Блок «Вам також може сподобатися» часто додають наприкінці розробки — аби не було порожнього місця. Але він розподіляє увагу покупця, впливає на залишки й може або допомогти з вибором, або створити ще один шар шуму. Якщо спочатку підключити рекомендації на основі ШІ, а вже потім визначати правила, магазин отримує красиву карусель без відповідальності за результат.
У червні 2026 року McKinsey описала гіперперсоналізацію як постійну здатність бізнесу вчитися: для неї потрібні захищені дані, механізм ухвалення рішень у реальному часі, керування пропозиціями та правила контролю. Це не означає, що кожному магазину потрібна складна модель. Shopify, наприклад, поєднує історію покупок, описи та колекції, але прямо документує обмеження й запасні сценарії.
Практичний висновок простіший: починайте не з алгоритму, а з рішення, яке він має приймати. Нижче — система для вбудованого блока платформи, готового застосунку або власного сервісу.
Коротко: рекомендуйте мінімально необхідним сигналом
Оберіть одне місце на сайті й одне завдання покупця. Сформуйте список допустимих товарів із правдивих даних каталогу. Відсортуйте його найпростішим сигналом, який вирішує завдання. Потім приберіть відсутні, несумісні, повторювані чи недоречні позиції. Зафіксуйте показ рекомендації разом із місцем, версією логіки й групою експерименту. Порівняйте з контрольною групою за додатковою маржею, поверненнями, швидкістю сторінки та досвідом покупця.
Робочий ланцюжок: завдання → допустимі товари → сигнал → обмеження → запасний сценарій → показ → результат.
Одне місце — одне завдання
Рекомендація на картці товару може запропонувати альтернативу або доповнення. У кошику вона має нагадати про справді потрібну дрібницю, а не відволікати від оплати. На сторінці без результатів — відновити намір запиту. У кабінеті чи листі — допомогти повторити покупку у відповідний момент.
| Місце | Що потрібно покупцеві | Безпечний старт | Головний ризик |
|---|---|---|---|
| Картка товару | Порівняти заміну | Той самий сценарій, сумісні параметри, наявний варіант | Копії без нової цінності |
| Картка товару | Зібрати комплект | Керовані супутні товари | Несумісний аксесуар |
| Кошик | Не забути необхідне | Одне зрозуміле доповнення | Зайве тертя перед оплатою |
| Пошук без результатів | Продовжити вибір | Запит, категорія, товари в наявності | Ігнорування самого запиту |
| Кабінет або лист | Повторити чи поновити | Цикл споживання та вказані вподобання | Нав'язливий висновок про людину |
Для кожного місця визначте окремий основний показник. Альтернативи оцінюють через пошук товару й конверсію; доповнення — через частку кошиків із супутнім товаром та маржу; повторну покупку — через утримання, відписки й скарги. Загальна цифра «дохід від рекомендацій» приховує різні причинно-наслідкові зв'язки.
Сходинки персоналізації
Не збирайте більше даних лише тому, що інструмент їх приймає. Переходьте на наступну сходинку, якщо попередньої справді не вистачає.
- Дані каталогу: категорія, призначення, сумісність, ціна, наявність, ринок, заборонені поєднання. Тут персональний профіль не потрібен.
- Зведена поведінка: що часто переглядають або купують разом різні клієнти.
- Поточний сеанс: пошуковий запит, шлях категоріями, переглянуті товари та кошик. Це поточний намір, а не «портрет особистості».
- Відомий клієнт: попередні замовлення, збережений розмір, самостійно вказані вподобання — лише з належною правовою підставою та зрозумілою користю.
Новий магазин або нова категорія не мають історії для машинного навчання. Це нормальний холодний старт. Якісні зв'язки між товарами та контекст сеансу часто корисніші за модель, навчений на малій вибірці.
Мінімальний договір про дані
Запишіть, які поля споживає система й що означає кожна подія. Для товару та варіанта потрібні стабільний ID, локаль, ціна, наявність, статус продажу, категорія, призначення, сумісність, ключові параметри та виключення. Комерційні сигнали — наприклад, діапазон маржі чи пріоритет запасу — зберігайте окремо від релевантності. Тоді команда бачить, де допомога покупцеві закінчується й починається розпродаж складу.
Для кожного показу передавайте ID рекомендації, місце, назву й версію логіки, список кандидатів і позицію, час, локаль, дозволений ідентифікатор сеансу або клієнта та групу тесту. Далі з'єднуйте показ із кліком, переглядом товару, додаванням у кошик, початком оформлення, покупкою, скасуванням і поверненням.
У специфікації GA4 для ecommerce є стандартні події списків товарів, вибору, кошика, оформлення, покупки й повернення коштів. Додаткові поля рекомендації допомагають встановити зв'язок. Якщо магазин записує лише клік і покупку, він не бачить людей, яким блок показали, але які його проігнорували.
Якість описів і параметрів тут критична. Якщо атрибути неузгоджені, спочатку виправте процес роботи з товарним контентом.
Не кожній задачі потрібен ШІ
- Ручні зв'язки добре працюють у невеликому каталозі або там, де експерт знає сумісність.
- Бізнес-правила легко пояснити, але їх потрібно переглядати й розв'язувати конфлікти.
- Схожість контенту використовує атрибути та описи; без якісного каталогу показує лише «ще більше такого самого».
- Спільна поведінка знаходить закономірності переглядів і покупок, але потребує достатньої кількості порівнюваних подій.
