В простейшей форме задача рекомендательной системы выглядит так:
из всего доступного ассортимента выбрать несколько объектов, которые с наибольшей вероятностью окажутся полезными конкретному клиенту.

Например, клиент купил кофемашину. Система может рекомендовать совместимые капсулы и средство для очистки.
Покупатель fashion-магазина несколько раз смотрел минималистичные вещи нейтральных цветов. Система может подобрать одежду со схожими визуальными и текстовыми характеристиками.

Клиент продуктового ритейлера каждые три недели покупает корм для питомца. Система может заранее вернуть этот товар в персональный блок или следующую корзину.
Пользователь стримингового сервиса посмотрел несколько скандинавских криминальных сериалов. Здесь «товаром» становится следующий фильм или сериал.

Клиент банка регулярно путешествует. Объектом рекомендации может стать не SKU, а премиальная карта со страховкой и lounge-доступом.

Поэтому более точное определение технологии звучит так:
Recommendation System — система, которая ранжирует множество доступных объектов по предполагаемой полезности или вероятности отклика конкретного пользователя.

А объектом рекомендации может выступать практически всё, между чем клиенту приходится выбирать.

Главная задача recommendation engine — не просто показать клиенту «интересные товары». Система должна изменить его поведение таким образом, чтобы одновременно улучшился клиентский опыт и выросла экономическая ценность взаимодействия.

• Для e-commerce это чаще всего означает рост вероятности перехода в карточку товара, добавления товара в корзину и покупки.
• Для retail — увеличение среднего количества позиций в чеке, cross-sell и повторных покупок.
• Для subscription-бизнеса — рост использования продукта и снижение churn. Для marketplace — повышение вероятности успешного мэтчинга спроса и предложения.

Коммерческая ценность рекомендателя обычно складывается из нескольких эффектов.

Важный эффект рекомендательных систем состоит именно в управлении long tail (длинный хвост). Без персонализации большая часть клиентов видит одни и те же хиты. Персональный ranking позволяет распределять внимание по значительно большей части каталога.

Хорошая иллюстрация этого эффекта — Netflix. В опубликованном компанией исследовании 2015 года система рекомендаций влияла примерно на 80% часов просмотра. Авторы также связывали развитие персонализации со снижением churn на несколько процентных пунктов и оценивали совокупный экономический эффект персонализации и рекомендаций более чем в $1 млрд в год. Это собственная оценка Netflix, а не независимый аудит, но она хорошо показывает масштаб роли recommender system в subscription-бизнесе.

[Исследование Netflix: Gomez-Uribe & Hunt, 2015] The Netflix Recommender System: Algorithms, Business Value, and Innovation

Product recommendations не следует воспринимать как технологию исключительно интернет-магазина.
Алгоритму безразлично, является объект физическим SKU, услугой или цифровым контентом.


Особенно хорошо универсальность технологии видна в travel.

В Airbnb объектом ranking является уже не традиционный товар, а жильё или experience. В одном эксперименте добавление персонализационных признаков к ML ranking Airbnb Experiences увеличило количество бронирований на 7,9% относительно предыдущей ML-модели без этой персонализации (а сам первый ML-этап, основанный на характеристиках experience, увеличил бронирования на 13% относительно rule-based/random baseline).

Следующий переход к real-time online scoring дал ещё 5,1% роста бронирований относительно предыдущего этапа.

Это тот же recommender-system problem, хотя физического «товара» в привычном смысле здесь нет. И это хороший пример того, почему термин Product Recommendation шире retail SKU.

Итого, рекомендательная система может работать с:
местом, услугой, опытом, рестораном, банковским продуктом или контентом.

[Первичный engineering case Airbnb] Machine Learning-Powered Search Ranking of Airbnb Experiences

Recommendation system — это не отдельный виджет «Вам также понравится». Одна модель или ансамбль моделей может обслуживать практически весь Customer Journey.

На главной странице задача обычно состоит в персональном discovery: показать категории и продукты, которые способны запустить новую сессию исследования ассортимента.

