Как мы научили интернет-магазин “читать мысли” и подняли выручку на 30% с помощью ИИ

Проект: Внедрение AI-рекомендаций для Fashion E-commerce.

Дано: Ритейлер с объемом ~120 заказов/день на базе экосистемы 1С. Основная проблема — низкая утилизация трафика («витринный шоппинг»).

Реализация: Развертывание системы персонализированной выдачи товаров без остановки операционной деятельности и перестройки IT-ландшафта.

Ключевой показатель: Рост выручки на 30% за 3 месяца за счет повышения релевантности предложения пользователю.

Боль клиента: Синдром cлепого продавца

До нашего прихода витрина магазина напоминала старательного, но абсолютно слепого консультанта. Всем посетителям, независимо от пола, возраста и вкусов, в блоке «Вам может понравиться» показывались одни и те же «Хиты продаж» — обычно это были базовые футболки или носки (просто потому что их покупают чаще всего).

Конверсия в покупку: 1.2% (грусть маркетолога).
Средний чек: 4 500 руб.
Проблема: Ручное управление рекомендациями. Контент-менеджер Лена тратила 4 часа в неделю, чтобы вручную привязывать «ремни» к «брюкам». Это работало медленно и часто нелогично.

Клиент поставил задачу: «Я хочу, чтобы сайт понимал, что если человек смотрит строгое пальто, ему не надо предлагать худи с покемонами, даже если это хит сезона».

Археология данных: Что мы раскопали

Любой ИИ — это гурман. Ему нужны свежие ингредиенты (данные). Мы полезли в закрома клиента и нашли там типичный для российского ритейла «зоопарк»:

Источники: История заказов за 2 года из 1С (ERP), логи поведения с сайта (Google Analytics / Яндекс.Метрика raw data) и каталог товаров.
Качество: Здесь нас ждал сюрприз. В базе 1С размер «L» был записан в пяти вариациях: «L», «l», «48-50», «Большой» и, внезапно, «Л».
Безопасность: Чтобы не нарушать 152-ФЗ, мы настроили процесс обезличивания. ИИ не знал, что покупатель — «Иван Иванов», он видел «User_ID_4829», который любит синий цвет и тратит деньги по пятницам.

Главным вызовом стала «чистка». Прежде чем кормить нейросеть, нам пришлось написать скрипты, которые привели каталог к единому стандарту. Это как перебрать тонну гречки, отделяя черные зернышки.

Решение: Цифровой стилист

Мы не стали ломать существующий «Битрикс», а построили рядом с ним «мозг» — отдельный микросервис рекомендаций.

Представьте, что это опытный шахматист, который просчитывает ходы.

Коллаборативная фильтрация: «Люди, похожие на тебя, купили это». Если 100 брутальных мужчин купили эти брюки и этот ремень, 101-му мы предложим то же самое.
Content-based подход: Анализ атрибутов. Если вы смотрите красное платье, система ищет похожие по фасону, материалу и цене, а не просто «что-то красное».
Бизнес-правила (Hard Logic): ИИ может ошибаться, поэтому мы поставили «предохранители». Например, не рекомендовать зимние куртки летом и не предлагать товары, которых осталось меньше 2 штук на складе.

Этапы большого пути (3.5 месяца)

Проект двигался не как спринт, а как марафон с препятствиями:

Анализ и проектирование (2 недели): Поняли, что данные грязные, поплакали, заложили время на чистку.
Сборка Data Pipeline (4 недели): Настроили перекачку данных из 1С и сайта в наше хранилище.
Обучение моделей (3 недели): Самый творческий этап. Первая версия модели упорно рекомендовала всем дешевые аксессуары. Пришлось учить алгоритм не гнаться только за вероятностью клика, а смотреть на маржинальность.
Интеграция и А/Б тесты (5 недель): Выкатили на живых людей. 50% видели старые «Хиты продаж», 50% — наш умный блок.

Команда: Люди и машины

С нашей стороны работало «спецназ-трио»:

Data Scientist: Тренер нейросети, шаман математики.
Backend-разработчик: Строитель труб, по которым текут данные.
Менеджер проекта: Переводчик с «айтишного» на «бизнесовый».

Со стороны клиента героем стал Маркетинг-директор. Сначала он был главным скептиком («Да что ваша машина понимает в моде?»), но когда увидел первые цифры, превратился в локомотив изменений, выбивая доступы у безопасников.

Под капотом (Технологии)

Для любителей «железа» и кода:

Язык: Python (стандарт индустрии).
ML-библиотеки: PyTorch для векторизации товаров (превращаем фото платья в набор цифр) и LightFM для матричных разложений.
БД: ClickHouse для хранения логов (очень быстрый) и Redis для мгновенной отдачи рекомендаций на сайт.
Оркестрация: Apache Airflow — дирижер, который каждое ночи запускал переобучение модели.

Результаты: Магия цифр

Спустя месяц чистого А/Б теста мы подвели итоги. Разница между группой с ИИ и группой без него была статистически значимой, как разница между велосипедом и электросамокатом.

Что мы получили (по метрикам):

Выручка: +30% (за счет роста конверсии и глубины чека).
Конверсия карточки товара: Выросла на 15%. Люди перестали уходить со страницы, если товар не подошел — они кликали на «Похожие».
Средний чек: Увеличился на 7%. Блок «С этим покупают» начал реально работать, подкидывая к кроссовкам правильные средства для ухода, а не случайные шапки.

Риски и грабли: «Холодный старт»

Главным вызовом стала проблема «Холодного старта». Что показывать новому пользователю, о котором мы ничего не знаем?
Сначала система впадала в ступор.
Решение: Мы внедрили гибридную логику. Пока пользователь «аноним», мы показываем ему тренды региона (в Москве — одно, в Новосибирске — другое) и новинки. Как только он делает 3-4 клика, включается персонализация. Это похоже на то, как официант сначала предлагает меню дня, а потом замечает, что вы смотрите только на стейки.

Жизнь после внедрения

Изменились не только цифры, но и работа людей.

Отзыв владельца «NordLook»:
«Честно? Я думал, это очередная игрушка для айтишников. Но когда я увидел, что система сама продала залежавшуюся партию зеленых брюк, просто начав рекомендовать их к новой коллекции свитшотов, я понял — это работает».

Что изменилось в офисе:
Контент-менеджер Лена перестала заниматься «ручным вязанием» товаров. Вместо механической работы она занялась созданием красивых лукбуков для Instagram. Рутина ушла к роботу, творчество осталось людям.

Что дальше?

Аппетит приходит во время еды. Теперь клиент хочет:

Умные рассылки: Чтобы в email-письме приходили не общие баннеры, а именно те товары, которые пользователь забыл в корзине или смотрел вчера.
Офлайн-интеграция: Продавцы в шоуруме с планшетами. Клиент называет номер телефона, а продавец видит: «Ага, он любит зауженные джинсы, предложите ему новую коллекцию».