве друг от друга — как отдельные государства со своими целями и бюджетами. Это тормозит внедрение сложных систем, требующих слаженного взаимодействия.

Критическую роль играет краткосрочное мышление руководства. Топ-менеджеры ожидают быстрой отдачи от инвестиций, но совершенствование рекомендаций — это стратегический проект с отложенным эффектом. Сначала идет настройка алгоритмов и накопление данных, и только потом — заметный рост метрик.

Наконец, многие руководители не понимают стратегическую роль рекомендательных систем, видя в них лишь инструмент для краткосрочного роста продаж, упуская их значение в удержании клиентов или выходе на новые рынки. Без такого понимания переход к оптимизированному уровню трудно достижим, так как компания не видит долгосрочных выгод от инвестиций.

Как преодолеть барьеры

Переход на более высокие уровни требует системного подхода. Первый шаг — сформировать кросс-функциональную команду, где маркетологи привносят понимание клиентов, IT-специалисты обеспечивают техническую реализацию, а аналитики — методологию оценки результатов.

Критически важно внедрить культуру принятия решений на основе данных. Постоянные A/B-тесты и быстрые итерации позволяют совершенствовать алгоритмы, опираясь на объективные показатели, а не на мнения отдельных руководителей.

Также важно инвестировать в технологическую инфраструктуру. Современная рекомендательная система должна не просто «уметь рекомендовать», но работать в реальном времени, интегрироваться с CRM, ERP, программами лояльности и учетом остатков, масштабироваться без сбоев при росте трафика и поддерживать эксперименты на ограниченной аудитории.

При этом внедрение следует вести поэтапно, начиная с точек максимальной финансовой отдачи — главной страницы, карточек товара и корзины. Такой подход позволяет распределить инвестиции во времени и продемонстрировать реальные результаты для обоснования дальнейших вложений.

И, конечно, необходимо переосмыслить метрики успеха. Вместо технических показателей вроде точности алгоритмов измерять бизнес-эффект: влияние персонализации на конверсию, средний чек и пожизненную ценность клиента. Это позволит обосновывать инвестиции через финансовые результаты.

Будущее наступит быстро

Рекомендательные системы стремительно эволюционируют, и сегодняшний оптимизированный уровень станет базовым уже через несколько лет. Новый рубеж, к которому стремится рынок, — предиктивные рекомендации, способные предугадывать потребности клиентов до того, как они сами их осознали. Это произойдет, потому что алгоритмы смогут учитывать не только цифровой след, но и внешние данные — макроэкономику, сезонность, тренды, поведение в офлайн-каналах и даже погоду.  

Это выведет конкуренцию в e-commerce на иной уровень. И чтобы выжить в ней, необходимо инвестировать в развитие рекомендательных систем уже сегодня. Компании, оставшиеся на базовом уровне, рискуют не просто отстать, а полностью потерять клиентов в мире, где персонализация становится не роскошью, а стандартом.

Мнение редакции может не совпадать с точкой зрения автора