В каталоге и поиске recommendation technology фактически превращается в personalized ranking: два клиента с одинаковым запросом могут получить различный порядок результатов.

На карточке товара работают сценарии Similar Products, альтернативы и товары со схожими характеристиками.

В корзине особенно важны Complementary Products и Frequently Bought Together: аксессуары, расходники, ингредиенты или дополнительные услуги.

После покупки появляются сценарии Next Product, Next Basket и Replenishment.

В CRM тот же recommendation score может использоваться для выбора товаров в email, mobile push, web push или персональном предложении.

В физическом магазине рекомендации могут выводиться в приложении клиента, на экране сотрудника, POS-терминале или использоваться продавцом как Next Best Product.

Качество рекомендательной системы определяется не только выбранным алгоритмом. Часто значительно большую роль играет качество и полнота сигналов о клиентах и объектах.
Условно информацию можно разделить на четыре группы.

История клиента

Это поведенческие и транзакционные события:

• просмотры товара,
• поисковые запросы,
• клики, добавления в избранное, корзину,
• покупки, возвраты, частота покупок, последовательность действий, реакция на рекомендации и
• прямые маркетинговые коммуникации.

Причём отсутствие покупки также содержит информацию. Клиент мог десять раз посмотреть товар, добавить его в избранное, но не купить. Для рекомендателя это существенно сильнее, чем полное отсутствие взаимодействия.

Похожие клиенты

Второй источник знания возникает не внутри истории одного покупателя, а между покупателями.

Если тысячи клиентов демонстрируют повторяющийся паттерн:
A → B → C, а новый клиент уже приобрёл A и B, товар C становится естественным кандидатом на рекомендацию.

Это позволяет обнаруживать связи, которые невозможно получить только из справочника товаров.

Контент и свойства объекта

Например, товар можно описать признаками:

• категория, бренд,
• цена, материал, размер, цвет, технические характеристики, ингредиенты,
• текстовое описание, изображение, отзывы.

А для услуги это могут быть длительность, стоимость, условия использования и аудитория.

Для фильма — жанр, актёры, режиссёр, сюжет и визуальные характеристики.

Для ресторана — кухня, ценовой диапазон, расстояние и время доставки.

Современные системы превращают множество подобных характеристик в компактное математическое представление — embedding. Объекты со схожим смыслом оказываются расположены близко друг к другу в многомерном пространстве.

Промышленный пример такого подхода — Alibaba. В работе Billion-scale Commodity Embedding for E-commerce Recommendation исследователи построили граф товаров на основании поведения пользователей и научили embeddings миллиардного масштаба. Дополнительные сведения о товаре использовались для борьбы с sparsity и cold start; production A/B test показал улучшение CTR относительно ранее использовавшихся collaborative-filtering методов.

[Исследование Alibaba, KDD 2018] Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba

Контекст

Один и тот же клиент может иметь совершенно разные намерения в разных ситуациях.

Контекстом могут быть

• время суток, день недели, сезон,
• устройство, география, текущая поисковая сессия,
• погода, источник трафика, магазин,
• промоакция и доступность товара.

Например, предпочтения клиента в обычной недельной покупке продуктов и перед Новым годом различаются. У пользователя travel-сервиса деловая поездка и семейный отпуск формируют разные наборы предпочтений.

Именно этим занимается отдельное направление — Context-Aware Recommender Systems: рекомендация зависит не только от пары «человек — товар», но и от ситуации, в которой происходит выбор.

1 - Рекомендации на основе собственной истории клиента

Самый интуитивный источник персонализации — действия самого пользователя.

• Если клиент несколько раз покупал определённый товар, вероятна повторная покупка.
• Если смотрел товары одной категории — можно продолжить exploration внутри этой категории.
• Если только что купил основной продукт — появляется возможность рекомендовать аксессуары.

Однако история — это не просто список покупок. Важны последовательность и время.

Покупка подгузников три дня назад и покупка подгузников три года назад несут разный прогнозный сигнал. Поэтому более свежим взаимодействиям предлагается давать больший вес. В боевых моделях временная динамика предпочтений встроена непосредственно в collaborative-filtering model.