- Контекст сеансу корисний, коли намір швидко змінюється, однак випадкові кліки створюють шум.
Мовна модель може нормалізувати атрибути, згрупувати відгуки чи класифікувати сценарій використання. Ціну, наявність, сумісність і правила вона не повинна вигадувати. Ці факти приходять із керованих систем і перевіряються після ранжування.
Shopify зараз генерує пов'язані товари за історією покупок, описами або колекціями. Важлива локальна деталь: метод на основі опису доступний лише для англомовних вітрин. Україномовному магазину варто перевірити покриття кожної локалі та мати власні зв'язки або запасний сценарій.
Оцінка моделі — ще не дозвіл на показ
Після формування кандидатів відсійте товари без потрібного варіанта, несумісні компоненти, те, що вже є в кошику, недоступні для регіону позиції та заборонені поєднання. Обмежте кількість майже однакових товарів. Якщо маржа чи залежалі запаси впливають на порядок, встановіть межу й зробіть її видимою.
Для кожного блока потрібна послідовність заміни:
Останній варіант цілком нормальний. Слабка карусель привчає клієнта не дивитися на рекомендації взагалі.
Автоматизуйте перевірку швидкості відповіді, кількості кандидатів, повторів, посилань, актуальної ціни, доступної назви блока й відсутності стрибка верстки під час помилки сервісу.
Рахуйте додаткову маржу, а не весь «дотичний» дохід
Платформа може приписати собі покупку, якщо людина натиснула на рекомендацію дорогою до товару, який і так планувала придбати. Для перевірки потрібна випадкова контрольна група з поточним досвідом або чітко визначеним неперсоналізованим варіантом.
Показуйте розмір вибірки, кількість придатних сеансів, частку фактичних показів і період тесту. Дивіться на конверсію, дохід на придатний сеанс, частку комплектних покупок, середній чек, різноманітність товарів, повернення, повторні покупки та швидкість сторінки. Клік по каруселі сам собою не є бізнес-результатом.
Рекомендації можна додати до загального плану атрибуції AI-каналів, але питання різні: атрибуція пояснює, звідки прийшла людина, а експеримент — чи змінив блок її кошик.
Персоналізація без стеження
Збирайте лише те, що потрібне для визначеного блока. Встановіть строки зберігання, права доступу та видалення. Розділіть анонімний сеанс і профіль відомого клієнта. Пояснюйте суттєву персоналізацію простою мовою та, де доречно, дайте керувати вподобаннями. Не виводьте чутливі характеристики людини з поведінки лише тому, що модель знайшла кореляцію.
Для користувачів з ЄС та ЄЕЗ обробка персональних даних підпадає під GDPR і потребує належної правової підстави та захисту прав людини. Вимоги до файлів cookie, прямого маркетингу й окремих категорій товарів залежать від реалізації та ринку. Це архітектурна схема, а не юридична консультація.
План запуску на 30 днів
Не змінюйте одночасно дизайн, знижку, модель і каталог. Почніть із місця, де достатньо трафіку й зрозуміла користь. Після позитивного результату залиште довгострокову контрольну групу або регулярно повторюйте перевірку: асортимент і поведінка змінюються.
Чого ця система не вирішує
Мала вибірка не підтримує дрібні сегменти. Обліковий запис може належати всій родині. Спільні покупки іноді пояснюються акцією, а не вподобанням. Сезон і дефіцит спотворюють історію. Алгоритм може збільшити середній дохід і водночас приховати нові товари. Перевіряйте результати за категоріями й ринками, переглядайте їх вручну та зберігайте можливість відкату.
Рекомендації не виправлять неструктурований каталог, відсутні залишки, слабкий пошук або оформлення замовлення, якому не довіряють.
Поширені запитання
Чи потрібна невеликому магазину система рекомендацій на основі ШІ?
Зазвичай ні на першому етапі. Керовані зв'язки, якісні атрибути, зведена поведінка й контекст сеансу вирішують типові завдання з меншим обсягом даних.
Чим пов'язані товари відрізняються від супутніх?
Пов'язані — це альтернативи поточному товару. Супутні допомагають повноцінно ним користуватися. Для них потрібні різні кандидати та показники.
Що показувати новому відвідувачу?
Використовуйте атрибути товару, правила категорії, контекст поточного сеансу або зведену популярність. Не вигадуйте персональний профіль.
Як виміряти ефективність рекомендацій?
Порівняйте придатну тестову групу з контролем і порахуйте додаткову маржу після знижок, повернень та витрат. Стежте за швидкістю й досвідом.
Чи може LLM самостійно обирати товари?
Може допомогти зрозуміти намір або впорядкувати атрибути. Наявність, сумісність, ціна й правила мають перевірятися керованими джерелами.
Джерела й дата перевірки
Перевірено 22 серпня 2026 року за дослідженням McKinsey про маркетинг у добу ШІ; актуальним матеріалом Shopify про персоналізацію на основі ШІ в ecommerce та документацією Search & Discovery; специфікацією Google для вимірювання ecommerce у GA4; і матеріалами Європейської комісії про правову систему захисту даних у ЄС. Перевірте вимоги платформи, згоду на аналітику й законодавство для свого ринку.
Що далі: зв'яжіть рекомендації з причинами повернень, не додавайте зайвого тертя під час оформлення або спроєктуйте вимірювану систему разом із Rendframe.