В современных sequential recommenders модель смотрит уже не просто на набор событий, а на их порядок:

• телефон → чехол → защитное стекло,
• авиабилет → отель → трансфер,
• первый курс → следующий уровень обучения.

Transformer-подход BERT4Rec (передовая архитектура в области рекомендательных систем), например, применяет bidirectional representation learning к последовательности пользовательских взаимодействий, чтобы моделировать динамически меняющиеся предпочтения.

2 - Collaborative Filtering: рекомендации через похожих клиентов

Collaborative Filtering основывается на коллективном поведении пользователей.

Вместо вопроса:
«На что похож этот товар?»
алгоритм спрашивает:
«Что выбирают люди с похожим поведением?»

Представим:
Клиент A покупал товары X, Y и Z.
Клиент B покупал только X и Y.

Если их профили действительно похожи с учетом других признаков, Z становится сильным кандидатом для клиента B.

Именно такой принцип позволяет рекомендовать объекты, которые могут быть совершенно непохожими по формальному описанию, но связаны реальным потребительским поведением.

Один из важнейших промышленных примеров появился у Amazon. В статье 2003 года Greg Linden, Brent Smith и Jeremy York описали item-to-item collaborative filtering.

Вместо поиска похожих пользователей система вычисляла связи между самими товарами на основании совместного поведения покупателей, что позволяло масштабировать рекомендации на огромный каталог и работать в real time.

[Оригинальная статья Amazon] Amazon.com Recommendations: Item-to-Item Collaborative Filtering

3 - Content-Based Recommendation: рекомендации через содержание товара

Content-based подход движется в противоположную сторону.

• Вместо поведения других людей модель смотрит на характеристики самого объекта. Предположим, клиент проявил интерес к белым минималистичным кроссовкам определённого ценового диапазона.
• Система может искать другие товары, близкие по типу, цвету, материалу, форме, стилю, цене, текстовому описанию и изображению.

Главное преимущество подхода — возможность рекомендовать объект даже тогда, когда у него пока мало взаимодействий.

Это особенно ценно в fashion, marketplace, media и других бизнесах с быстро меняющимся ассортиментом.

Хороший пример — проект ASOS Fashion Outfit Generation for E-commerce. Исследователи использовали визуальные и текстовые характеристики одежды для построения latent style space. Товары, совместимые с определённой вещью, оказывались близки в этом пространстве.

В A/B-проверке пользователи одобряли автоматически сгенерированные системой комплекты на 21% чаще для womenswear и на 34% чаще для menswear, чем комплекты baseline-модели, учитывавшей тип товара, но не стиль.

[Исследование ASOS] Fashion Outfit Generation for E-commerce

Современный content-based recommender может одновременно использовать текст, изображение, звук и структурированные характеристики. Такой класс систем называют multimodal recommenders. Исследования показывают, что пользовательские взаимодействия можно объединять с visual, textual и другими modal features в единой модели.

У каждого отдельного подхода есть ограничения.
Collaborative filtering силён там, где уже накоплена большая история взаимодействий, но испытывает сложности с совершенно новым товаром.

Content-based модель хорошо понимает новый товар, но может слишком долго оставаться внутри уже известных предпочтений клиента.

История самого пользователя даёт очень персональный сигнал, но для нового клиента этой истории ещё нет.
Поэтому production recommendation systems обычно объединяют несколько источников.

Условно:
История клиента + поведение похожих клиентов + свойства товара + текущий контекст → Recommendation Score.

Гибридный подход можно реализовать по-разному. Одна модель может использовать сразу все признаки.

Можно построить несколько независимых рекомендателей, а затем смешивать их scores. Один алгоритм может заниматься генерацией кандидатов, а другой — ranking. Наконец, отдельный re-ranking layer может менять результат с учётом бизнес-ограничений.

Сам термин hybrid recommendation является частью классической таксономии рекомендательных систем (taxonomy recommender systems) и используется именно для систем, объединяющих различные источники и методы рекомендаций.

Рекомендательная система не обязательно начинается с deep learning. У компании может быть несколько уровней зрелости.



Принципиальный вывод для бизнеса: не существует необходимости начинать с самого сложного алгоритма.
Во многих случаях переход от ручных правил к хорошо построенному statistical/ML baseline уже способен дать значимый эффект.

Сложность следует увеличивать только тогда, когда A/B tests показывают дополнительный incremental uplift.

Вот несколько кейсов из российского сегмента:
1) у Сбер есть свой фреймворк по теме Рекомендательных систем.
2) Рекомендательная система на Ozon отвечает за отбор товаров, релевантных контексту показа полки, и порядок отображения этих товаров.
3) Одна из ключевых функций Yandex Музыка — предлагать пользователям треки, которые они пока не слышали, но могут оценить.

В зарубежном и академическом сегменте отметим кейсы от:

Hanes Australasia - физический retail

Hanes Australasia — группа apparel и lifestyle-брендов — сравнила Recommendations AI с прежней системой ручных рекомендаций.

По данным опубликованного Google Cloud кейса, в A/B test компания получила двузначный uplift revenue per session относительно прежнего manual recommendation approach.
Здесь особенно важен объект сравнения: технология оценивалась не только через CTR рекомендаций, а через доход на пользовательскую сессию.

[Первичный кейс Google Cloud / Hanes Australasia] Online shopping gets more personal with Recommendations AI

Kinguin - marketplace цифровых товаров

Kinguin использует marketplace-модель и большой каталог цифровых продуктов.

После внедрения recommendation technology компания сообщила о сокращении времени поиска товара примерно на 20 секунд, увеличении среднего размера корзины на €5, двукратном и более росте CTR на recommendation placements и четырёхкратном росте conversion rate относительно исходного уровня проекта. Результаты приведены в клиентском кейсе Google Cloud.

Здесь хорошо видны сразу два эффекта:
снижение friction для пользователя + изменение коммерческих метрик.

[Первичный кейс Kinguin] Kinguin helps shoppers find products faster with Recommendations AI

Benetton Group - fashion

Benetton использовал browsing history и AI-based recommendations на home page, product detail pages и shopping cart.

По опубликованному Google Cloud кейсу, пользователи, взаимодействовавшие с recommendation panel, имели в шесть раз более высокий conversion rate, проводили на сайте почти в три раза больше времени, а средняя величина продаж, связанных с панелью рекомендаций, была примерно на 7% выше.

Здесь важно аккуратно интерпретировать цифры: сравнение пользователей, кликнувших и не кликнувших recommendation panel, само по себе не доказывает причинный uplift — более заинтересованные клиенты изначально могут чаще нажимать рекомендации. Но кейс показывает сильную связь между использованием recommender experience и коммерчески ценным поведением.

[Первичный кейс Benetton Group] Benetton Group — Recommendations AI case study

ASOS - fashion рекомендации через контент

ASOS исследовал задачу, которая плохо решается классическим «похожие товары». Если пользователь выбирает рубашку, ему может быть нужна не другая похожая рубашка, а брюки и обувь, которые образуют совместимый outfit.
Для этого исследователи обучили latent style space на текстовых и визуальных данных и комплектах, созданных профессиональными стилистами.

В A/B evaluation автоматически созданные комплекты получили на 21% выше конверсию для womenswear и на 34% больше для menswear относительно baseline, который учитывал совместимость типов товаров, но не style information.

Кейс показывает важное направление развития рекомендательных систем: рекомендовать не только похожие товары, но и товары, выполняющие правильную роль относительно исходного объекта.

[Исследование ASOS] Fashion Outfit Generation for E-commerce

Netflix - продуктом является контент

Netflix — один из наиболее известных примеров того, как recommender system становится частью самого продукта.
Компания использует несколько различных ranking algorithms, а рекомендации присутствуют практически на всех основных экранах.

В опубликованном Netflix исследовании около 80% streamed hours были связаны с выбором через recommendation system. Авторы оценивали экономический эффект персонализации и рекомендаций более чем в $1 млрд ежегодно, главным образом через влияние на retention и churn.

Netflix особенно важен для понимания темы, потому что показывает: цель рекомендательной системы не обязательно непосредственная продажа.

Иногда главный KPI — consumption, engagement или retention, которые затем преобразуются в LTV.

[Первичное исследование Netflix] The Netflix Recommender System: Algorithms, Business Value, and Innovation

Food delivery - рекомендации ресторанов

Даже внутри food delivery объектом recommendation может быть не блюдо, а ресторан.

AWS приводит пример The Chefz, где во время Ramadan personalized restaurant recommendations дали примерно в два раза больше взаимодействий с рекомендованными ресторанами относительно legacy solution и увеличили conversion rate по рекомендованным ресторанам на 35%.

В другом кейсе, Shgardi, блок "Рекомендации для тебя" использовал историю взаимодействий для существующих клиентов, а для новых — контекст вроде местоположения, времени и популярных ресторанов. Компания сообщила о +30% conversion новых пользователей в buyers и +20% monthly orders.

[Кейсы Amazon Personalize] Amazon Personalize customer stories

На базовом уровне product recommender действительно может выглядеть как блок «С этим товаром покупают».

Но зрелая рекомендательная система решает гораздо более широкий класс задач.

Она пытается понять:

• кто перед ней;
• что этот человек делал раньше;
• чем он интересуется прямо сейчас;
• что выбирают похожие клиенты;
• что означает каждый объект каталога;
• какие товары совместимы между собой;
• какие ограничения есть у бизнеса;
• и какое предложение создаст максимальную ценность в текущем контексте.

В результате recommendation engine становится не виджетом сайта, а механизмом принятия решений между клиентом и ассортиментом.

И этот механизм одинаково применим к интернет-магазину одежды, супермаркету, банку, ресторану, travel-платформе, образовательному сервису или streaming-продукту.

Главная формула остаётся одной:
история клиента + похожие клиенты + содержание объекта + контекст → наиболее релевантное следующее предложение.

Для большинства e-commerce и retail-компаний минимальная база уже существует.

Критичными являются три сущности, которые уже хранятся в самой стандартной CDP системе:
клиент — взаимодействие — объект.

Если компания способна связать customer ID с просмотрами или покупками и имеет стабильный item ID в каталоге, уже можно строить первые рекомендательные модели.

Для более зрелой системы полезны дополнительные данные:
категории и характеристики товаров, цены, остатки, промо, возвраты, поисковые события, session data, коммуникации и канал взаимодействия.

При этом объём данных определяет не возможность запуска как таковую, а уровень возможной персонализации.
Небольшому бизнесу может быть достаточно item-to-item и association models.

Крупному marketplace с миллионами клиентов и SKU может потребоваться многоэтапная architecture с embeddings, real-time feature store, candidate retrieval и neural ranking.

Проект базового уровня команда Coffee Analytics реализует за 6-8 недель. Состоит процесс из следующих этапов.

1 - Интеграция данных
Объединяем покупки, просмотры, поиски, корзину, каталог товаров, цены, остатки и данные о клиентах в единой БД.
2 - Подготовка витрины и признаков
Формируем связку client_id — item_id — event — timestamp, признаки клиентов и товаров, историю взаимодействий и обучающие выборки.
3 - Разработка рекомендательной модели
Строим baseline и несколько подходов: collaborative filtering, content-based, hybrid; формируем candidate generation и ranking Top-N товаров.
4 - Проверка качества и A/B-тест
Сравниваем модели по Precision@K, Recall@K, NDCG, а затем — по бизнес-метрикам: CTR, CR, AOV, revenue per session. При необходимости возвращаемся к витрине и дорабатываем признаки.
5 - Вывод в production
Передаём рекомендации на сайт, в приложение, CRM или интерфейс продавца; настраиваем batch или real-time расчёт, мониторинг качества и регулярное переобучение.